<![CDATA[Question answering (QA) adalah bidang information retrieval yang berfokus pada penyediaan jawaban yang tepat untuk pertanyaan yang diajukan dalam bahasa alami. QAS berupaya menemukan jawaban eksplisit berupa frasa singkat atau potongan teks dari satu atau kumpulan dokumen. Tantangan utama dalam QAS adalah mengelompokkan pertanyaan ke dalam kategori tertentu untuk menemukan jawaban yang relevan dari dokumen yang luas. Penelitian ini mengimplementasikan metode Rule-Based Decision Tree untuk membangun QAS berbahasa Inggris yang menangani pertanyaan factoid, yaitu pertanyaan yang jawabannya berupa frasa singkat seperti nama orang, lokasi, tanggal, dan angka. Sistem ini dirancang khusus untuk memproses masukan teks tertulis berbahasa Inggris. Metodologi penelitian ini adalah non-implementatif dengan strategi studi literatur. Sumber data diperoleh dari Stanford Question Answering Dataset (SQuAD) melalui Kaggle. Proses yang dilakukan meliputi pengumpulan data, prapemrosesan teks (casefolding, tokenization, stopwording, dan porter stemming), ekstraksi fitur menggunakan TF-IDF, pelatihan model, prediksi model, dan evaluasi model. Evaluasi kinerja sistem QAS berbasis Rule-Based Decision Tree (konvensional, tanpa Transformer) diukur menggunakan metrik Exact Match (EM), F1-Score, dan BLEU Score. Dengan menggunakan 100 indeks pertanyaan, diperoleh skor akurasi untuk Exact Match (EM) sebesar 0,0000, F1-Score sebesar 0,0295 dan BLEU Score sebesar 0,0047. Jika dibandingkan dengan hasil QAS yang menggunakan model Transformer, terdapat perbedaan kinerja yang signifikan. Implementasi QAS dengan Transformer menghasilkan skor Exact Match (EM) sebesar 0,7900, F1-Score sebesar 0,8903, dan BLEU Score sebesar 0,4046 dengan 100 indeks pertanyaan. Hal ini menunjukkan bahwa model pre-trained Transformer (seperti distilBERT-base-uncased-distilled-squad) lebih unggul dalam memahami konteks pertanyaan dan mengekstrak jawaban yang akurat, sekaligus menyederhanakan proses persiapan data.]]>
