Cara Merangkum PDF dengan AI (dan Tetap Mempertahankan Sitasi)

Bagian tersulit dari setiap alur kerja AI untuk merangkum PDF dengan sitasi adalah persoalan kepercayaan: ringkasannya biasanya terdengar baik, tetapi sitasi yang menempel padanya bisa jadi tidak nyata. Seorang kandidat PhD tahun kedua yang kami dampingi menemukan ini di tengah sebuah systematic review; saat itu terdapat 187 PDF yang antri, ketika ia menyadari ada masalah pada spreadsheet ringkasannya. Sekitar 60 entri mengutip artikel yang tidak muncul di PDF sumber. Alat yang ia gunakan, perangkum PDF gratis bergaya ChatGPT, secara lancar menghasilkan sitasi pendukung dari ingatan data pelatihan, lalu menempelkannya ke kalimat-kalimat ringkasan tanpa verifikasi bahwa artikel yang dikutip benar-benar ada di dokumen aktual. Sitasi “hantu” itu mungkin akan masuk ke tesisnya seandainya ia tidak melakukan pengecekan cepat terhadap sepuluh entri pertama. Pembersihannya memakan waktu dua minggu.

Mode kegagalan ini adalah risiko inti dari peringkasan PDF akademik dengan AI pada tahun 2026. Ringkasan itu sendiri biasanya akurat; sitasi yang melekat padanya sering kali tidak. Risikonya memiliki dua bentuk. Pertama adalah kelalaian: ringkasan meruntuhkan sebuah paragraf yang mengutip tiga sumber menjadi satu klaim tanpa atribusi, sehingga memutus rantai yang Anda perlukan untuk mempertahankan klaim tersebut di kemudian hari. Kedua adalah halusinasi: model menghasilkan sitasi yang terdengar fasih dari ingatan pelatihan yang tampak masuk akal, tetapi sebenarnya tidak muncul di PDF sumber. Keduanya mudah luput dan sulit dideteksi setelah kejadian.

Tulisan ini memaparkan alur kerja yang mencegah kedua mode kegagalan tersebut. Kami membahas mengapa perangkum PDF generik menghapus atau menghalusinasikan sitasi, empat jenis metadata yang seharusnya dipertahankan oleh ringkasan yang aman terhadap sitasi, alur kerja langkah demi langkah yang menghasilkan ringkasan yang dapat diverifikasi, seperti apa ringkasan yang benar-benar aman untuk sitasi, catatan singkat pemilihan alat, serta kegagalan umum yang seharusnya diketahui setiap peneliti untuk diwaspadai.

Bagaimana cara merangkum output sitasi PDF AI tanpa kehilangan referensi?

Pilih alat yang peka terhadap sitasi ketimbang peringkas generik: NotebookLM menautkan setiap kalimat ringkasan ke rentang sumber dalam PDF, sehingga sitasi halusinasi menjadi sulit secara arsitektural. Minta model untuk mempertahankan semua sitasi dalam teks dari sumber, sertakan nomor halaman tempat setiap klaim muncul, dan tandai inferensi secara eksplisit. Setelah itu, verifikasi sitasi pada tiga ringkasan pertama terhadap PDF sumber sebelum mempercayai sisa batch.

Mengapa perangkum PDF AI generik menghapus atau menghalusinasikan sitasi?

Alasan arsitekturalnya adalah yang sama persis yang kami bahas di posting tentang sitasi halusinasi untuk naskah lengkap: tokenizer LLM tidak memiliki status khusus untuk rentang sitasi. Ketika sebuah model merangkum PDF, ia membaca sumber sebagai rangkaian token lalu menghasilkan ringkasan yang mengaproksimasi isi. Sitasi dalam sumber ("(Smith, 2024)") adalah token seperti apa pun yang lain. Sitasi dalam output bisa berasal dari salah satu dari tiga tempat: disalin dari sumber (kondisi terbaik), diregenerasi dari ingatan (risiko halusinasi tinggi), atau dihilangkan sepenuhnya (kegagalan paling umum).

Tiga perilaku ini muncul secara berbeda pada berbagai alat. Ringkasan PDF default ChatGPT cenderung mempertahankan sitasi dalam teks ketika sitasi itu muncul dalam petikan pendek yang bersih; tetapi cenderung menghapus atau menuliskannya ulang di paragraf yang padat. Claude lebih konservatif dalam menghasilkan sitasi dari ingatan, tetapi tetap menghilangkan sebagian saat dokumen panjang. NotebookLM adalah yang terkuat karena menautkan setiap kalimat ringkasan ke rentang sumber dalam PDF, membuat halusinasi sulit secara arsitektural, bukan sekadar “tidak dianjurkan”. Scholarcy spesifik akademik dan dibangun untuk kebutuhan tersebut, namun granularitas ringkasannya kadang lebih kasar daripada kepadatan sitasi yang dibutuhkan.

