ChatBot

LAPORAN PROYEK

Diajukan oleh

Abhishek Verma(00414902018)
Archit Kr. Singh(01414902018)
Jatin Bagga(03814902018)

dalam pemenuhan sebagian untuk pemberian gelar

dari

SARJANA APLIKASI KOMPUTER

INSTITUT MAHARAJA SURAJMAL

C-4, JANAK PURI,

NEW DELHI - 110058

ChatBot
 INSTITUT MAHARAJA SURAJMAL

SURAT KETERANGAN BONA FIDE

Dijamin bahwa laporan proyek ini ChatBot adalah karya yang sah dari ABHISHEK

VERMA, ARCHIT KR. SINGH, JATIN BAGGA yang melaksanakan pekerjaan proyek

di bawah pengawasan saya.

TANDA TANGAN

Dr. RHYTHM CHAUDHARY

SUPERVISOR

Asisten Profesor

Departemen Aplikasi Komputer

Institut Maharaja Surajmal
C-4 Janakpuri, New Delhi, 110058

2|C h a t B o t
3|C h a t B o t
 Abstract
Chatbot adalah program perangkat lunak komputer yang melakukan percakapan melalui suara atau teks.
metode. Perangkat lunak ini digunakan untuk melakukan tugas-tugas seperti merespons pengguna dengan cepat, memberi tahu

mereka, membantu untuk membeli produk dan memberikan layanan yang lebih baik kepada pelanggan. Chatbot adalah program

yang bekerja pada Platform Kecerdasan Buatan (AI) & Pembelajaran Mesin. Chatbot telah menjadi lebih
populer di kelompok bisnis saat ini karena dapat mengurangi biaya layanan pelanggan dan menangani beberapa
pengguna pada satu waktu. Namun, untuk menyelesaikan banyak tugas masih perlu membuat chatbot menjadi efisien
possible. In this project, we provide the design of a chatbot, which provides a genuine and accurate
jawaban untuk setiap pertanyaan menggunakan Bahasa Markup Kecerdasan Buatan (AIML) dan Semantik Tersembunyi

Analisis (LSA) dengan platform python.

4|C h a t B o t
 DAFTAR ISI

No. seri Isi Halaman no.

1. PENDAHULUAN 5
2. METODOLOGI 6
3. PERPUSTAKAAN PYTHON YANG DIGUNAKAN 7~8
4. DIAGRAM MODUL SISTEM 9
5. KODE 10~19
6. Demo ChatBot 20
7. TANGKAP LAYAR 21~22
8. KEUNTUNGAN 23
9. LIMITATIONS 24
10. Ruang Lingkup Masa Depan 25
11. KESIMPULAN 26
12. REFERENCES 27

5|C h a t B o t
 PENGANTAR
Chatbot adalah aplikasi perangkat lunak yang menggunakan kecerdasan buatan dan pemrosesan bahasa alami untuk
memahami apa yang diinginkan manusia, dan membimbing mereka menuju hasil yang diinginkan dengan sedikit usaha untuk mereka

pengguna akhir sebanyak mungkin. Seperti asisten virtual untuk titik sentuh pengalaman pelanggan Anda.

Sebuah chatbot yang dirancang dan dibangun dengan baik akan:

1. Gunakan data percakapan yang ada (jika tersedia) untuk memahami jenis pertanyaan yang diajukan orang-orang.
2. Analisis jawaban yang benar untuk pertanyaan tersebut melalui periode 'pelatihan'.
3. Gunakan pembelajaran mesin dan NLP untuk memahami konteks, dan terus-menerus menjadi lebih baik dalam menjawabnya.

pertanyaan di masa depan.

Adopsi chatbot dipercepat pada tahun 2016 ketika Facebook membuka platform pengembangnya.
dan menunjukkan kepada dunia apa yang mungkin dilakukan dengan chatbot melalui aplikasi Messenger mereka. Google juga mendapatkan

dalam permainan segera setelah dengan Asisten Google. Sejak itu, telah ada jumlah yang sangat besar dari
aplikasi chatbot yang dibangun di situs web, di aplikasi, di media sosial, untuk dukungan pelanggan, dan tak terhitung banyaknya

contoh lain.

