IMPLEMENTASI DAN EVALUASI PROMPT ENGINEERING PADA VISION OPENAI GPT-4O-MINI UNTUK MELAKUKAN EKSTRAKSI INFORMASI DALAM CURRICULUM VITAE (CV)

Ramadhani, Rangga Restu (2025) IMPLEMENTASI DAN EVALUASI PROMPT ENGINEERING PADA VISION OPENAI GPT-4O-MINI UNTUK MELAKUKAN EKSTRAKSI INFORMASI DALAM CURRICULUM VITAE (CV). Other thesis, UPN Veteran Yogyakarta.

	Text COVER.pdf Download (165kB)
	Text ABSTRAK.pdf Download (127kB)
	Text PENGESAHAN PEMBIMBING.pdf Download (210kB)
	Text DAFTAR ISI.pdf Download (174kB)
	Text DAFTAR PUSTAKA.pdf Download (183kB)
	Text SKRIPSI FULL_RANGGA RESTU RAMADHANI_123200124_INFORMATIKA.pdf Restricted to Repository staff only Download (3MB)

Abstract

Penelitian ini bertujuan untuk mengimplementasikan dan mengevaluasi teknik prompt engineering pada Vision OpenAI GPT-4o-Mini guna meningkatkan kemampuan ekstraksi informasi dalam Curriculum Vitae (CV). Dengan semakin berkembangnya kecerdasan buatan dalam pemrosesan bahasa alami dan visi komputer, diperlukan pendekatan yang efektif untuk mengoptimalkan kinerja model dalam memahami serta mengekstrak informasi dari dokumen semi-terstruktur seperti CV.

Dalam penelitian ini, pendekatan yang digunakan mencakup perancangan prompt optimal dengan tiga teknik utama, yaitu zero-shot, one-shot, dan few-shot prompting. Teknik-teknik ini diterapkan untuk mengarahkan model dalam memahami pola informasi yang terdapat dalam CV tanpa atau dengan contoh yang terbatas. Setelah perancangan prompt, model diuji pada dataset CV untuk mengukur efektivitasnya dalam mengekstrak informasi yang relevan. Evaluasi kinerja dilakukan berdasarkan metrik akurasi, precision, recall, dan f1-score guna memberikan gambaran menyeluruh mengenai seberapa baik model dalam mengenali serta mengekstrak data dari dokumen.

Hasil penelitian menunjukkan bahwa model mencapai akurasi sebesar 94,1%, dengan rata-rata precision sebesar 96,7%, recall sebesar 96,9%, dan f1-score sebesar 96,6%. Angka-angka ini menunjukkan bahwa penerapan prompt engineering mampu meningkatkan efektivitas model dalam ekstraksi informasi dari CV, dengan tingkat kesalahan yang relatif rendah.

Keunggulan utama dari penelitian ini terletak pada penerapannya terhadap teknik zero-shot, one-shot, dan few-shot prompting dalam Vision OpenAI GPT-4o-Mini untuk tugas ekstraksi informasi dalam CV, yang masih jarang dieksplorasi dalam studi sebelumnya. Temuan ini menggarisbawahi potensi model vision-language dalam menangani dokumen semi-terstruktur dan memberikan wawasan baru terkait strategi optimal dalam prompt engineering untuk meningkatkan kinerja model AI dalam pemrosesan dokumen.

Kata kunci: Prompt Engineering, Ekstraksi CV, GPT-4o-Mini, Shot-based Prompting

Item Type:	Thesis (Other)
Additional Information:	Rangga Restu Ramadhani (123200124) ; Wilis Kaswidjanti (Pembimbing)
Uncontrolled Keywords:	Prompt Engineering, Ekstraksi CV, GPT-4o-Mini, Shot-based Prompting
Subjects:	Q Science > QA Mathematics > QA75 Electronic computers. Computer science Q Science > QA Mathematics > QA76 Computer software
Divisions:	Faculty of Engineering, Science and Mathematics > School of Electronics and Computer Science
Depositing User:	Bayu Setya Pambudi
Date Deposited:	11 Apr 2025 02:47
Last Modified:	11 Apr 2025 02:47
URI:	http://eprints.upnyk.ac.id/id/eprint/42343

Actions (login required)

View Item