Implikasi operasionalnya: pilihan alat lebih berpengaruh untuk peringkasan daripada untuk penerjemahan. LLM tujuan umum tanpa disiplin “anchoring” sitasi akan menghasilkan ringkasan yang fasih dan terdengar yakin, namun sebagian salah. Alat yang peka terhadap sitasi akan menghasilkan ringkasan yang kadang kurang elegan, tetapi konsisten dapat ditelusuri. Untuk ringkasan apa pun yang akan memengaruhi penulisan Anda, pilih yang kedua.

Empat jenis metadata yang dipertahankan oleh ringkasan yang aman terhadap sitasi

Tidak semua ringkasan memerlukan tingkat penanganan sitasi yang sama. Empat jenis metadata di bawah adalah pilihannya; pilih tingkat yang paling sesuai dengan kebutuhan Anda.

1. Sitasi dalam teks dari sumber. Ketika PDF sumber mengatakan "(Martinez & Chen, 2024) menemukan bahwa...", ringkasan yang aman terhadap sitasi mempertahankan atribusi tersebut di dalam ringkasan. Ringkasan tidak boleh meruntuhkan atribusi itu menjadi "para peneliti telah menemukan bahwa..." atau mengatribusikan klaim kepada penulis kertas, bukan kepada sumber yang dikutip. Sitasi dalam teks adalah rantai kembali ke bukti asli; jika hilang, rantai itu terputus.

2. Jangkar daftar referensi. Ringkasan seharusnya menyertakan metadata yang cukup tentang artikel sumber itu sendiri (penulis, tahun, jurnal, DOI) agar Anda dapat mengutipnya dengan benar dalam karya Anda tanpa harus membuka ulang PDF. Sebagian besar alat menangani ini secara sepele; mode kegagalannya terjadi ketika alat menghasilkan DOI atau tahun yang berbeda dari artikel yang sebenarnya, meski jarang, tetap layak diperiksa sekali per batch.

3. Jangkar halaman atau bagian. Kalimat ringkasan harus menaut kembali ke halaman atau bagian spesifik dari sumber tempat klaim tersebut muncul. NotebookLM melakukan ini secara native; Sharly AI menyediakan rujukan halaman; Claude dan ChatGPT tidak, kecuali Anda meminta mereka untuk menyertakan nomor halaman secara eksplisit. Jangkar halaman inilah yang memungkinkan Anda memverifikasi klaim saat menulis tanpa membaca ulang seluruh artikel.

4. Penanda tingkat keyakinan. Ringkasan yang membedakan "artikel mengatakan X" dari "saya menginferensikan artikel bermakna X" lebih berguna daripada ringkasan yang meratakan keduanya menjadi klaim yang sama. Beberapa alat (NotebookLM, Scholarcy) mempertahankan pembedaan ini; mayoritas alat berbasis LLM meratakannya. Perbaikannya ada di level prompt: minta model menandai inferensi yang tidak pasti secara eksplisit.

Ringkasan yang mempertahankan keempat jenis metadata memang membutuhkan waktu lebih lama untuk dihasilkan dan membaca lebih kurang elegan dibanding yang tidak. Namun, inilah satu-satunya jenis ringkasan yang aman untuk dikutip dalam tulisan Anda sendiri. Pertukarannya layak dilakukan untuk setiap sumber yang berencana Anda gunakan dalam karya Anda.

Bagaimana cara merangkum PDF akademik tanpa kehilangan sitasi?

Ada lima langkah. Alur kerja ini mengasumsikan Anda merangkum sekumpulan PDF untuk tujuan tinjauan pustaka atau systematic review; untuk satu artikel, lewati Langkah 1.

Langkah 1: Standarisasi PDF. Pastikan setiap PDF di batch Anda dapat diekstrak teksnya (bukan gambar hasil pemindaian). Jalankan OCR pada PDF yang dipindai (ABBYY FineReader, Adobe Acrobat Pro, atau pipeline Tesseract gratis). Kualitas peringkasan pada PDF hasil pindai tanpa OCR secara konsisten buruk; sitasi khususnya muncul sebagai rangkaian karakter acak. Langkah ini memakan waktu 10 hingga 30 detik per PDF.

