Automatic Text Summarization Menggunakan Metode Graph dan Metode Ant Colony Optimization
Abstrak
Banyak dokumen yang dibagikan di Internet setiap harinya. Tidak semua teks dalam sebuah dokumen adalah informasi yang penting. Untuk mencari informasi dari dokumen yang banyak digunakan metode Information Retreival (IR). Penelitian di bidang Information Retreival (IR) sudah dilakukan sejak tahun 1950-an. Sistem temu kembali dokumen adalah sistem yang dapat mencari dokumen berdasarkan kata kunci, namun sistem temu kembali dokumen akan menemui kendala jika harus mencari informasi spesifik dari dokumen yang jumlahnya banyak dengan jumlah teks penyusun dokumen yang jumlahnya tidak sedikit. Automatic Text Summarization ini menggabungkan dua metode yaitu metode graph dan metode ant colony optimization serta menggunakan empat fitur kalimat. Empat fitur kalimat yang digunakan yaitu : kemiripan antar-kalimat, kalimat yang menyerupai judul dokumen TF-ISF dan TF-IDF. Pengujian yang dilakukan meliputi : pengujian hasil ringkasan sistem dengan hasil ringkasan manual mendapatkan hasil 76.3%, pengujian hasil ringkasan sistem dengan hasil ringkasan autosummary tools pada Microsoft Word mendapatkan hasil 68.15% dan pengujian hasil ringkasan sistem dengan hasil ringkasan ahli yaitu Guru SMA, mendapatkan hasil 78.43%. Hasil compression rate ringkasan sistem mendapatkan hasil 78.2%.
##plugins.generic.usageStats.downloads##
Referensi
[2] Christopher D. Manning, dkk. 2009. An Introduction to Information Retrieval. Cambridge University Press. Cambrindge. England
[3] Fatkhul. A dan Purwatiningtyas. 2015. Rancang Bangun Information retrieval System (IRS) Bahasa Jawa Ngoko pada Palintangan Penjebar Semangad dengan Metode Vector Space Model (VSM). Jurnal Teknologi Informasi DINAMIK. Vol. 20, No. 1.pp 25-35.
[4] Aristoteles. 2013. Penerapan Algoritma Genetika pada Peringkasan Teks Dokumen Bahasa Indonesia. Prosiding Samirata FMIPA Unila, pp. 29-33.
[5] Riandayani. 2014. Peringkas Teks Otomatis Menggunakan Metode Fuzzy Logic dan Fuzzy C-Mean (FCM) pada Dokumen Berbahasa Indonesia. JATIT, Vol. 59, No. 3, pp 718-724.
[6] Pradnyana dan Mogi. 2014. Implementasi Automated Text Summarization Untuk Dokumen Tunggal Berbahasa Indonesia Dengan Menggunakan Graph-Based Summarization Algorithm Dan Algoritma Genetika. Jurnal Ilmiah NERO , Vol. 1 No. 2, pp. 33-46
[7] Khrisne, D. C., Rosalin, D. 2014. Peningkatan Penilaian Sentimen pada Komentar Angket Dosen dengan Menggunakan Metode K-Means dan K-Nearest Neighbor Studi Kasus STMIK STIKOM Indonesia. STIKI Applied Science (S@cies), Vol. 4 (2), pp. 57-61.
[8] Zaman dan Winarko. 2011. Analisis Fitur Kalimat untuk Peringkas Teks Otomatis pada Bahasa Indonesia. IJCCS, Vol. 5 No. 2, pp. 60-68.
[9] Samuel Wibisono. 2008. "Matematika Diskrit Edisi 2". Graha Ilmu. Yogyakarta
[10] Marco Dorigo and Thomas Stutzle. 2004. Ant Colony Optimization, A Bradford book. The MIT Press Cambridge, Massachusetts London, England
[11] G. A. Pradnyana dan N. A. Sanjaya, 2012. “Cosine Similarity”, Perancangan Dan Implementasi Automated Document Integration Dengan Menggunakan Algoritma Complete Linkage Agglomerative Hierarchical Clustering, vol. 5, (2), pp. 1-10.
[12] Robertson, Stephen, Understanding Inverse Document Frequency: On theoretical arguments for IDF, Journal of Documentation, Vol. 60, pp. 502–520
[13] Xia T, Chai Y. 2011. An improvement to TF-IDF: term distribution based term weight algorithm. Journal of Software. 6 (3): 413-420
[14] Mustaqhfiri, Muchammad. 2011. Peringkasan Teks Otomatis Berita Berbahasa Indonesia Menggunakan Metode Maximum Marginal Relevan. Skripsi. Jurusan Teknik Informatika. Fakultas Sains danTeknologi Universitas Islam Negeri Maulana Malik Ibrahim. Malang.
This work is licensed under a Creative Commons Attribution 4.0 International License
