Pertumbuhan industri video game yang pesat mendorong munculnya komunitas gamer di berbagai forum online seperti GameFAQs dan Steam. Forum tersebut menjadi tempat bertukar informasi mengenai strategi permainan, solusi teknis, serta pengalaman bermain. Namun, diskusi forum sering menghadapi masalah seperti kualitas jawaban yang bervariasi, pengulangan pertanyaan yang sama, informasi yang tersebar di banyak thread, serta penggunaan bahasa informal yang sulit diproses oleh sistem tradisional. Question Answering System (QAS) konvensional juga kurang efektif karena bergantung pada data terstruktur. Oleh karena itu, penelitian ini mengusulkan pendekatan Restricted-Domain Question Answering System (RDQAS) yang mampu memahami diskusi tidak terstruktur pada forum game melalui model baru bernama PQF-Game.
Penelitian ini mengembangkan model PQF-Game yang terdiri dari empat modul utama: pengumpulan dan preprocessing data, word embedding, answer recognition, dan answer generation. Pada tahap preprocessing, data forum diubah menjadi pasangan pertanyaan, jawaban, dan komentar. Representasi teks kemudian dibuat menggunakan skip-gram word embedding. Modul answer recognition menggunakan ekstraksi kata kunci dengan TextRank serta Attention-based Neural Matching Model (aNMM) untuk memilih jawaban yang relevan. Selanjutnya, modul answer generation menggunakan Pointer-Generator berbasis GRU dengan dua attention layer, yaitu question layer dan document layer. Kombinasi mekanisme filtering kata kunci dan dual-attention ini bertujuan meningkatkan relevansi, koherensi, dan akurasi jawaban yang dihasilkan sistem. Gambar 1 menunjukkan framework dari PQF-Game.
Dataset penelitian diperoleh dari dua forum video game populer, yaitu GameFAQs dan Steam. Dari GameFAQs dikumpulkan sekitar 11.202 pertanyaan dan 24.576 jawaban yang berasal dari diskusi berbagai game. Selain itu, sekitar 254.971 komentar tambahan diperoleh dari forum Steam sebagai sumber informasi pendukung. Data berasal dari 43 game yang berbeda. Jawaban dengan voting tertinggi dalam forum digunakan sebagai ground truth dalam proses pelatihan model. Dataset kemudian dibagi menjadi data pelatihan sebesar 90% dan data pengujian sebesar 10%. Seluruh komentar non-bahasa Inggris dihapus untuk menjaga konsistensi data selama proses eksperimen dan evaluasi model.
Hasil eksperimen menunjukkan bahwa model PQF-Game mampu meningkatkan performa sistem Q&A dibandingkan berbagai metode baseline. Model ini mencapai nilai ROUGE-1 sebesar 0.3372, ROUGE-2 sebesar 0.1574, dan ROUGE-L sebesar 0.2658, yang lebih tinggi dibandingkan model Pointer-Generator, Pointer-Gen+Coverage, serta beberapa model transformer seperti BART, T5, dan PEGASUS pada sebagian metrik evaluasi. Eksperimen juga menunjukkan bahwa penggunaan word embedding berdimensi tinggi (900 dimensi) meningkatkan kualitas representasi semantik dan menghasilkan jawaban yang lebih relevan. Selain evaluasi otomatis, evaluasi manusia juga menunjukkan skor rata-rata di atas 4 dari skala 5 untuk sebagian besar aspek kualitas jawaban.
Penelitian ini memperkenalkan PQF-Game sebagai pendekatan baru untuk Restricted-Domain Question Answering System pada forum video game. Model ini mengintegrasikan mekanisme keyword filtering berbasis aNMM dan arsitektur Pointer-Generator yang diperkuat dengan dua attention layer untuk meningkatkan pemahaman konteks pertanyaan serta kualitas jawaban yang dihasilkan. Hasil eksperimen menunjukkan bahwa pendekatan tersebut mampu meningkatkan performa sistem Q&A baik pada evaluasi otomatis maupun evaluasi manusia. Meskipun demikian, beberapa jawaban masih memiliki kelemahan pada struktur bahasa. Oleh karena itu, penelitian selanjutnya disarankan untuk menambahkan modul peningkatan kelancaran bahasa agar kualitas kalimat yang dihasilkan menjadi lebih natural dan koheren.
Disarikan dari artikel dengan judul: 淧QF-Game: A Restricted-Domain QAS in video games community by leveraging keywords filtering and enhancing the Pointer-Generator model, yang diterbikan pada bulan Januari 2026 di Jurnal Multimedia Tools and Applications, Volume 85, Article number 49.
Link:
Penulis:
Army Justitia, S.Kom., M.Kom.
Scopus ID
Prodi Sistem Informasi, Departemen Matematika
Fakultas Sains dan Teknologi
