TY  - THES
M1  - other
ID  - repoupi137406
KW  - Fine-tuning
KW  -  Laporan Tahunan
KW  -  Large Language Model
KW  -  LoRA
KW  - 
Peringkasan Teks Otomatis.

Annual Report
KW  -  Automatic Text Summarization
KW  -  Fine-tuning
KW  -  Large Language Model
KW  -  LoRA.
N1  - https://scholar.google.com/citations?user=o4wm3aIAAAAJ&hl=en

 ID SINTA Dosen Pembimbing:
Yudi Wibisono: 260167
Eddy Prasetyo Nugroho: 5990993
TI  - PENGEMBANGAN SISTEM PERINGKASAN OTOMATIS
BERBASIS LARGE LANGUAGE MODELS UNTUK
DOKUMEN LAPORAN TAHUNAN PERUSAHAAN TERBUKA
Y1  - 2025/08/28/
AV  - restricted
UR  - https://repository.upi.edu/
A1  - Muhammad Rizki, -
A1  - Yudi Wibisono, -
A1  - Eddy Prasetyo Nugroho, -
N2  - Penelitian ini bertujuan untuk mengembangkan sistem peringkasan otomatis laporan tahunan perusahaan yang terdaftar di Bursa Efek Indonesia (BEI) guna mendukung proses analisis fundamental oleh investor. Dataset peringkasan disusun dari bagian-bagian naratif laporan tahunan yang telah diekstraksi dan dianotasi, kemudian digunakan untuk melakukan fine-tuning terhadap Large Language Model (LLM) LLaMA 3.2-3B dengan metode Low-Rank Adaptation (LoRA). Evaluasi kuantitatif menggunakan metrik ROUGE dan BERTScore menunjukkan bahwa model hasil fine-tuning mengalami peningkatan performa signifikan dibandingkan model dasar, dengan skor ROUGE-1 sebesar 0.5624, ROUGE-2 sebesar 0.2714, ROUGE-L sebesar 0.3841, dan BERTScore F1 sebesar 0.9105. Selain itu, model ini juga melampaui performa model generalis dengan ukuran yang lebih besar, Mistral 7B. Luaran akhir penelitian adalah aplikasi berbasis web yang mampu menerima dokumen laporan tahunan dalam format PDF dan menghasilkan ringkasan naratif secara otomatis. This study aims to develop an automatic summarization system for the annual reports of companies listed on the Indonesia Stock Exchange (IDX) to support investors in conducting fundamental analysis. The summarization dataset was compiled from the narrative sections of annual reports that had been extracted and annotated, and subsequently used to fine-tune the LLaMA 3.2-3B Large Language Model (LLM) using the Low-Rank Adaptation (LoRA) method. Quantitative evaluation using ROUGE and BERTScore metrics shows that the fine-tuned model achieved a significant performance improvement over its base model, attaining ROUGE-1 of 0.5624, ROUGE-2 of 0.2714, ROUGE-L of 0.3841, and BERTScore F1 of 0.9105. Furthermore, the model outperformed a larger generalist model, Mistral 7B. The final outcome of this research is a web-based application capable of accepting annual report documents in PDF format and automatically generating narrative summaries.
PB  - Universitas Pendidikan Indonesia
ER  -