Skripsi
EKSTRAKSI FRASA KUNCI UNSUPERVISED MDERANK ARSITEKTUR MULTI-SKOR DAN FUSI PERINGKAT (MUSE-RANK)
Pertumbuhan eksponensial publikasi ilmiah menuntut adanya sistem temu kembali informasi yang efisien. Ekstraksi Frasa Kunci memegang peran fundamental dalam meringkas isi dokumen untuk keperluan pengindeksan dan peringkasan. Metode unsupervised berbasis embedding yang ada saat ini, seperti MDERank, memanfaatkan perturbasi semantik untuk mengidentifikasi frasa kunci namun sering kali mengabaikan sinyal lokal yang krusial, khususnya keselarasan tema dengan judul dan prioritas posisi kemunculan frasa. Untuk mengatasi keterbatasan tersebut, penelitian ini mengusulkan MuSe-Rank (Multi-Score Enhanced Ranking), sebuah arsitektur unsupervised baru yang mengintegrasikan tiga dimensi relevansi: Skor Semantik Global (turunan MDERank), Skor Tema (kemiripan judul), dan Skor Posisi. Sistem ini memanfaatkan SciBERT untuk representasi vektor spesifik domain dan menggunakan Reciprocal Rank Fusion untuk menggabungkan sinyal-sinyal tersebut menjadi peringkat akhir yang robust tanpa memerlukan data latih. Eksperimen yang dilakukan pada dataset INSPEC menunjukkan bahwa MuSe-Rank secara konsisten mengungguli baseline MDERank pada seluruh metrik evaluasi. Secara spesifik, model mencatatkan peningkatan kinerja signifikan dengan kenaikan F1-score sebesar +0,043 pada Top 5 dan mencapai stabilitas terbaik sebesar 0,355 pada Top-15. Hasil ini mengonfirmasi bahwa fusi sinyal semantik global dengan konteks struktural dan tematik secara signifikan meningkatkan akurasi dan cakupan ekstraksi frasa kunci pada dokumen ilmiah.
Kata Kunci : Ekstraksi Frasa Kunci, Unsupervised Learning, MDERank, Fusi Peringkat.