Peringkas Teks Otomatis Berita Online Menggunakan Metode Cross Latent SemanticAnalysis & Cosine Similarity

Abstract

Ringkasan merupakan suatu cara yang efektif untuk meyajikan suatu karangan yang panjang dalam bentuk yang singkat. Walaupun bentuknya ringkas, namun ringkasan itu tetap memepertahankan pikiran pengarang dan pendekatannya yang asli. Namun dalam membuat ringkasan kita harus membaca berita atau artikel terlebih dahulu, sedangkan ringkasan dibuat dengan tujuan untuk meminimalkan waktu pembaca dan memberikan teks yang isinya langsung mengarah pada tujuan utama atau ide pokoknya. Pada penelitian ini memaparkan peringkasan teks otomatis berita online dari sebuah website menggunakan CLSA (Cross Latent Semantic Analysis) dan Cosine Similarity. Penelitian ini dilakukan untuk menguji seberapa baik hasil dan akurasi ringkasan yang dilakukan oleh CLSA dan cosine similarity. Penelitian ini menggunakan data sekunder dari berita dari media online yaitu web balipost.com dengan wilayah khusus Denpasar. Proses pengambilan data dilakukan dengan cara crawling. Data berita yang digunakan ialah sebanyak 161 berita, berita hasil ringkasan sistem nantinya akan dibandingkan dengan hasil ringkasan manual untuk mendapatkan akurasinya. Dari hasil pengujian yang dilakukan oleh sistem didapatkan nilai rata – rata akurasi F-Measure sebesar 58%, rata – rata Precision 62% dan rata – rata Recall 57%. Hasil dari penelitian peringkasan teks otomatis dari berita online dengan menggunakan metode CLSA dan cosine similarity memberikan hasil dan akurasi ringkasan yang cukup.
 Keywords : ringkasan, peringkas teks otomatis, crawling, CLSA, cosine similarity

Peringkasan Teks Otomatis pada Modul Pembelajaran Berbahasa Indonesia Menggunakan Metode Cross Latent Semantic Analysis (CLSA)

“…[2] Peringkasan teks otomatis adalah proses membuat teks yang Panjang menjadi berkurang dengan bantuan program dari komputer sehingga dihasilkan sebuah ringkasan yang berisikan kalimat-kalimat penting yang mana hasil peringkasan tersebut tidak melebihi dari setengah dokumen teks asli nya. [3], [4] Sehingga dengan menggunakan peringkasan teks otomatis akan mendapatkan ide pokok maupun informasi penting dari sebuah modul pembelajaran dengan jelas, tepat, dan ringkas, tanpa merubah makna dari isi modul tersebut. Peringkasan teks otomatis juga dapat menghemat waktu dalam mendapatkan inti informasi dari sebuah modul tersebut.…”

Peringkasan teks otomatis (automated text summarization) pada artikel berbahasa indonesia menggunakan algoritma lexrank

“…Evaluasi Untuk pengukuran performa sistem, digunakan ROUGE (Recall-Oriented Underresearch for Gisting Evaluation) scoring, yang diperoleh dengan membandingkan hasil ringkasan teks oleh sistem (metode) dengan hasil ringkasan teks yang dibuat oleh manusia(human annotator). Penelitian ini, akan menggunakan ROUGE-N, dan ROUGE-L yang terdiri atas precision, recall, dan f-measure sebagai scoring untuk mengukur kinerja sistem, mengikuti banyak penelitian di bidang peringkasan dokumen seperti pada[15].…”