RANCANG BANGUN SISTEM OTOMATISASI PEMBUATAN README.MD PADA REPOSITORY GITHUB MENGGUNAKAN TEKNOLOGI LARGE LANGUAGE MODEL

Muhammad Zhafran Hana Alfarossi, NIM.: 22106050061 (2026) RANCANG BANGUN SISTEM OTOMATISASI PEMBUATAN README.MD PADA REPOSITORY GITHUB MENGGUNAKAN TEKNOLOGI LARGE LANGUAGE MODEL. Skripsi thesis, UIN SUNAN KALIJAGA YOGYAKARTA.

Preview	Text (RANCANG BANGUN SISTEM OTOMATISASI PEMBUATAN README.MD PADA REPOSITORY GITHUB MENGGUNAKAN TEKNOLOGI LARGE LANGUAGE MODEL) 22106050061_BAB-I_IV-atau-V_DAFTAR-PUSTAKA.pdf - Published Version Download (1MB) | Preview
	Text (RANCANG BANGUN SISTEM OTOMATISASI PEMBUATAN README.MD PADA REPOSITORY GITHUB MENGGUNAKAN TEKNOLOGI LARGE LANGUAGE MODEL) 22106050061_BAB-II_sampai_SEBELUM-BAB-TERAKHIR.pdf - Published Version Restricted to Registered users only Download (7MB) | Request a copy

Abstract

README.md merupakan komponen dokumentasi penting dalam repositori GitHub yang berperan dalam meningkatkan keterbacaan dan popularitas proyek perangkat lunak. Namun, hasil survei terhadap 50 responden menunjukkan bahwa hanya 12% responden yang selalu membuat README.md, dengan hambatan utama berupa keterbatasan waktu, fokus pada pengembangan fitur, dan kurangnya pemahaman mengenai format dokumentasi yang baik. Penelitian ini bertujuan merancang dan membangun sistem berbasis web untuk mengotomatisasi pembuatan README.md pada repositori GitHub publik menggunakan teknologi Large Language Model (LLM), serta mengevaluasi tingkat penerimaan pengguna menggunakan kerangka AI Acceptance Model (AIM). Sistem dikembangkan menggunakan metode Prototyping secara iteratif dalam dua siklus. Pendekatan Structural Contextualization diterapkan melalui pemetaan struktur direktori dan ekstraksi metadata konfigurasi penting menggunakan GitHub REST API untuk memitigasi risiko halusinasi AI. Proses generasi dokumentasi dilakukan menggunakan Google Gemini 2.5 Flash dengan teknik prompt engineering. Evaluasi dilakukan melalui dua tahap User Acceptance Testing (UAT) dengan total 77 responden. Hasil penelitian menunjukkan bahwa sistem berhasil dibangun dan mampu menghasilkan README.md secara otomatis dengan lebih efisien. UAT iterasi kedua menunjukkan peningkatan pada seluruh dimensi AIM dengan nilai Cronbach’s Alpha sebesar 0,8205. Penelitian ini menawarkan arsitektur singleagent berbasis Context-Augmented Generation (CAG) yang lebih ringan tanpa memerlukan basis data vektor maupun infrastruktur agen kompleks. Kata kunci: README.md, GitHub, Large Language Model, otomatisasi dokumentasi, AI Acceptance Model, Context-Augmented Generation.

Share this knowledge with your friends :

Actions (login required)

View Item