SAPUTRA, Rahman Hanif Aji (2026) Analisis Perbandingan Prompt Engineering Pada Peringkasan Abstraktif Dokumen Regulasi Kelapa Sawit Menggunakan Large Language Models. Undergraduate thesis, UNDIP: Fakultas Sains dan Matematika.

	Archive (FULL TEXT) Rahman Hanif Aji Saputra - 24060122140128.zip Restricted to Repository staff only Download (6MB) | Request a copy
	Text 1. COVER.pdf Download (115kB)
	Text 3. HALAMAN PENGESAHAN.pdf Download (495kB)
	Text 4. KATA PENGANTAR.pdf Download (593kB)
	Text 5. ABSTRAK.pdf Download (249kB)
	Text 6. ABSTRACT.pdf Download (248kB)
	Text 7. DAFTAR ISI.pdf Download (464kB)
	Text 10. BAB I PENDAHULUAN.pdf Download (309kB)
	Text 15. DAFTAR PUSTAKA.pdf Download (215kB)

Abstract

Dokumen regulasi kelapa sawit Indonesia memiliki struktur teks yang panjang dan sarat
terminologi hukum terminologi hukum, sehingga menyulitkan pemangku kepentingan
memahami substansinya secara efisien. Penelitian ini mengeksplorasi efektivitas strategi
prompt engineering pada peringkasan abstraktif regulasi kelapa sawit menggunakan dua
Large Language Model (LLM), yaitu GPT-5.4-mini dan Llama 3.1:8B, terhadap 157
dokumen regulasi. Eksperimen mengombinasikan tiga strategi prompting (zero-shot, one
shot, few-shot) dengan empat varian context configuration yang dibentuk dari kombinasi dua
komponen, yaitu persona dan domain knowledge (general sebagai baseline, persona,
domain knowledge, dan domain knowledge + persona), menghasilkan 24 skenario dan 3.768
ringkasan yang dievaluasi menggunakan BERTScore, BLEU, ROUGE-L, dan METEOR.
Hasil menunjukkan bahwa zero-shot mendominasi tiga dari empat metrik (BLEU 0,1469,
ROUGE-L 0,3267, BERTScore 0,7571), karena penambahan contoh pada one-shot dan few
shot berpotensi memicu overprompting terhadap gaya bahasa dokumen contoh. Konfigurasi
persona terbukti terbaik pada semua metrik, sementara domain knowledge justru menekan
performa akibat beban konteks yang berlebih. GPT-5.4-mini mengungguli Llama 3.1:8B
pada seluruh metrik, dengan kesenjangan terbesar pada METEOR (0,4279 vs. 0,2835).
Secara keseluruhan, kombinasi zero-shot persona GPT-5.4-mini menjadi konfigurasi terbaik
dengan BERTScore 0,7847, BLEU 0,1786, dan ROUGE-L 0,3675.
Kata Kunci: Abstractive Summarization, Prompt Engineering, Large Language Model.

(NO. KETERSEDIAAN : 1723/F/2026)

Actions (login required)

View Item