Penelitian ini memanfaatkan GROBID (GeneRation Of BIbliographic Data) untuk mengekstraksi metadata artikel ilmiah guna menghitung faktor dampak jurnal. Dua model full-text GROBID dibandingkan: (1) model default dengan parameter dan dataset bawaan, serta (2) model tuning yang dioptimalkan melalui penyesuaian parameter dan penyeimbangan dataset. Hasil pelatihan menunjukkan model tuning memiliki performa lebih baik dalam ekstraksi metadata. Model ini kemudian digunakan untuk mengekstraksi seluruh artikel, dan sebanyak 30 sampel acak dari hasil ekstraksi dievaluasi menggunakan MAPE (Mean Absolute Percentage Error), menghasilkan nilai error 0,24% yang mengindikasikan akurasi tinggi. Metadata yang terekstrak (jumlah sitasi dan publikasi) diproses untuk menghitung Impact Factor (IF) jurnal. Analisis tahun 2024 menunjukkan perbedaan IF signifikan: IAES International Journal of Artificial Intelligence (IJ-AI) mencatat IF tertinggi (0,5605; 250 sitasi/446 publikasi), diikuti International Journal of Power Electronics and Drive Systems (IJPEDS) (0,5254; 383 sitasi/729 publikasi), sementara Computer Science and Information Technologies memiliki IF terendah (0,0580; 4 sitasi/69 publikasi). Perbedaan ini merefleksikan variasi produktivitas dan pengaruh antarbidang ilmu, dengan jurnal spesialis seperti kecerdasan buatan cenderung lebih berdampak.
Kata kunci : GROBID,Ekstraksi metadata.Tuning parameter ,Faktor dampak,