Penerapan Large Language Model Gemini dalam Teknik Ekstraksi Relasi pada Artikel Media Pemilihan Anggota Dewan Perwakilan Rakyat Jepang Tahun 2024

Oleh :
Alvin Rajendra Rabani - M0721004 - Fak. MIPA

Penelitian ini membahas penerapan model Large Language Model (LLM) Gemini dalam tugas ekstraksi relasi berbasis artikel berita politik dengan studi kasus pada Pemilihan Anggota Dewan Perwakilan Rakyat Jepang tahun 2024. Ekstraksi relasi merupakan proses untuk mengidentifikasi hubungan antara dua entitas dalam teks. Seiring semakin cepatnya data berkembang pada saat ini di media, model seperti Support Vector Machine (SVM), Long-short Term Memory (LSTM), dan Bidirectional Encoder Representations from Transformers (BERT) memiliki keterbatasan dalam beradaptasi terhadap data baru. Oleh karena itu, penelitian ini mengevaluasi kemampuan Gemini dalam mengklasifikasikan hubungan antar partai politik menggunakan metode zero-shot, one-shot, dan few-shot prompting tanpa pelatihan ulang. Data diperoleh dari tiga media utama Jepang: Asahi Shimbun, Mainichi Shimbun, dan Yomiuri Shimbun, dan dievaluasi menggunakan metrik confusion matrix terhadap data berlabel dari sumber resmi pemerintah. Hasil evaluasi menunjukkan bahwa metode zero-shot memberikan performa terbaik dengan F1-Score sebesar 54%, diikuti oleh few-shot (47%) dan one-shot (45%). Meskipun belum melampaui model yang telah ada, Gemini menunjukkan potensi untuk diterapkan pada data yang bersifat dinamis dan minim pelabelan manual.