Jumlah publikasi karya ilmiah terus meningkat 2,6 hingga 3 juta artikel per tahun, yang menciptakan tantangan besar dalam proses otomatisasi pengelompokan dan klasifikasi bidang ilmu. Tantangan ini semakin kompleks ketika distribusi data antar kelas tidak seimbang. Untuk mengatasi hal ini, penelitian ini menggabungkan dua pendekatan yaitu Conditional Generative Adversarial Network (cGAN) dan Bidirectional Encoder Representations from Transformers (BERT). Model cGAN dimanfaatkan untuk menciptakan data sintetis bagi kelas minoritas, sementara BERT digunakan untuk klasifikasi berbasis pemahaman konteks. Data hasil sintesis kemudian digabung dengan data asli dan diuji menggunakan metrik seperti akurasi, presisi, recall, dan F1-score. Hasilnya, metode ini mampu mencapai akurasi hingga 87% serta memperbaiki keseimbangan distribusi prediksi antar bidang ilmu. Pendekatan cGAN-BERT ini diharapkan efektif dalam mengatasi masalah data tidak seimbang dan memiliki potensi besar untuk diterapkan pada sistem klasifikasi otomatis artikel ilmiah.
Kata Kunci : Augmentasi Data, cGAN, BERT, Klasifikasi bidang ilmu, Artikel ilmiah