<![CDATA[Peningkatan jumlah publikasi ilmiah yang mencapai 2,6 hingga 3 juta artikel per tahun menimbulkan tantangan dalam mengekstraksi informasi penting, terutama dalam mengidentifikasi permasalahan dan solusinya yang sering kali tidak dinyatakan secara eksplisit. Proses manual yang memakan waktu dan rentan terhadap kesalahan manusia, sehingga mendorong perlunya solusi berbasis kecerdasan buatan. Penelitian ini mengusulkan pendekatan Zero-Shot Learning (ZSL) menggunakan model Llama 3 untuk memprediksi solusi dari kalimat masalah dalam artikel ilmiah tanpa memerlukan pelatihan tambahan. Model ini hanya mengandalkan pemrosesan berbasis prompt untuk menghasilkan solusi tanpa menggunakan dataset pelatihan. Evaluasi dilakukan dengan membandingkan hasil prediksi model terhadap solusi referensi (ground truth) menggunakan metrik ROUGE. Hasil evaluasi menunjukkan bahwa skor ROUGE-1, ROUGE-2, dan ROUGE-L berada dalam rentang 3,5% hingga 22%, mengindikasikan bahwa meskipun kesamaan berbasis kata masih terbatas, model tetap mampu menghasilkan solusi yang relevan secara kontekstual. Dengan demikian, sistem berbasis Zero-Shot Learning dan Large Language Model ini diharapkan dapat mendukung analisis pola solusi dalam artikel ilmiah serta menjadi dasar bagi pengembangan model prediksi yang lebih akurat di masa depan.]]>
Copyrights © 2025
