Perpustakaan Digital ITB

Toko GoBIG merupakan perusahaan ritel sepatu dan perlengkapan olahraga yang mengedepankan kualitas pelayanan pelanggan dalam strategi bisnisnya. Saat ini GoBIG sedang mengalami tantangan dalam mengelola pengetahuan karyawan akibat keterbatasan sumber daya manusia serta operasional bisnis yang dinamis. Setiap karyawan diharapkan mampu menjalankan berbagai tugas, mulai dari melayani pelanggan, menata produk, hingga melakukan pemasangan senar raket. Kondisi ini menuntut adanya sistem manajemen pengetahuan yang mampu menyimpan, mengelola dan mendistribusikan informasi dengan cepat dan mudah diakses. Penelitian ini bertujuan untuk merancang sebuah sistem manajemen pengetahuan berbasis chatbot dengan memanfaatkan Large Language Model (LLM) yang terintegrasi dengan teknologi Retrieval Augmented Generation (RAG), serta melakukan uji terhadap hasil perancangan nya. Pendekatan ini diharapkan dapat memudahkan karyawan dalam memperoleh informasi terkait operasional toko, pengetahuan produk, serta prosedur layanan secara mudah dan berkelanjutan. Metodologi penelitian yang digunakan pada rancangan ini adalah System Development Life Cycle (SDLC) sebagai kerangka perancangan sistem, melibatkan proses identifikasi kebutuhan fungsional dan non-fungsional, serta objektif perbaikan sistem hingga tahap perancangan dan uji prototipe sistem. Kemudian penggunaan model SECI (Socialization, Externalization, Combination, Internalization) untuk memetakan proses penciptaan, penyimpanan, dan distribusi pengetahuan di dalam organisasi. Hasil dari penelitian ini berupa prototipe chatbot yang mengakomodasi 3 (tiga) mode interaksi (tanya-jawab, kuis interaktif, dan simulasi) dengan teknologi LightRAG untuk mendukung proses manajemen pengetahuan di Toko GoBIG. Prototipe telah diverifikasi berdasarkan kebutuhan fungsional dan divalidasi berdasarkan objektif perbaikan sistem. Hasil dari evaluasi uji yang dilakukan terhadap sistem menunjukkan perlunya penggunaan model dengan kapasitas token yang cukup tinggi agar dapat menerima pengetahuan yang diberikan. Kombinasi antara model Gemini 2.5-flash dan teknologi LightRAG menunjukan hasil yang mengesankan, dimana sistem dapat memberikan respon yang sesuai dengan basis pengetahuan pada masing-masing mode interaksi.