Perpustakaan Digital ITB

Komposisi layanan web bergaya REST sebagian besar masih dilakukan secara manual karena dokumentasi layanan bersifat heterogen dan tidak selalu menyediakan deskripsi semantik yang lengkap. Pendekatan komposisi layanan otomatis yang sudah ada umumnya mengasumsikan ketersediaan deskripsi formal yang kaya dan terstruktur, padahal asumsi tersebut sulit dipenuhi dalam praktik nyata. Oleh karena itu, muncul pertanyaan mengenai tingkat kelengkapan deskripsi layanan yang diperlukan agar komposisi layanan yang valid tetap dapat dihasilkan. Penelitian ini mengembangkan sistem perencanaan komposisi layanan berbasis large language model (LLM) dengan retrieval-augmented generation (RAG). Sistem yang terdiri dari basis pengetahuan, modul retrieval, dan mesin komposisi berbasis LLM dirancang dan diimplementasikan untuk menghasilkan urutan endpoint dalam format JSON. Untuk mengkaji pengaruh kelengkapan deskripsi, disusun lima tingkat deskripsi semantik, dari yang paling lengkap dan terstruktur hingga klausa fungsi yang paling ringkas. Evaluasi dilakukan menggunakan 57 skenario Spotify dan 100 skenario TMDB dari dataset RestBench. Setelah deskripsi endpoint dan data acuan diselaraskan dengan spesifikasi OpenAPI yang disediakan RestBench, dua eksperimen Spotify yang dilakukan menghasilkan F1-score rata-rata 0,760 dan 0,751, sedangkan eksperimen TMDB menghasilkan F1-score rata-rata 0,681. Hasil ini menunjukkan bahwa penyederhanaan deskripsi layanan tidak selalu menurunkan kinerja secara monoton: tingkat 1-3 tetap kompetitif, tingkat 4 kompetitif pada Spotify, sedangkan tingkat 5 berbeda jauh dengan tingkat-tingkat sebelumnya karena kehilangan informasi penting. Analisis lanjutan terhadap kesalahan menunjukkan bahwa kegagalan utama berasal dari penghilangan endpoint pencarian atau pengambilan data yang menjadi prasyarat implisit, terutama pada rantai komposisi yang panjang. Kesimpulan dari penelitian ini adalah deskripsi semantik yang disederhanakan dapat digunakan untuk perencanaan komposisi berbasis LLM dan RAG, tetapi inferensi dependensi data implisit serta kepatuhan format keluaran masih perlu ditingkatkan sebelum sistem digunakan untuk orkestrasi di dunia nyata.