Source: Midjourney

Dalam dunia kecerdasan buatan percakapan (Conversational AI), sebuah sistem tidak hanya harus mampu memahami bahasa manusia, tetapi juga harus dapat mengelola alur dialog agar percakapan terasa alami, relevan, dan kontekstual. Komponen yang berperan sebagai “otak pengatur” dalam proses ini disebut Dialog Manager (DM). Dialog Manager memastikan sistem tahu kapan harus bertanya, menjawab, mengonfirmasi, atau menjalankan aksi tertentu. Tanpa modul ini, chatbot atau Embodied Conversational Agent (ECA) akan berinteraksi secara acak dan kehilangan konteks pembicaraan.

Apa Itu Dialog Manager

Dialog Manager adalah modul pusat dalam sistem percakapan yang mengatur keadaan (state) dan alur percakapan (flow) antara pengguna dan sistem. Ia menerima input dari modul pemahaman bahasa alami (NLU), menentukan apa langkah terbaik selanjutnya, lalu memberikan instruksi kepada modul pembangkit respons (NLG) atau sistem backend.

Peran utamanya mencakup:

  1. Menyimpan dan memperbarui konteks percakapan.
  2. Menentukan aksi terbaik berdasarkan konteks dan tujuan pengguna.
  3. Mengatur transisi antar topik dan menjaga kelancaran alur.
  4. Menghubungkan sistem percakapan dengan sumber data atau aksi eksternal.

Dengan kata lain, Dialog Manager bertindak sebagai pengambil keputusan utama dalam percakapan antara manusia dan mesin.

Arsitektur dan Komponen Utama

  1. State Tracker

Komponen ini bertugas melacak kondisi percakapan yang sedang berlangsung.
Ia menyimpan riwayat dialog, nilai variabel (slot) yang sudah diisi, niat pengguna (intent), serta konteks yang sedang aktif. Contohnya, jika pengguna mengatakan, “Saya ingin memesan tiket dari Jakarta ke Surabaya,” maka sistem akan menyimpan asal=Jakarta, tujuan=Surabaya, dan intent=book_flight sebagai bagian dari state.

  1. Dialogue Policy (Kebijakan Dialog)

Bagian ini menentukan tindakan berikutnya berdasarkan state terkini.

Pendekatannya bisa bersifat:

  1. Rule-based: Menggunakan aturan eksplisit seperti “jika slot A belum diisi, tanyakan A”.
  2. Machine Learning-based: Menggunakan model yang dilatih dari data percakapan untuk memprediksi aksi terbaik.
  3. Hybrid: Kombinasi dari keduanya—menggunakan aturan untuk alur kritis dan model ML untuk percakapan yang dinamis.
  1. Dialogue Flow / Task Model

Flow mendefinisikan struktur logika dari percakapan.

Misalnya, dalam sistem pemesanan:

  1. Tanyakan lokasi asal.
  2. Tanyakan tujuan.
  3. Minta tanggal keberangkatan.
  4. Jalankan pencarian.
  5. Tampilkan hasil.

Semua langkah tersebut diatur oleh model alur yang disusun secara berurutan, bercabang, atau bahkan bersifat dinamis berdasarkan respons pengguna.

  1. Action Executor

Komponen ini menjalankan aksi nyata sesuai keputusan DM, misalnya:

  1. Mengambil data dari API atau database.
  2. Menjalankan fungsi backend seperti melakukan pemesanan.
  3. Mengirim notifikasi atau menampilkan hasil.

Setelah aksi dilakukan, hasilnya dikembalikan ke pengguna melalui modul NLG agar disampaikan dalam bahasa manusia.

  1. Error dan Fallback Handler

Dialog Manager juga harus menangani kondisi tidak terduga, seperti:

  1. Sistem tidak memahami maksud pengguna.
  2. Slot yang dibutuhkan belum lengkap. Dalam kasus tersebut, DM dapat mengaktifkan strategi fallback seperti mengulang pertanyaan, meminta klarifikasi, atau mengarahkan pengguna ke topik lain.

Mekanisme Cara Kerja

Souce: https://www.hyro.ai/glossary/dialogue-manager-dm/

Berikut alur kerja umum dari sebuah sistem percakapan yang menggunakan Dialog Manager:

  1. Input pengguna dikirim ke sistem (teks atau suara).
  2. NLU mengenali niat (intent) dan entitas dari kalimat tersebut.
  3. State Tracker memperbarui konteks dengan data baru.
  4. Dialogue Policy memutuskan tindakan berikutnya berdasarkan konteks.
  5. Action Executor menjalankan aksi, seperti memanggil API atau menyiapkan pesan.
  6. NLG menghasilkan respons alami untuk dikirim kembali ke pengguna.
  7. Percakapan berlanjut hingga tujuan pengguna tercapai.

Setiap langkah dalam siklus ini melibatkan pengambilan keputusan yang kompleks dan bergantung pada konteks yang disimpan oleh DM.

 

Kesimpulan

Dialog Manager adalah jantung dari sistem percakapan cerdas. Ia memastikan percakapan berjalan alami, kontekstual, dan efisien. Dalam chatbot, DM mengatur kapan sistem harus bertanya atau mengeksekusi aksi. Dalam ECA, DM menjadi pengendali utama yang menyatukan ucapan, ekspresi, dan perilaku karakter sehingga interaksi terasa hidup.

Seiring berkembangnya teknologi pembelajaran mesin dan interaksi multimodal, peran DM semakin penting untuk menghadirkan pengalaman AI yang benar-benar “manusiawi”.

Penulis: 

Samson Ndruru, S.Kom., M.Kom.

Daftar Pustaka:

  1. (n.d.). Dialogue Manager (DM): Definition & Importance in Conversational AI. Hyro Glossary. Retrieved November 6, 2025, from https://www.hyro.ai/glossary/dialogue-manager-dm/
  2. Bhatnagar, N. (2023, August 3). Deep Dive: Dialog Management – Designing Voice User Interfaces (VUI). Medium. Retrieved November 6, 2025, from https://medium.com/@captnitinbhatnagar/deep-dive-dialog-management-designing-vui-e8e561c992d0
  3. Rasa Technologies. (2024). Dialogue Management Concepts. Rasa Documentation. Retrieved November 6, 2025, from https://rasa.com/docs/learn/concepts/dialogue-management/
  4. Syntphony Conversational AI. (2025). Functionalities – Dialog Manager. Conversational AI by Syntphony. Retrieved November 6, 2025, from https://conversational-ai.syntphony.com/functionalities-dialog-manager/
  5. Rasa Technologies. (2024). Dialogue Understanding and Policies. Rasa Documentation. Retrieved November 6, 2025, from https://rasa.com/docs/learn/concepts/dialogue-understanding/