Langkah 2: Pilih alat berdasarkan panjang dokumen dan kepadatan sitasi. Untuk satu artikel berukuran kurang dari 20 halaman dengan kepadatan sitasi normal (di bawah 60 referensi), rekomendasinya adalah Claude Sonnet melalui antarmuka unggah file. Untuk batch artikel yang diproses untuk tinjauan pustaka, di mana pelacakan rentang sumber sangat kritis; NotebookLM adalah rekomendasinya. Untuk systematic reviews saat Anda memerlukan ekstraksi data terstruktur (ukuran sampel, intervensi, luaran), rekomendasinya adalah Scholarcy atau prompt Claude khusus. Pemilihan alat lebih penting daripada engineering prompt untuk keamanan sitasi.

Langkah 3: Minta prompt secara eksplisit untuk keempat jenis metadata. Prompt generik "merangkum artikel ini" menghasilkan ringkasan yang menghapus sitasi. Template prompt yang kami gunakan:

Summarize this paper in 150-300 words. For every claim in the
summary:
1. Preserve any in-text citation from the source (e.g., "Smith
   (2024) found that...").
2. Include the page number where the claim appears.
3. Mark with [INFERENCE] any claim that is your inference rather
   than a direct statement in the paper.
4. At the end, list the paper's full citation in APA format and
   any methodology details (sample size, study design, primary
   outcome) that appear in the abstract or methods section.

Overhead prompt memang ada (~50 token), tetapi perbedaan kualitas outputnya bermakna. NotebookLM tidak perlu prompt ini karena arsitekturnya menangani langkah 1–3 secara otomatis; Claude dan ChatGPT sama-sama membaik secara signifikan dengan prompt tersebut.

Langkah 4: Verifikasi sitasi pada tiga ringkasan pertama sebelum mempercayai batch. Buka PDF sumber untuk tiga artikel pertama dan konfirmasikan bahwa setiap sitasi dalam teks di ringkasan benar-benar muncul di sumber. Jika Anda melihat sitasi dalam ringkasan yang tidak muncul di sumber, berarti alat tersebut sedang menghalusinasikan; ganti alat atau perketat prompt. Ini adalah pengecekan tunggal yang menangkap pola kegagalan systematic review yang kami buka di awal posting ini.

Langkah 5: Ekspor ke format terstruktur dengan metadata tetap utuh. Spreadsheet dengan satu baris per artikel dan kolom untuk (sitasi, ringkasan, referensi halaman, detail metodologi, catatan Anda) membuat ringkasan tetap dapat digunakan untuk penulisan lanjutan. Hindari ekspor teks bebas yang menghilangkan struktur “satu baris per artikel”. Alat yang mengekspor ke CSV atau BibTeX-with-notes lebih mudah diintegrasikan ke manajer referensi.

Alur kerja lengkap memakan waktu kira-kira lima sampai sepuluh menit per PDF, dengan sekitar 60 persen digunakan untuk pengecekan verifikasi (Langkah 4). Langkah verifikasi inilah yang membedakan ringkasan yang aman terhadap sitasi dari ringkasan yang fasih tetapi salah.

Seperti apa ringkasan yang benar-benar aman terhadap sitasi?

Untuk membuat standar empat metadata menjadi konkret, berikut contoh kertas yang sama dirangkum dengan dua cara.

Ringkasan tanpa perhatian sitasi (default ChatGPT generik):

This study examined the effects of a new intervention on cognitive
decline in older adults. The researchers found significant
improvements in working memory and processing speed. The
intervention was well-tolerated and showed promise for clinical
application. Future research should explore long-term effects.

Ringkasan ini fasih dan terdengar kompeten. Namun, ringkasan ini tidak berguna untuk tujuan sitasi. Klaim-klaimnya tidak memuat atribusi terhadap sumber asli yang dikutip oleh artikel tersebut. Framing "researchers found" meruntuhkan setiap sitasi internal menjadi satu suara. Tidak ada rujukan halaman untuk verifikasi. Jika Anda mencoba mengutipnya dalam karya Anda, Anda perlu membuka ulang PDF.

Ringkasan yang aman terhadap sitasi (gaya NotebookLM dengan prompt eksplisit):

Kowalski et al. (2024) examined the effects of a 12-week
cognitive-training intervention on working memory in adults aged
65-80 (n = 247) [p. 3]. The intervention produced significant
improvements in working memory (d = 0.42, p < .001) and processing
speed (d = 0.31, p = .003), replicating earlier findings from
Park and Liu (2021) [p. 8]. The intervention was well-tolerated
with no adverse events reported [p. 11]. The authors note that the
12-week duration may be insufficient to detect long-term effects,
and recommend a 24-month follow-up study [p. 14, discussion].
[INFERENCE: The effect sizes are moderate, which is consistent with
the cognitive-training literature reviewed in the introduction
(Park & Liu, 2021; Wei et al., 2023) but smaller than the original
training paradigms from the 1990s.]

