Menu tanya jawab sering kali menampilkan informasi sebagai pertanyaan umum tentang layanan dan produk perusahaan. Selain itu, terkadang pengguna harus menelusuri semua halaman untuk mendapatkan informasi yang mereka butuhkan, yang memakan waktu lama. Alternatif yang ditawarkan perusahaan perbankan seperti BRI adalah Sabrina yaitu chatbot yang dapat menjawab pertanyaan seputar produk BRI. Namun, chatbot dibuat dengan metode dialog decision sehingga tidak memiliki pengetahuan terhadap sentimen kalimat. Metode tradisional seperti word2vec yang langsung melakukan training data tidak lagi efisien karna representasi terhadap kalimatnya yang terbatas. Oleh karena itu dibutuhkan suatu metode yang dapat menghubungkan kata antar kata agar lebih bisa dimengerti oleh model yaitu memakai graph-based representation. Data yang diubah akan diproses dengan model berbasis graph. Oleh karena itu, otomatisasi ini diperlukan untuk dapat mengetahui kinerja chatbot sekaligus memberikan pengetahuan sentiment melalui percakapannya dengan user. Dalam penelitian ini, diterapkan tiga model rekomendasi berbasis graf dan tiga model rekomendasi berbasis pohon. Model berbasis graf yang digunakan adalah GCN, Chebycev-Graph dan Transformer-Graph. Model berbasis pohon yang digunakan adalah Random Forest, LightGBM dan XGBoost. Dari keenam model yang dibuat, dilakukan perbandingan terhadap performa dan waktu inferensi. Hasil eksperimen menunjukkan bahwa model rekomendasi berbasis graf menghasilkan nilai Akurasi mirip dengan XGBoost yaitu 0,7173. Pada sisi waktu inferensi model berbasis graph lebih cepat 3 kali lipat daripada model berbasis pohon.