<![CDATA[Penelitian ini bertujuan untuk menganalisis tingkat halusinasi pada Large Language Model berbasis Retrieval-Augmented Generation (RAG) serta mengevaluasi efektivitas berbagai strategi mitigasi dalam menurunkan tingkat halusinasi tersebut. Halusinasi merupakan permasalahan utama pada model bahasa karena menghasilkan informasi yang tidak akurat atau tidak didukung oleh fakta, sehingga menurunkan reliabilitas sistem. Oleh karena itu, diperlukan pendekatan yang mampu meningkatkan akurasi sekaligus keterpercayaan model. Metode penelitian yang digunakan adalah eksperimen kuantitatif dengan membandingkan performa baseline RAG dan beberapa strategi mitigasi, yaitu Hybrid Retrieval, Prompt Engineering, Citation Forcing. Eksperimen dilakukan menggunakan tiga dataset, yaitu RAGTruth, HaluEval, dan DROP, yang merepresentasikan berbagai skenario tugas seperti question answering, summarization, dan reasoning. Evaluasi dilakukan menggunakan metrik Hallucination Rate, Precision, Recall, dan F1-Score. Hasil penelitian menunjukkan bahwa baseline RAG masih menghasilkan tingkat halusinasi yang signifikan. Penerapan strategi mitigasi terbukti mampu menurunkan tingkat halusinasi secara konsisten, dengan Hybrid Retrieval sebagai metode yang paling efektif dalam meningkatkan relevansi dokumen dan mengurangi kesalahan faktual. Selain itu, kombinasi strategi mitigasi memberikan peningkatan performa yang lebih baik dibandingkan penerapan tunggal. Integrasi strategi mitigasi dalam pipeline RAG dapat meningkatkan akurasi dan reliabilitas model secara signifikan. Pendekatan ini berpotensi diterapkan dalam berbagai domain untuk menghasilkan sistem LLM yang lebih terpercaya.]]>
Copyrights © 2026