Referensi lengkap: Kowalski, M., Singh, R., & Patel, A. (2024).
Pelatihan kognitif pada orang dewasa yang lebih tua: Uji coba acak terkontrol selama 12 minggu.
Journal of Cognitive Enhancement, 18(3), 234-251.
https://doi.org/10.1007/s41465-024-00345-x

Methodology: n = 247, ages 65-80, 12-week randomized controlled
trial, primary outcome working memory composite, secondary outcome
processing speed.

Ringkasan kedua sekitar dua kali lebih panjang. Ringkasan ini juga memungkinkan Anda menulis paragraf tinjauan pustaka yang mengutip artikel ini secara akurat tanpa membuka ulang PDF. Setiap sitasi dalam teks dari sumber dipertahankan. Referensi halaman dibuat eksplisit. Inferensinya ditandai. Referensi lengkapnya siap ditempel ke manajer referensi Anda.

Untuk setiap sumber yang akan Anda kutip dalam karya Anda sendiri, format kedua adalah standar minimum.

Pemilihan alat dalam satu paragraf

Postingan alur kerja tinjauan pustaka literatur AI yang lebih luas kami membahas kasus multi-artikel; versi singkat untuk pemilihan alat dalam peringkasan PDF yang aman untuk sitasi adalah: NotebookLM untuk ringkasan dengan penautan sitasi yang dapat ditelusuri (gratis, membutuhkan akun Google, terbaik untuk batch tinjauan pustaka); Claude Sonnet melalui unggah file untuk peringkasan sekali jalan dari satu PDF panjang (jendela konteks 200K menangani sebagian besar artikel jurnal dalam satu kali proses); Scholarcy untuk ekstraksi data terstruktur dalam systematic reviews (berbayar, tetapi output terstruktur menghemat jam); ChatPDF untuk percakapan Q&A terhadap satu PDF (bagus untuk kueri “apa yang dikatakan artikel ini tentang X?” selama membaca). Perangkum AI kami sendiri membungkus pola pemeliharaan sitasi dengan standar empat metadata dari atas. Hindari peringkas PDF generik gratis untuk sumber apa pun yang berencana Anda kutip; risiko halusinasi sitasi itu nyata.

Kegagalan umum dan cara menanggapinya

Ada lima mode kegagalan yang kami lihat di tinjauan pustaka yang kami audit. Masing-masing memiliki perbaikan spesifik.

Kegagalan 1: Sitasi pendukung yang dihalusinasikan. Ringkasan mengatribusikan suatu klaim kepada artikel yang tidak muncul di PDF sumber. Perbaikan: verifikasi tiga ringkasan pertama pada setiap batch terhadap PDF sumber. Jika sitasi halusinasi muncul, ganti alat (paling andal ke NotebookLM) atau perketat prompt agar mewajibkan jangkar rentang sumber.

Kegagalan 2: Atribusi yang runtuh. Ringkasan mengubah "Smith (2024) menemukan X, tetapi Jones (2023) menemukan Y" menjadi "para peneliti telah menemukan hasil yang beragam." Perbaikan: minta prompt secara eksplisit untuk mempertahankan sitasi dalam teks; pilih alat yang menangani ini secara native (NotebookLM, Scholarcy).

Kegagalan 3: Detail metodologi yang keliru. Ringkasan melaporkan ukuran sampel, desain studi, atau luaran utama yang tidak sesuai dengan artikel sebenarnya. Ini lebih jarang daripada halusinasi sitasi, tetapi lebih berdampak bila terjadi. Perbaikan: masukkan "extract methodology details verbatim from the methods section" dalam prompt; verifikasi batch pertama.

Kegagalan 4: Regenerasi abstrak generik. "Ringkasan" pada dasarnya adalah penulisan ulang abstrak artikel tanpa informasi tambahan dari bagian tubuh. Berguna untuk gambaran cepat, tetapi tidak berguna untuk tinjauan pustaka yang membutuhkan metodologi, hasil, dan keterbatasan dari tubuh artikel. Perbaikan: minta secara spesifik untuk konten tubuh; verifikasi dengan pengecekan cepat terhadap bagian di luar abstrak.

