<![CDATA[Penelitian ini bertujuan untuk mengembangkan sistem question answering generatif berbasis Large Language Model guna meningkatkan efisiensi layanan informasi akademik di Universitas Singaperbangsa Karawang. Metode yang digunakan adalah experimental development dengan tahapan pengumpulan dataset domain spesifik UNSIKA, preprocessing, fine-tuning model DistilGPT-2, evaluasi performa, serta implementasi dalam bentuk prototipe chatbot berbasis web. Dataset yang digunakan terdiri dari 800 pasangan pertanyaan dan jawaban yang merepresentasikan kebutuhan informasi akademik. Hasil penelitian menunjukkan bahwa model memiliki performa yang stabil dengan nilai training loss sebesar 1.23, validation loss sebesar 1.31, dan perplexity sebesar 3.41 yang mengindikasikan kemampuan generasi teks yang baik. Evaluasi kualitatif menunjukkan tingkat relevansi jawaban sebesar 92%, keterbacaan bahasa sebesar 90%, dan ketepatan fakta sebesar 89%. Waktu pelatihan model tercatat ±1 jam 25 menit dengan total parameter sekitar 82 juta, yang menunjukkan efisiensi komputasi yang baik. Berdasarkan hasil tersebut, dapat disimpulkan bahwa pendekatan fine-tuning model bahasa berbasis domain lokal efektif dalam meningkatkan kualitas layanan informasi akademik. Sistem yang dikembangkan mampu memberikan respons yang relevan, akurat, dan mudah dipahami, sehingga berpotensi menjadi solusi dalam mendukung transformasi digital layanan akademik di perguruan tinggi.]]>
Copyrights © 2025
