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

Abstract

Perkembangan teknologi yang pesat membuat kita lebih mudah dalam menemukan informasi-informasi yang dibutuhkan. Permasalahan muncul ketika informasi tersebut sangat banyak. Semakin banyak informasi dalam sebuah modul maka akan semakin panjang isi teks dalam modul tersebut. Hal tersebut akan memakan waktu yang cukup lama untuk memahami inti informasi dari modul tersebut. Salah satu solusi untuk mendapatkan inti informasi dari keseluruhan modul dengan cepat dan menghemat waktu adalah dengan membaca ringkasannya. Cara cepat untuk mendapatkan ringkasan sebuah dokumen adalah dengan cara peringkasan teks otomatis. Peringkasan teks otomatis (Automatic Text Summarization) merupakan teks yang dihasilkan dari satu atau lebih dokumen, yang mana hasil teks tersebut memberikan informasi penting dari sumber dokumen asli, serta secara otomatis hasil teks tersebut tidak lebih panjang dari setengah sumber dokumen aslinya. Penelitian ini bertujuan untuk menghasilkan peringkasan teks otomatis pada modul pembelajaran berbahasa Indonesia dan mengetahui hasil akurasi peringkasan teks otomatis yang menerapkan metode Cross Latent Semantic Analysis (CLSA). Jumlah data yang digunakan pada penelitian ini sebanyak 10 file modul pembelajaran yang berasal dari modul para dosen Universitas Mercu Buana, dengan format .docx sebanyak 5 file dan format .pdf sebanyak 5 file. Penelitian ini menerapkan metode Term Frequency-Inverse Document Frequency (TF-IDF) untuk pembobotan kata dan metode Cross Latent Semantic Analysis (CLSA) untuk peringkasan teks. Pengujian akurasi pada peringkasan modul pembelajaran dilakukan dengan cara membandingkan hasil ringkasan manual oleh manusia dan hasil ringkasan sistem. Yang mana pengujian ini menghasilkan rata-rata nilai f-measure, precision, dan recall tertinggi pada compression rate 20% dengan nilai berturut-turut 0.3853, 0.432, dan 0.3715.

Strategi Pengelolaan Arsip Pembinaan Kearsipan Menjadi Informasi

“…Gambar 5. Tahapan Peringkas Arsip Otomatis Sumber: (Sari, Yunita Maulidia., & Fatonah, Neuden Siti., 2021)…”

Text Summarization on Verdicts of Industrial Relations Disputes Using the Cross-Latent Semantic Analysis and Long Short-Term Memory

“…CLSA is a method aiming to summarize a text through extraction developed based on an LSA method. CLSA was employed to analyze the connection between phrases, requiring the ordering of related words before they were converted into a complete summary [13] [14]. The process of summarization with the method of CLSA began with word weighing by using Term-Frequency Method-Inverse Document Frequency (TF-IDF) [12].…”

“…Other studies summarized article documents in Bahasa by employing the MMR method [11], while the use of LSA was proven in article summarization presented in Bahasa [12]. The study using Cross Latent Semantic Analysis (CLSA) in document summarization was presented in Bahasa [13]. The comparison between CLSA and LSA sourced from 240 news documents in Bahasa resulted in an F-Measure score of 70% and CLSA accounting for 72%.…”

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

“…Berdasarkan penelitian oleh [5] algoritma Lexrank mampu memperbaiki panjang ringkasan dan memastikan bahwa tidak ada poin penting yang terlewatkan dalam teks ringkasan. Penelitian yang menggabungkan teknik ekstraksi dan metode Cross Latent Semantic Analysis (CLSA) oleh [6] menghasilkan rata-rata nilai akurasi f-measure, precision, dan recall pada compression rate 20% berturut-turut yaitu 0.3853, 0.432, dan 0.3715. Penelitian ini menghasilkan akurasi cukup rendah dibandingkan penelitian sebelumnnya yang menggunakan algoritma yang sama.…”

“…Secara statistik,hasil yang dicapai sebagaimana pada Gambar 6, menunjukkan hasil ROUGE score yang masih baik, yaitu di atas 50% untuk compression rate 30%. Hasil ini bila dibandingkan dengan beberapa penelitian di bidang text summarization yang berbasis ekstraksi kalimat, termasuk ke dalam hasil yang baik, karena rata-rata peringkas dokumen memiliki f-measure dari ROUGE-L tidak sampai 50%[6],[7]. Namun demikian, scoring pada penelitian text summarization perlu dibandingkan pada penggunaan dataset yang sama, agar perbandingannya dapat lebih terukur dengan valid.…”