Tim peneliti 51动漫 (UNAIR) mengembangkan pendekatan kecerdasan buatan untuk membantu proses katalogisasi perpustakaan, khususnya dalam penentuan subject heading atau tajuk subjek. Dalam praktik perpustakaan, tajuk subjek sangat penting karena membantu pengguna menemukan buku berdasarkan topik. Namun, proses penentuan tajuk subjek secara manual memerlukan waktu, ketelitian, dan keahlian yang tinggi, serta dapat menghasilkan perbedaan antar kataloger. Melalui riset ini, tim UNAIR menunjukkan bahwa AI dapat digunakan sebagai alat bantu yang praktis untuk memberikan usulan tajuk subjek secara lebih cepat, sambil tetap mempertahankan peran pustakawan sebagai pengambil keputusan akhir.
Penelitian ini memformulasikan penentuan tajuk subjek sebagai tugas multi-label text classification, yaitu satu judul buku dapat memiliki lebih dari satu subjek sekaligus. Untuk itu, tim memanfaatkan metadata terbuka dari Project Gutenberg dan membangun dataset yang sistematis dari puluhan ribu judul buku. Dari 76.518 data awal, penelitian memfokuskan analisis pada 60.813 data berbahasa Inggris, lalu menyaringnya menjadi 35.383 rekaman yang layak dimodelkan dengan 748 label subjek. Dataset ini kemudian dibagi secara hati-hati ke data latih, validasi, dan uji agar pola kemunculan subjek tetap terjaga dan hasil evaluasi lebih dapat dipercaya.
Dua pendekatan dibandingkan dalam studi ini. Pendekatan pertama adalah metode berbasis TF-IDF dan classifier linear, yang relatif transparan dan cepat, sebagai baseline. Pendekatan kedua adalah DistilBERT, yaitu model Transformer yang lebih ringkas tetapi tetap kuat untuk memahami konteks bahasa. Hasil pengujian menunjukkan bahwa DistilBERT memberikan performa yang lebih baik dibandingkan pendekatan baseline. Model ini mencapai micro-F1 0,4458 dan macro-F1 0,4181, melampaui baseline TF-IDF yang memperoleh 0,4240 dan 0,3429. DistilBERT juga unggul pada Jaccard similarity, serta pada kualitas saran subjek teratas seperti Precision@1 dan Recall@1. Temuan ini menunjukkan bahwa model Transformer yang relatif ringan pun sudah cukup layak digunakan untuk membantu tugas katalogisasi berbasis judul saja.
Yang menarik, penelitian ini tidak diarahkan untuk menggantikan pustakawan, melainkan untuk mendukung alur kerja manusia. Sistem dirancang agar menghasilkan daftar saran subjek yang disertai skor keyakinan, sehingga pustakawan dapat menerima, mengubah, atau menolak usulan tersebut. Pendekatan seperti ini penting karena masih ada kesalahan khas yang muncul, misalnya subjek yang terlalu umum, sinonim yang belum tertangkap dengan baik, atau hubungan antarsubjek yang terlewat. Karena itu, AI dalam penelitian ini diposisikan sebagai decision-support tool yang mempercepat kerja sekaligus menjaga kualitas katalog.
Bagi dunia perpustakaan, hasil penelitian ini membuka peluang besar untuk meningkatkan efisiensi pengolahan koleksi, terutama ketika jumlah judul terus bertambah dan sumber daya kataloger terbatas. Pendekatan ini juga relevan untuk perpustakaan digital, repositori institusi, dan sistem temu kembali informasi yang membutuhkan penandaan subjek secara lebih konsisten. Dengan beban komputasi yang masih tergolong ringan dan hasil yang cukup stabil, model seperti DistilBERT dapat menjadi langkah realistis menuju katalogisasi yang lebih cerdas dan terukur.
Artikel ini berjudul 淢ulti-Label Transformer Models for Subject Heading Assignment in Library Cataloging dan ditulis oleh Zulfatun Sofiyani, Faisal Fahmi, dan Fenny Nur Aprillia, Yunus Abdul Halim, Rizqon Fajar. Penelitian ini menegaskan bahwa kombinasi antara keahlian pustakawan dan kecerdasan buatan dapat menjadi fondasi penting bagi masa depan layanan informasi yang lebih cepat, akurat, dan responsif terhadap kebutuhan pengguna.