Pada dasarnya ada dua jenis ChatBot:

1. Chatbot Berbasis Aturan – Chatbot ini mengikuti aturan yang telah dirancang sebelumnya, sering kali dibuat menggunakan

antarmuka pengguna grafis di mana pembuat bot akan merancang jalur menggunakan pohon keputusan.
2. Chatbot AI –Chatbot AIakan belajar secara otomatis setelah periode pelatihan awal oleh bot
pengembang.

6|C h a t B o t
 METODOLOGI

7|C h a t B o t
 PERPUSTAKAAN PYTHON YANG DIGUNAKAN

Dalam proyek ini, kami telah menggunakan Bahasa Pemrograman Python (Versi 3.7) bersama dengan HTML, CSS,

Pembelajaran Mesin dan Kecerdasan Buatan. Kami juga telah menggunakan sejumlah modul python untuk
mengimplementasikan berbagai fitur dan fungsionalitas. Modul dan pustaka ini mencakup yang berikut:

NLTK (Toolkit Bahasa Alam):

NLTK adalah platform terkemuka untuk membangun program Python yang bekerja dengan data bahasa manusia.
menyediakan antarmuka yang mudah digunakan untuk lebih dari 50 korpora dan sumber leksikal seperti WordNet, bersama

dengan serangkaian pustaka pemrosesan teks untuk klasifikasi, tokenisasi, stemming, penandaan, parsing,
dan penalaran semantik, pembungkus untuk perpustakaan NLP yang kuat untuk industri, dan diskusi aktif
forum.

TensorFlow:
TensorFlow 2 adalah platform pembelajaran mesin sumber terbuka dari ujung ke ujung. Anda dapat menganggapnya sebagai sebuah

lapisan infrastruktur untuk pemrograman yang dapat dibedakan. Ini menggabungkan empat kemampuan kunci:

Menjalankan operasi tensor tingkat rendah secara efisien di CPU, GPU, atau TPU.

Menghitung gradien dari ekspresi diferensial yang sembarangan.

Menskalakan komputasi ke banyak perangkat, seperti kluster ratusan GPU.
Ekspor program ('graf') ke runtime eksternal seperti server, browser, mobile dan
perangkat tertanam.

8|C h a t B o t
Keras:
Keras adalah API jaringan saraf tingkat tinggi untuk Python: mudah diakses, sangat produktif
antarmuka untuk menyelesaikan masalah pembelajaran mesin, dengan fokus pada pembelajaran mendalam modern. Ini menyediakan

abstraksi esensial dan blok bangunan untuk mengembangkan dan mengirim solusi pembelajaran mesin
dengan kecepatan iterasi yang tinggi.

Numpy:
NumPy adalah sebuah pustaka untuk bahasa pemrograman Python, menambahkan dukungan untuk array besar, multi-

array berdimensi dan matriks, bersama dengan koleksi besar fungsi matematis tingkat tinggi
untuk mengoperasikan array ini.

Flask:
Flask adalah kerangka aplikasi web WSGI yang ringan. Ini dirancang untuk memudahkan memulai dengan cepat.
dan mudah, dengan kemampuan untuk meningkat menjadi aplikasi yang kompleks. Ini dimulai sebagai pembungkus sederhana di sekitar

Werkzeug dan Jinja telah menjadi salah satu kerangka aplikasi web Python yang paling populer.

9|C h a t B o t
 DIAGRAM MODUL SISTEM

10|C h a t B o t
ChatBot
 KODE

Latih_chatbot.py

impor nltk
dari [Link] import WordNetLemmatizer
lemmatizer = WordNetLemmatizer()
impor json
impor pickle

impor numpy sebagai np

dari [Link] impor Sequential
dari [Link] import Dense, Aktivasi, Dropout
dari [Link] import SGD
impor acak

words=[]
classes = []
documents = []
ignore_words = ['?', '!']
data_file = open('[Link]').read()
intents = [Link](data_file)

untuk niat dalam intents['intents']:

untuk pola di intent['pola']:

