Library Automation and Digital Archive
LONTAR
Fakultas Ilmu KomputerUniversitas Indonesia
| Call Number | SK-2505 (Softcopy SK-1987) |
| Collection Type | Skripsi |
| Title | Mega Frog Multi Agent Enhanced Generation and Adaptation Frramework of Open Graphrag |
| Author | Christopher Nathanael Wijaya/ Febrian Dwi Kimhan/ Muflih Naufal Maxi; |
| Publisher | Depok: Fasilkom UI, 2025 |
| Subject | Knowledge Graphs |
| Location | FASILKOM-UI; |
| Nomor Panggil | ID Koleksi | Status |
|---|---|---|
| SK-2505 (Softcopy SK-1987) | TERSEDIA |
Nama Penulis1/ProgramStudi:ChristopherNathanaelWijaya/IlmuKomputer Nama Penulis2/ProgramStudi:FebrianDwiKimhan/IlmuKomputer Nama Penulis3/ProgramStudi:MuflihNaufalMaxi/IlmuKomputer Judul :MEGA-FrOG:Multi-AgentEnhancedGener- ation andAdaptationFrameworkofOpen GraphRAG Pembimbing :Dr.rer.nat.FarizDarari,S.Kom.,M.Sc. Dr.techn.FajarJuangEkaputra,S.T.,M.T. Munculnya largelanguagemodels (LLMs) telahmemajukanaplikasi information retrieval, tetapitantangansepertikesulitanpembaruanpengetahuan,halusinasi,dan kurangnyatransparansimasihmenjadipermasalahan.Meskipun GraphRetrieval- AugmentedGeneration (GraphRAG)mengatasibeberapamasalah,kerangkakerja GraphRAGyangadamengalamiketerbatasandalamkemampuanekstraksientitas,tidak adanyapelatihan(training) modelkhusus,danpembangkitandataset NaturalLanguage to SPARQL (NL2SPARQL)yangterbatas.PenelitianinimemperkenalkanMEGA-FrOG (Multi-AgentEnhancedGenerationandAdaptationFrameworkofOpenGraphRAG), sebuahsistemyangditingkatkanuntukmengatasiketerbatasantersebutmelaluitiga perbaikan utama:pembuatandatasetkomprehensifmenggunakanpendekatanberbasis templat dan random-walk, fine-tuning model khususmenggunakanteknikQLoRApada dataset NL2SPARQL,danpembaruanarsitektur multi-agent menggunakan LangGraph denganpenggunaan routing dan pemilihanstrategiadaptif. Pipeline yang ditingkatkan mengintegrasikantranslasi,ekstraksientitas,pemilihanstrategi,verbalisasi,pembu- atan kueriSPARQL,danpembangkitanjawabandenganmekanisme fallback yang lebih adaptif.Sistemdievaluasipadaempatgrafpengetahuan:Wikidata,Curriculum KG, LegalKG,danGESISKG,mencapaisimilaritasJaccardmasing-masing0,318, 0,713, 0,487,dan0,546untukmodeldenganperformaterbaik.Analisiskomprehensif mengungkapkan bahwa fine-tuning model khususmemberikanpeningkatanperforma yang palingsignifikan,denganpembangkitandatasetberbasistemplatsecarakonsisten mengungguli pendekatan random-walk di semuadomaingrafpengetahuan