Kegagalan 5: Perubahan format sitasi. Ringkasan mempertahankan konten sitasi tetapi dalam format yang berbeda dari sumber (dari bentuk tanda kurung menjadi naratif, atau sebaliknya). Kurang berdampak dibanding empat kegagalan pertama, tetapi tetap layak ditangkap. Perbaikan: minta prompt untuk mempertahankan format sitasi asli; pusat panduan format sitasi membahas format-format kanonik jika Anda perlu menormalkan setelahnya.

Alur kerja yang lebih luas untuk peringkasan artikel di luar sudut pemeliharaan sitasi dibahas dalam posting cara merangkum artikel penelitian dengan AI; posting ini adalah ekstensi khusus PDF dan keamanan sitasi dari alur kerja tersebut.

Pertanyaan yang sering diajukan

Q: Alat AI mana yang terbaik untuk merangkum PDF akademik pada tahun 2026?

Alat yang tepat bergantung pada kebutuhan. Untuk tinjauan pustaka dengan pemrosesan batch PDF di mana pelacakan sitasi paling penting, NotebookLM adalah yang terkuat. Untuk artikel tunggal yang panjang (hingga ~500 halaman), Claude Sonnet melalui unggah file menggunakan jendela konteks 200K dalam satu kali proses. Untuk systematic reviews yang memerlukan ekstraksi data terstruktur, Scholarcy dibangun khusus untuk tujuan itu. Untuk percakapan Q&A terhadap satu PDF saat membaca, ChatPDF adalah yang tercepat. Hindari peringkas PDF generik gratis untuk sumber yang berencana Anda kutip; risiko halusinasi sitasi adalah mode kegagalan utama untuk penggunaan akademik.

Q: Apakah ChatGPT akan menghalusinasikan sitasi ketika merangkum PDF saya?

Bisa, terutama pada bagian yang padat atau ketika prompt meminta sitasi secara eksplisit tanpa mengaitkannya ke rentang sumber. Rekomendasi kami adalah jangan pernah meminta LLM untuk "generate citations" dari sumber; sebagai gantinya, minta model untuk "preserve any in-text citations that appear in the source" dan "include page numbers where each claim appears." Ini mengaitkan pekerjaan sitasi ke verifikasi rentang sumber, bukan ke ingatan data pelatihan model.

Q: Bagaimana cara merangkum tesis 60.000 kata dengan AI?

Gunakan alat dengan dukungan long-context: Claude Sonnet (200K token mencakup tesis tipikal dalam satu kali proses) atau NotebookLM (yang memotong secara otomatis dan menjaga konsistensi lintas bagian). Rangkuman sebaiknya dibuat per bab, bukan merangkum seluruh tesis sekaligus; ringkasan per bab lebih berguna untuk penulisan bagian tinjauan pustaka Anda sendiri, dan pemotongan memberi titik pemeriksaan yang bisa ditinjau. Hindari GPT-5 untuk sekali lintas seluruh tesis; konteks 128K cukup untuk sebagian besar bab, tetapi terasa tidak nyaman untuk seluruh dokumen.

Q: Bisakah saya mengutip ringkasan PDF yang dibuat oleh AI di paper saya sendiri?

Anda mengutip artikel aslinya, bukan ringkasannya. Ringkasan adalah alat yang membantu Anda membaca dan mengingat sumber; sitasi ditujukan ke sumber itu sendiri. Jika ringkasan membantu Anda merumuskan sebuah wawasan, wawasan itu milik Anda; sitasinya adalah ke artikel apa pun yang mendukung wawasan tersebut. Untuk pembahasan lebih luas tentang pengungkapan penggunaan alat AI dalam naskah, lihat panduan pengungkapan AI kami, yang merupakan posting pendamping terdekat dalam klaster tersebut.

Q: Bagaimana cara mengekstrak data terstruktur dari sebuah PDF untuk systematic review?

Gunakan alat dengan kemampuan output terstruktur: Scholarcy untuk ekstraksi yang memang dibangun khusus (ukuran sampel, intervensi, luaran, kesimpulan sebagai bidang bernama) atau prompt Claude yang meminta bidang yang sama dalam format JSON atau CSV. Output terstruktur selalu harus diverifikasi terhadap PDF sumber untuk setidaknya sepuluh artikel pertama dalam batch Anda; alat ekstraksi terstruktur lebih andal daripada ringkasan naratif, tetapi tetap menghasilkan kesalahan bidang yang salah pada kisaran tingkat sekitar 5–10 persen dalam pengujian editorial kami.