#tokenisasi setiap kata

w = nltk.word_tokenize(pola)
[Link](w)
#tambah dokumen dalam korpus
12|C h a t B o t
 [Link]((w, intent['tag']))

tambahkan ke daftar kelas kami

jika intent['tag'] tidak ada di kelas:

[Link](intent['tag'])

# normalisasi dan kecilkan setiap kata serta hapus duplikat

kata = [[Link]([Link]()) untuk w dalam kata jika w tidak ada dalam kata_dihindari]

kata = diurutkan(lista(set(kata)))
# urutkan kelas
kelas = disortir(list(set(kelas)))
dokumen = kombinasi antara pola dan niat
cetak (len(dokumen), "dokumen")
# classes = intents
print (len(classes), "kelas", classes)
# words = all words, vocabulary
print (len(kata), "kata lemmatisasi unik", kata)

[Link](words, open('[Link]', 'wb'))

[Link](classes,open('[Link]','wb'))

buat data pelatihan kami

training = []
buat array kosong untuk output kita
output_empty = [0] * len(classes)
# set pelatihan, kumpulan kata untuk setiap kalimat
untuk dokumen dalam dokumen:

# inisialisasi kantong kata kami

bag = []
daftar kata yang ditokenisasi untuk pola
pattern_words = doc[0]
ChatBot
 lemmatisasi setiap kata - buat kata dasar, dalam upaya untuk mewakili kata-kata terkait
pattern_kata = [[Link]([Link]()) untuk kata dalam pattern_kata]
buat array tas kata kami dengan 1, jika kata yang cocok ditemukan dalam pola saat ini
untuk w dalam kata-kata:

[Link](1) jika w ada di pattern_words else [Link](0)

# keluaran adalah '0' untuk setiap tag dan '1' untuk tag saat ini (untuk setiap pola)

output_row = list(output_empty)
output_row[[Link](doc[1])] = 1

[Link]([tas, output_row])
# acak fitur kita dan ubah menjadi [Link]
[Link](training)
training = [Link](training)
# create train and test lists. X - patterns, Y - intents
train_x = list(training[:,0])
train_y = list(training[:,1])
cetak("Data pelatihan dibuat")

Buat model - 3 lapisan. Lapisan pertama 128 neuron, lapisan kedua 64 neuron dan lapisan keluaran ketiga.
mengandung jumlah neuron
sama dengan jumlah maksud untuk memprediksi keluaran maksud dengan softmax
model = Sequential()
[Link](Dense(128, input_shape=(len(train_x[0]),), activation='relu'))
[Link](Dropout(0.5))
[Link](Dense(64, aktivasi='relu'))
[Link](Dropout(0.5))
[Link](Dense(len(train_y[0]), activation='softmax'))

Kompilasi model. Latihan gradien stokastik dengan gradien terakselerasi Nesterov memberikan hasil yang baik
untuk model ini
14|C h a t B o t
sgd = SGD(lr=0.01, decay=1e-6, momentum=0.9, nesterov=True)
[Link](loss='categorical_crossentropy', optimizer=sgd, metrics=['accuracy'])

menyesuaikan dan menyimpan model

hist = [Link]([Link](train_x), [Link](train_y), epochs=200, batch_size=5, verbose=1)
[Link]('chatbot_model.h5', hist)

model dibuat

[Link]

impor nltk
dari [Link] impor WordNetLemmatizer
lemmatizer = WordNetLemmatizer()
impor pickle
impor numpy sebagai np

dari [Link] import load_model

model = load_model('chatbot_model.h5')
impor json
impor acak
intents = [Link](open('[Link]').read())
kata = [Link](open('[Link]', 'rb'))
kelas = [Link](open('[Link]', 'rb'))

def bersihkan_kalimat(kalimat):
# tokenisasi pola - membagi kata menjadi array
sentence_words = nltk.word_tokenize(teks)
# pangkas setiap kata - buat bentuk singkat untuk kata

15|C h a t B o t
 sentence_words = [[Link]([Link]()) untuk word dalam sentence_words]
kembali kalimat_kata

kembalikan array tas kata: 0 atau 1 untuk setiap kata dalam tas yang ada dalam kalimat

def bow(kalimat, kata, tampilkan_rincian=True):

