Dengan semakin meningkatnya kuantitas interaksi antara manusia dan mesin di
zaman modern ini, kebutuhan akan sistem question answering juga dirasakan untuk
meningkatkan kualitas interaksi tersebut. Salah satu cabang penelitian sistem
question answering adalah reading comprehension di mana sistem harus dapat
menentukan jawaban yang benar dari dokumen yang diberikan dan dapat
mengetahui ketika jika tidak ada jawaban dalam dokumen tersebut. ELECTRA
adalah state-of-the-art pada SQuAD 2.0. Namun penelitian ini masih dapat
dikembangkan lebih lanjut karena ELECTRA pada dataset dev SQuAD 2.0 masih
membuat 1.287 jawaban kesalahan dalam menentukan apakah pertanyaan tersebut
answerable atau unanswerable. Studi ini mengusulkan modifikasi ELECTRA
dalam melakukan verifikasi jawaban dengan menambahkan parameter similarity.
Sentence-BERT yang merupakan state-of-the-art dalam sentence embedding
digunakan untuk mendapatkan nilai sentence similarity antara context pada dataset
dan prediksi yang telah diubah menjadi kalimat deklaratif dengan menggunakan
metode rule-based. Berdasarkan hasil eksperimen, model yang diusulkan dapat
meningkatkan exact match dan skor F1 dari ELECTRA.