Rule-Based Mood Classification pada Chatbot Pendamping Emosional: Evaluasi, Akurasi, Latensi, dan Bias Klasifikasi Netral

Abstract

Chatbot rule-based konvensional masih memiliki kemampuan terbatas dalam menangkap konteks emosional pengguna, khususnya pada bahasa informal dan ekspresi implisit. Penelitian ini bertujuan merancang kerangka rule-based mood logic pada chatbot GALHBOT yang mampu mendeteksi Sembilan kategori mood, menghitung intensitas ekspresi, serta menghasilkan respons berdasarkan aturan linguistik adaptif, tanpa bergantung pada model machine learning. Metode penelitian meliputi analisis kebutuhan system, perancangan logika berbasis aturan, implementasi menggunakan bahasa JavaScript berbasis lingkungan runtime Node.js, serta pengujian menggunakan dataset terkontrol yang terdiri dari 1.000 sampel dengan sembilan kategori emosi dan satu kategori netral. Hasil pengujian menunjukkan bahwa chatbot GALHBOT memiliki waktu respons rata-rata 29 ms sehingga mampu mendukung interaksi secara real-time, dengan tingkat akurasi emosi sebesar 41,0%. Analisis confusion matrix menunjukkan bahwa sistem cenderung mengklasifikasikan ekspresi yang tidak dikenali ke dalam kategori netral, terutama pada emosi dengan variasi linguistik yang tinggi. Penelitian ini menyimpulkan bahwa pendekatan rule-based dengan logika linguistik masih memiliki potensi sebagai dasar pengembangan chatbot pendamping emosional yang efisien, transparan, dan mudah diinterpretasikan, dengan peluang peningkatan melalui perluasan lexion, penyempurnaan scoring, dan pengelolaan konteks percakapan.