# tokenisasi pola
kata_kalimat = bersihkan_kalimat(kalimat)
kantong kata - matriks N kata, matriks kosa kata
tas = [0]*len(kata)
untuk s dalam kata_kalimat:
untuk i, w dalam enumerate(kata):
jika w == s:
# tetapkan 1 jika kata saat ini ada di posisi kosa kata
bag[i] = 1
jika tampilkan_detail:

cetak("ditemukan di tas: %s" % w)

return([Link](bag))

def prediksi_kelas(kalimat, model):

# saring prediksi di bawah ambang batas
p = bow kalimat, kata, tunjuk_detail=False
res = [Link]([Link]([p]))[0]
ERROR_THRESHOLD = 0.25
results = [[i,r] for i,r in enumerate(res) if r>ERROR_THRESHOLD]
urutkan berdasarkan kekuatan probabilitas

[Link](key=lambda x: x[1], reverse=True)

return_list = []
untuk r dalam hasil:
return_list.append({"intent": classes[r[0]], "probability": str(r[1])})
kembalikan return_list

16|C h a t B o t
def getResponse(ints, intents_json):
tag = ints[0]['niat']
list_of_intents = intents_json['intents']
untuk i dalam daftar_intensi:
jika(i['tag']== tag):
result = [Link](i['responses'])
istirahat
return result

def chatbot_response(msg):
ints = prediksi_kelas(msg, model)
res = dapatkanRespon(ints, intents)
mengembalikan res

#Membuat GUI dengan tkinter

impor tkinter
dari tkinter import *

def kirim():
msg = [Link]("1.0",'end-1c').strip()
[Link]("0.0", AKHIR)

jika pesan != '' :

[Link](state=NORMAL)
[Link](END, "Kamu: " + msg + '\n\n')
[Link](foreground="#442265", font=("Verdana", 12 ))

res = respons_chatbot(msg)
[Link](END, "Bot: " + res + '\n\n')
17|C h a t B o t
 [Link](state=DINONAKTIFKAN)
[Link](AKHIR)

base = Tk()
[Link]("Halo")
[Link]("400x500")
[Link](lebar=FALSE, tinggi=FALSE)

#Buat Jendela Obrolan

ChatLog = Text(base, bd=0, bg="white", height="8", width="50", font="Arial",)

[Link](state=NON-AKTIF)

Ikat scrollbar ke jendela Obrolan

scrollbar = Scrollbar(base, command=[Link], cursor="heart")
ChatLog['yscrollcommand'] = [Link]

Buat Tombol untuk mengirim pesan

SendButton = Button(base, font=("Verdana",12,'bold'), text="Send", width="12", height=5,
bd=0, bg="#32de97", activebackground="#3c9d9b",fg='#ffffff',
command= send )

Buat kotak untuk memasukkan pesan

EntryBox = Text(base, bd=0, bg="white",width="29", height="5", font="Arial")
#[Link]("<Kembali>", kirim)

Tempatkan semua komponen di layar

[Link](x=376,y=6, tinggi=386)
[Link](x=6,y=6, tinggi=386, lebar=370)
18|C h a t B o t
[Link](x=128, y=401, tinggi=90, lebar=265)
[Link](x=6, y=401, tinggi=90)

[Link]()

[Link]

{"intents": [
{"tag": "greeting",
"patterns": ["Hi there", "How are you", "Is anyone there?","Hey","Hola", "Hello", "Good day"],
"responses": ["Hello, thanks for asking", "Good to see you again", "Hi there, how can I help?"],
"context": [""]
},
{"tag": "goodbye",
"patterns": ["Bye", "See you later", "Goodbye", "Nice chatting to you, bye", "Till next time"],
"responses": ["See you!", "Have a nice day", "Bye! Come back again soon."],
"context": [""]
},
{"tag": "thanks",
"patterns": ["Thanks", "Thank you", "That's helpful", "Awesome, thanks", "Thanks for helping me"],
"responses": ["Happy to help!", "Any time!", "My pleasure"],
"context": [""]
},
{"tag": "noanswer",
"patterns": [],
"responses": ["Sorry, can't understand you", "Please give me more info", "Not sure I understand"],
"context": [""]
},
{"tag": "options",

