IMPLEMENTASI ASISTEN VIRTUAL AI MENGGUNAKAN FINE-TUNING MODEL LLAMA 3.2 DENGAN OLLAMA UNTUK SISTEM INFORMASI AKADEMIK PADA PLATFORM UNITY

Sistem informasi akademik di perguruan tinggi seringkali kekurangan fitur pencarian interaktif dan real-time, sehingga menghambat akses mahasiswa terhadap layanan esensial dan menambah beban kerja administratif staf. Untuk mengatasi urgensi tersebut, penelitian ini bertujuan mengembangkan dan mengevaluasi asisten virtual kecerdasan buatan generatif menggunakan model Llama 3.2 yang di-fine-tuning dan diintegrasikan ke platform Unity melalui Ollama. Penelitian ini menggunakan metode Research and Development dengan menerapkan Parameter-Efficient Fine-Tuning (PEFT) melalui algoritma Quantized Low-Rank Adaptation (QLoRA) 4-bit untuk mengadaptasi model berparameter tiga miliar menggunakan 8.725 data percakapan akademik. Model dieksekusi secara lokal menggunakan Ollama yang bertindak sebagai jembatan REST API dengan antarmuka 3D di Unity. Hasil pengujian menunjukkan proses fine-tuning berhasil menghasilkan model yang sangat kontekstual dengan lingkungan akademik institusi, mencatatkan titik konvergensi akhir Training Loss di angka 1,3494. Evaluasi performa bahasa mencatat nilai Perplexity keseluruhan sebesar 10,67, yang mengindikasikan tingkat kepastian linguistik yang sangat baik. Secara komputasi, sistem beroperasi stabil dengan latensi rata-rata 5,43 detik per kueri dan kecepatan pemrosesan 20,42 token per detik pada perangkat keras lokal skala menengah, melampaui rata-rata kecepatan kognitif membaca manusia. Lebih lanjut, rata-rata ROUGE-L sebesar 15,34% dikombinasikan dengan perolehan skor kepuasan User Acceptance Testing (UAT) sebesar 4,75 dari skala 5,00 memvalidasi keandalan sistem dalam melakukan parafrase bahasa yang sangat natural layaknya manusia tanpa menimbulkan halusinasi fakta. Meskipun sistem ini sangat efisien secara lokal, kelemahan saat ini terletak pada ketergantungan mutlak pada prompt berbahasa Indonesia dan memori data yang masih bersifat statis. Penelitian di masa depan disarankan untuk mengeksplorasi fine-tuning multibahasa dan integrasi Retrieval-Augmented Generation (RAG) untuk menangani pembaruan data akademik yang dinamis.