Perpustakaan Digital ITB

Di era pengambilan keputusan berbasis data, banyak organisasi menghadapi tantangan dalam mengakses informasi dari basis data relasional yang kompleks. Hal ini menjadi lebih sulit bagi pengguna non-teknis yang tidak menguasai bahasa SQL. Tugas akhir ini mengkaji dan mengembangkan framework Text-to-SQL berbasis Large Language Model (LLM), seperti SQLCoder, untuk menghasilkan query SQL dari kalimat dalam bahasa alami, khususnya pada skema basis data yang kompleks. Penelitian ini mengintegrasikan pendekatan seperti Rewriter Prompt, Schema Linking, Relevance Summarization, dan Multistage Generation ke dalam framework Text-to-SQL berbasis LLM untuk meningkatkan akurasi prediksi SQL. Penelitian ini juga mengintegrasikan AI Workflow, Intent Detection, dan Sistem Text-to-SQL yang sudah dikembangkan ke dalam sebuah chatbot interaktif berbasis web. Untuk memastikan akurasi dan relevansi prediksi query, sistem dievaluasi menggunakan metrik execution accuracy serta usability testing bersama pengguna industri non-teknis. Hasil evaluasi menunjukkan peningkatan akurasi dibanding baseline, dengan rata-rata peningkatan sebesar 14% untuk semua model dan dataset. Sistem juga dinilai bermanfaat oleh 100% pengguna dalam membantu pengambilan informasi dari basis data. Penelitian ini membuktikan bahwa LLM dapat dioptimalkan untuk mendukung eksplorasi basis data kompleks secara efektif dan efisien oleh pengguna non-teknis di lingkungan industri.