19|C h a t B o t
"patterns": ["How you could help me?", "What you can do?", "What help you provide?", "How you
can be helpful?", "What support is offered"],
"responses": ["I can guide you through Adverse drug reaction list, Blood pressure tracking, Hospitals
and Pharmacies", "Offering support for Adverse drug reaction, Blood pressure, Hospitals and
Apotek
"context": [""]
},
{"tag": "adverse_drug",
"patterns": ["How to check Adverse drug reaction?", "Open adverse drugs module", "Give me a list
["obat yang menyebabkan perilaku merugikan","Daftar semua obat yang cocok untuk pasien dengan reaksi merugikan"]

Obat mana yang tidak memiliki reaksi samping?

"responses": ["Navigating to Adverse drug reaction module"],
"context": [""]
},
{"tag": "blood_pressure",
"patterns": ["Open blood pressure module", "Task related to blood pressure", "Blood pressure data
entry", "I want to log blood pressure results", "Blood pressure data management" ],
"responses": ["Navigating to Blood Pressure module"],
"context": [""]
},
{"tag": "blood_pressure_search",
"patterns": ["I want to search for blood pressure result history", "Blood pressure for patient", "Load
patient blood pressure result", "Show blood pressure results for patient", "Find blood pressure results
oleh ID" ],
"responses": ["Please provide Patient ID", "Patient ID?"],
"context": ["search_blood_pressure_by_patient_id"]
},
{"tag": "search_blood_pressure_by_patient_id",
"patterns": [],
"responses": ["Loading Blood pressure result for Patient"],
"context": [""]
},
20|C h a t B o t
{"tag": "pharmacy_search",
"patterns": ["Find me a pharmacy", "Find pharmacy", "List of pharmacies nearby", "Locate
pharmacy", "Search pharmacy" ],
"responses": ["Please provide pharmacy name"],
"context": ["search_pharmacy_by_name"]
},
{"tag": "search_pharmacy_by_name",
"patterns": [],
"responses": ["Loading pharmacy details"],
"context": [""]
},
{"tag": "hospital_search",
"patterns": ["Lookup for hospital", "Searching for hospital to transfer patient", "I want to search
hospital data", "Hospital lookup for patient", "Looking up hospital details" ],
"responses": ["Please provide hospital name or location"],
"context": ["search_hospital_by_params"]
},
{"tag": "search_hospital_by_params",
"patterns": [],
"responses": ["Please provide hospital type"],
"context": ["search_hospital_by_type"]
},
{"tag": "search_hospital_by_type",
"patterns": [],
"responses": ["Loading hospital details"],
"context": [""]
}
]
}

21|C h a t B o t
 ChatBot- DEMO

22|C h a t B o t
 TANGKAPAN LAYAR

23|C h a t B o t
24|C h a t B o t
 KEUNTUNGAN

Ada banyak keuntungan dari chatbot; mulai dari resepsionis hingga tenaga penjual dan asisten online, mereka
dapat melakukan hampir segala sesuatu yang dapat membantu Anda memuaskan pelanggan sambil menghasilkan lebih banyak pendapatan.

1. Chatbot Dapat Meningkatkan Penjualan

Terlihat bahwa pengalaman pelanggan menjadi semakin baik ketika mereka memiliki agen pendukung bersama mereka.
Chatbot Anda dapat membantu klien dalam berbelanja sambil menyelesaikan pertanyaan mereka secara bersamaan.

2. Chatbot Dapat Mengelola Akun

Mengelola akun mengharuskan seseorang untuk tepat tentang data dan informasi. Dan Anda dapat menggunakan sebuah
chatbot untuk mengelola akun dan mengambil rincian kapan pun diperlukan.

3. Chatbots adalah Eksekutif Pelanggan

Sebagian besar situs web menyediakan opsi obrolan online karena kemudahan dan kenyamanannya. Chatbot adalah
sempurna untuk diterapkan sebagai eksekutif pelanggan karena mereka tersedia sepanjang waktu dan
menyelesaikan masalah pelanggan dengan mulus.

25|C h a t B o t
 BATASAN

Ada beberapa batasan chatbot yang telah menghentikan berbagai organisasi untuk menerapkannya
chatbot di aplikasi dan situs web mereka.

