PERBANDINGAN PEMBANGKITAN KATA KUNCI PADA ABSTRAK ARTIKEL PENELITIAN MENGGUNAKAN T5 DAN KOMBINASI BART + BERT

Peningkatan jumlah publikasi ilmiah secara signifikan menimbulkan tantangan dalam pengambilan informasi dan manajemen metadata. Kata kunci berperan penting dalam proses pengindeksan, namun penetapannya secara manual masih bersifat inkonsisten dan memakan waktu. Penelitian ini mengkaji efektivitas model berbasis transformer—T5 dan kombinasi BART-BERT—untuk tugas pembangkitan kata kunci otomatis dari abstrak artikel ilmiah. Dengan menggunakan dataset berisi 100 artikel jurnal, kedua pendekatan dimodelkan dan dievaluasi berdasarkan akurasi, presisi, recall, skor F1, dan waktu proses. Model T5 yang dipadukan dengan filter BERT menghasilkan kata kunci paling presisi, mendekati kata kunci yang ditetapkan oleh penulis artikel, dengan skor ROUGE F1 sebesar 0,2533 dan Semantic F1 sebesar 0,5233. Sementara itu, BART yang dikombinasikan dengan filter Jaccard atau BERT menunjukkan relevansi semantik yang lebih tinggi terhadap isi abstrak secara keseluruhan, dengan Semantic F1 mencapai 0,7517. Temuan ini menunjukkan bahwa T5 lebih tepat digunakan untuk menghasilkan kata kunci eksplisit dan teknis, sedangkan BART lebih unggul dalam menangkap tema dan konteks secara menyeluruh. Pemilihan metode filtering juga memengaruhi hasil: BERT meningkatkan kualitas semantik, sementara Jaccard lebih baik dalam pencocokan leksikal. Hasil penelitian ini menekankan pentingnya pemilihan model dan strategi filtering berdasarkan tujuan penggunaan dalam sistem akademik.