EKSTRAKSI KONTRIBUSI DALAM PAPER AKADEMIK MENGGUNAKAN ALGORITMA T5 DAN INTEGRASI BERT–T5

Pesatnya Perkembangan publikasi ilmiah menimbulkan tantangan dalam proses peninjauan literatur, khususnya dalam mengidentifikasi kontribusi utama yang disampaikan oleh suatu paper akademik. Kontribusi penelitian merupakan elemen penting karena mencerminkan fokus penelitian, metode yang diusulkan, serta temuan utama yang menjadi nilai kebaruan suatu karya ilmiah. Namun, perbedaan struktur dan gaya penulisan menyebabkan proses identifikasi kontribusi secara manual menjadi tidak efisien. Penelitian ini bertujuan untuk mengembangkan sistem ekstraksi kontribusi paper akademik secara otomatis menggunakan pendekatan berbasis Natural Language Processing. Penelitian ini menerapkan model Text-To-Text Transfer Transformer (T5) dan model hibrida BERT+T5, dengan BERT berperan sebagai encoder kontekstual sebelum proses generasi ringkasan oleh T5. Dataset yang digunakan terdiri dari paper akademik bidang ilmu komputer yang dianotasi secara manual. Penandaan kalimat kontribusi dilakukan berdasarkan indikator yang diacu dari literatur, yaitu kalimat yang menyatakan fokus atau tujuan penelitian, metode atau pendekatan yang diusulkan, serta hasil atau temuan utama, yang umumnya muncul pada bagian abstrak, pendahuluan, dan hasil paper. Evaluasi kinerja sistem dilakukan menggunakan metrik ROUGE-1 F, ROUGE-2 F, dan ROUGE-L F untuk menilai kesesuaian leksikal, serta BERTScore F1 untuk mengukur kesamaan semantik. Hasil pengujian menunjukkan bahwa model T5 memiliki keterbatasan dalam mengekstraksi kontribusi secara akurat, yang tercermin dari nilai ROUGE yang rendah. Sebaliknya, model BERT+T5 menunjukkan peningkatan performa yang signifikan pada seluruh metrik evaluasi. Temuan ini menunjukkan bahwa integrasi BERT mampu meningkatkan pemahaman konteks kalimat akademik, sehingga sistem lebih efektif dalam mengidentifikasi dan mengekstraksi kalimat yang merepresentasikan kontribusi utama penelitian.