1. Chatbot Tidak Memahami Konteks Manusia.

Ini adalah salah satu batasan signifikan dari chatbot. Chatbot ini diprogram sedemikian rupa sehingga mereka
hanya tahu apa yang mereka ajarkan.

2. Mereka Tidak Bisa Membuat Keputusan.

Keterbatasan lain dari chatbot adalah mereka tidak memiliki kemampuan pengambilan keputusan. Mereka tidak memiliki pengetahuan yang tepat.

bagaimana membedakan antara yang baik dan yang buruk.

3. Pemasangan yang Sangat Mahal

Ya, chatbot menghemat banyak uang dalam jangka panjang, tetapi biaya instalasinya bisa sangat mahal.
perlu mempekerjakan profesional yang telah memprogram chatbot dengan benar untuk mencocokkan integritas Anda

bisnis.

4. Chatbot Memiliki Jawaban yang Sama untuk Suatu Pertanyaan

Sebagian besar pelanggan tidak melanjutkan percakapan ketika mereka tahu bahwa mereka sedang ngobrol dengan chatbot.

Chatbot mudah dikenali karena mereka memiliki jawaban yang sama untuk berbagai pertanyaan.

5. Mereka Tidak Memiliki Keterampilan Riset

Kenyataan pahit tentang chatbot adalah bahwa mereka tidak memiliki keterampilan penelitian. Bot ini hanya memiliki jawaban.

untuk kueri yang tersedia; mereka tidak dapat mencari topik baru di web.

6. Chatbot Tidak Memiliki Emosi

Terakhir, chatbot tidak memiliki emosi, dan mereka tidak dapat berhubungan dengan situasi rendah. Tidak memiliki emosi

berarti chatbot tidak dapat pernah menjalin koneksi dengan pelanggan, yang sangat penting untuk apa pun
pertumbuhan bisnis.

26|C h a t B o t
 RUANG LINGKUP MASA DEPAN

Sebagai pekerjaan di masa depan, kita dapat membuat chatbot yang berbasis AIML dan LSA. Teknologi ini akan memungkinkan

seorang klien untuk berinteraksi dengan chatbot dengan cara yang lebih alami. Kita dapat meningkatkan diskusi dengan

termasuk dan mengubah pola serta templat untuk pertanyaan umum klien menggunakan AIML dan yang tepat
respons diberikan lebih sering daripada LSA.

Chatbot Technology is Embracing with Each Day.

27|C h a t B o t
 KESIMPULAN

Dalam proyek ini, kami telah memperkenalkan chatbot yang dapat berinteraksi dengan pengguna. Chatbot ini dapat
menjawab pertanyaan dalam input teks pengguna. Untuk tujuan ini, AIML dengan program-o telah digunakan. Yang
chatbot hanya dapat menjawab pertanyaan yang ia memiliki jawaban dalam dataset AIML-nya. Jadi, untuk
meningkatkan pengetahuan chatbot, kita dapat menambahkan API Wikipedia, Peramalan Cuaca
Departemen, Olahraga, Berita, Pemerintah dan banyak lagi. Dalam kasus seperti itu, pengguna akan dapat berbicara

dan berinteraksi dengan chatbot di berbagai domain. Menggunakan API seperti Cuaca, Olahraga, Berita dan
Layanan Pemerintah, chatbot akan dapat menjawab pertanyaan di luar dataset-nya dan
yang saat ini terjadi di dunia nyata.

Langkah selanjutnya untuk membangun chatbot adalah membantu orang untuk memfasilitasi pekerjaan mereka dan berinteraksi.
dengan komputer yang menggunakan bahasa alami atau menggunakan seperangkat aturan mereka. Masa Depan Chatbot semacam itu, didukung oleh

teknologi pembelajaran mesin, akan dapat mengingat percakapan sebelumnya dan belajar darinya untuk
jawab yang baru. Tantangannya adalah berbicara dengan berbagai pengguna bot yang berbeda dan
beberapa pengguna.

28|C h a t B o t
 REFERENCES

[Link]
[Link]
[Link]
[Link]
[Link]
[Link]

29|C h a t B o t