No abstract

ABSTRAK Ringkasan berita diartikan sebagai teks yang dihasilkan dari satu atau lebih kalimat yang menyampaikan informasi penting dari berita. Salah satu fase penting dalam peringkasan adalah pembobotan kalimat (sentence scoring). Dimana pada peringkasan berita, metode pembobotannya sebagian besar menggunakan fitur dari berita sendiri. Padahal dalam satu topik berita dimungkinkan adanya multiple issue. Dari multiple issue biasanya hanya ada satu isu yang menjadi pokok pembicaraan yang disebut dengan Trending Issue. Trending Issue inilah yang harusnya dipertimbangkan pada proses peringkasan berita sehingga ringkasan yang dihasilkan lebih koheren.Penelitian ini bertujuan untuk meringkas multi berita menggunakan metode pembobotan berdasarkan Trending Issue dengan tetap mempertimbangkan fitur penting berita, yaitu word frequency, TF-IDF, posisi kalimat, dan kemiripan kalimat terhadap judul (NeFTIS). Dimana Trending Issue didapatkan dari data Twitter dengan cara mengelompokkan tweets kemudian melakukan ekstraksi isu pada tiap kelompok yang terbentuk. Selanjutnya tiap isu diberikan bobot menggunakan konsep Cluster Importance (CI). Isu dengan bobot terbesar yang akan dipilih sebagai Trending Issue.Ada 5 tahap yang dilakukan untuk menghasilkan ringkasan multi berita dengan menggunakan NeFTIS, yaitu ekstraksi Trending Issue, seleksi berita, ekstraksi fitur berita, penghitungan total bobot kalimat, dan penyusunan ringkasan. Untuk mengukur kualitas sistem digunakan metode evaluasi ROUGE-1 dengan menganalisa performa dari hasil ringkasan dengan menggunakan metode pembobotan NeFTIS dibandingkan dengan hasil ringkasan dengan hanya menggunakan fitur berita (NeFS). Hasil rata-rata max-ROUGE-1 untuk seluruh variasi jumlah kalimat yang menyusun ringkasan (n) menunjukan bahwa metode pembobotan NeFTIS lebih akurat dibanding dengan metode pembobotan NeFS dengan nilai rata-rata max-ROUGE-1 terbesar 0.8201 untuk n=30.

In social media, some people use positive words to express negative opinion on a topic which is known as sarcasm. The existence of sarcasm becomes special because it is hard to be detected using simple sentiment analysis technique. Research on sarcasm detection in Indonesia is still very limited. Therefore, this research proposes a technique in detecting sarcasm in Indonesian Twitter feeds particularly on several critical issues such as politics, public figure and tourism. Our proposed technique uses two feature extraction methods namely interjection and punctuation. These methods are later used in two different weighting and classification algorithms. The empirical results demonstrate that combination of feature extraction methods, tf-idf, k-Nearest Neighbor yields the best performance in detecting sarcasm.

ABSTRAKPengelompokan usia merupakan salah satu topik penelitian yang terkait dengan prediksi usia berdasarkan citra wajah. Permasalahan terkait dengan pengelompokan usia berdasarkan citra wajah adalah bagaimana memilih fitur wajah yang tepat, sehingga dapat mempengaruhi hasil akhir pengelompokan. Penelitian ini bertujuan untuk mengklasifikasi kelompok usia berdasarkan citra wajah dengan menggunakan fitur penting yaitu face anthropometry dan kerutan (wrinkle). Di mana fitur kerutan yang digunakan selain memperhitungkan lebar kerutan (wrinkle density) juga digunakan fitur kedalaman kerutan (the dept of wrinkle). Metode penelitian ini terdiri dari 4 tahapan yaitu: Praproses, identifikasi lokasi titik wajah, ekstraksi fitur dan klasifikasi. Lokasi titik wajah diidentifikasi berdasarkan bentuk simetri wajah dan perbedaan nilai intensitas piksel. Sedangkan kerutan didapatkan dari gabungan metode deteksi tepi menggunakan operator Sobel dan histogram equalization. Algoritma yang digunakan untuk proses klasifikasi adalah algoritma Neural Network (NN) yang akan mengelompokan data citra input menjadi 3 kelas yaitu anak, remaja dan tua. Hasil akhir pengujian menunjukkan bahwa metode yang diusulkan telah mampu mengelompokan usia berdasarkan citra wajah dengan cukup baik dengan hasil akurasi pengujian sebesar 65 % dengan epochs = 1000, dan error rate = 0.0095, sebanyak 100 kali iterasi. Kata kunci: Age prediction, face ratio, Neural Network, wrinkle. ABSTRACT Age classification is one of the research topics related to the prediction of age based on facial image. The problems associated with age groupings based on the image of the face is how to choose the right facial features, that will affect the final result grouping. This study aims to classify age based on facial image by using the important features I. PENDAHULUANAJAH manusia menyimpan informasi penting yang dapat digunakan untuk memprediksi usia seseorang. Pemrosesan citra wajah merupakan salah satu bidang ilmu dalam visi komputer yang digunakan untuk mengelola citra, khususnya citra wajah secara komputerisasi. Prediksi usia dengan menggunakan pemrosesan citra wajah dibedakan menjadi 2 fokus penelitian, yaitu deteksi penuaan dini (aging detection) dan pengelompokan usia (classification). Dalam penelitian ini akan dibahas pemrosesan citra wajah untuk prediksi usia pada pengelompokan usia.Penelitian tentang pengelompokan usia pertama kali dilakukan oleh Kwon dan Lobo [1]. Dalam penelitian tersebut, pengelompokan usia dibedakan menjadi 3 kelas yaitu kelas bayi (babies), remaja awal (young adult) dan remaja akhir (senior adult). Metode yang digunakan adalah teori cranio-facial dengan menggunakan dua fitur penting yaitu ratio wajah (facial ratio) dan kerutan wajah (wrinkle density). Fitur pertama yaitu facial ratio untuk membedakan ratio wajah antara bayi dan remaja. Fitur ini meliputi posisi mata, hidung, mulut, dagu dan posisi paling atas dari kepala. Posisi-posisi tersebut diambil dari citra wajah tampak depan. Fitur kedua adalah wrinkle density yang dihitung berdasarka...