<![CDATA[Retrieval-Augmented Generation (RAG) menggabungkan pencarian informasi dengan model bahasageneratif untuk menghasilkan jawaban berbasis konteks dokumen. Kualitas konteks dipengaruhi olehproses chunking, yaitu pemecahan dokumen menjadi bagian-bagian kecil sebelum penyimpanan padavector database dan retrieval. Penelitian ini menganalisis tiga metode chunking, yaitu Element-BasedChunking, Max-Min Semantic Chunking, dan Recursive Chunking, pada 10 dokumen publikasi BadanPusat Statistik dengan 30 pasangan ground truth QA berbahasa Indonesia. Retrieval dievaluasimenggunakan Precision@k, Recall@k, Mean Reciprocal Rank (MRR), dan F1@k, sedangkangeneration dievaluasi menggunakan BLEU dan ROUGE-L pada Top-1 sampai Top-10. RecursiveChunking memperoleh rerata tertinggi pada Precision@k sebesar 0,169, MRR 0,419, F1@k 0,202, danBLEU 0,140. Max-Min Semantic Chunking memperoleh Recall@k tertinggi sebesar 0,412, sedangkanElement-Based Chunking memperoleh ROUGE-L tertinggi sebesar 0,683. Rerata agregat deskriptifdengan bobot sama terhadap enam metrik menghasilkan nilai tertinggi pada Recursive Chunking sebesar0,326, diikuti Element-Based Chunking 0,314 dan Max-Min Semantic Chunking 0,304 pada konfigurasieksperimen ini.]]>
Copyrights © 2026
