<![CDATA[Pencarian pakar akademis berperan penting dalam membantu proses verifikasi kebenaran informasi. Pendekatan pencarian berbasis dokumen secara konvensional menggunakan representasi vektor semantik berdimensi tetap, yang dapat menimbulkan tantangan kompromi antara efisiensi komputasi dan kekayaan semantik. Penelitian ini menerapkan metode Matryoshka Representation Learning (MRL) pada arsitektur pencarian dua tahap guna mengeksplorasi trade-off kinerja pencarian pakar. Pengujian dilakukan menggunakan 100 kueri uji benchmark yang dievaluasi secara otomatis oleh juri Large Language Model (LLM) berbasis sistem penilaian Elo. Hasil eksperimen menunjukkan bahwa variasi panjang dimensi embedding memengaruhi latensi pencarian dengan nilai statistik F sebesar 3,9255 serta tingkat signifikansi p-value sebesar 0,0037. Pemangkasan dimensi hingga level 128 dimensi memotong waktu eksekusi rata-rata sebesar 36,02 persen dan disertai penurunan rata-rata kualitas hasil pencarian sebesar 4,97 persen jika dibandingkan dengan baseline dimensi 768 dimensi. Melalui pemetaan batas efisiensi, dimensi 128 diidentifikasi sebagai konfigurasi yang dinilai seimbang untuk penerapan sistem pencarian pakar secara praktis.]]>
Copyrights © 2026
