PERINGKASAN TEKS OTOMATIS PADA PUTUSAN PERSELISIHAN HUBUNGAN INDUSTRIAL MENGGUNAKAN METODE LATENT SEMANTIC
ANALYSIS(LSA)
Laporan Tugas Akhir
Diajukan Untuk Memenuhi
Persyaratan Guna Meraih Gelar Sarjana Informatika Universitas Muhammadiyah Malang
Muhammad Nafi’ Maula Hakim (201710370311032)
Bidang Minat Data Sains
PROGR AM STUDI INFORMATIKA FAKULTAS TEKNIK
UNIVERSITAS MUHAMMADIYAH MALANG
2021
ii
LEMBAR PERSETUJUAN
PERINGKASAN TEKS OTOMATIS PADA PUTUSAN PERSELISIHAN HUBUNGAN INDUSTRIAL MENGGUNAKAN METODE LATENT SEMANTIC
ANALYSIS(LSA)
TUGAS AKHIR
Sebagai Persyaratan Guna Meraih Gelar Sarjana Strata 1 Informatika Universitas Muhammadiyah Malang
Disusun Oleh :
Muhammad Nafi’ Maula Hakim 201710370311032
Tugas Akhir ini telah diuji dan dinyatakan lulus melalui sidang majelis penguji pada tanggal ……….
Menyetujui, Penguji I
Nama Lengkap NIP. 108.1410.0541
Penguji II
Nama Lengkap NIP. 108.08907.0476
Mengetahui, Ketua Jurusan Informatika
Gita Indah Marthasari, S.T,. M. Kom NIDN. 0720038101
iii
LEMBAR PENGESAHAN
Peringkasan Teks Otomatis Pada Putusan Perselisihan Hubungan Industrial Menggunakan Metode Latent Semantic Analysis(LSA)
TUGAS AKHIR
Sebagai Persyaratan Guna Meraih Gelar Sarjana Strata 1 Teknik Informatika Universitas Muhammadiyah Malang
Disusun Oleh :
Muhammad Nafi’ Maula Hakim 201710370311032
Tugas Akhir ini telah diuji dan dinyatakan lulus melalui sidang majelis penguji pada tanggal 9 Juni 2021
Menyetujui, Penguji I
Wahyu Andhyka Kusuma S.Kom, M.Kom.
NIDN. 0720068701
Penguji II
Christian Sri Kusuma Aditya S.Kom., M.Kom NIDN. 0727029101
Mengetahui, Ketua Jurusan Informatika
Gita Indah Marthasari, S.T,. M. Kom NIDN. 0720038101
iv
LEMBAR PERNYATAAN
Yang bertanda tangan dibawah ini :
NAMA : MUHAMMAD NAFI’ MAULA HAKIM
NIM : 201710370311032
FAK/JUR : TEKNIK/INFORMATIKA
Dengan ini saya menyatakan bahwa Tugas Akhir dengan judul “PERINGKASAN TEKS OTOMATIS PADA PUTUSAN PERSELISIHAN HUBUNGAN INDUSTRIAL MENGGUNAKAN METODE LATENT SEMANTIC ANALYSIS(LSA)” beserta seluruh isinya adalah karya saya sendiri dan bukan merupakan karya tulis orang lain, baik Sebagian maupun seluruhnya, kecuali dalam bentuk kutipan yang telah disebutkan sumbernya.
Demikian surat pernyataan ini saya buat dengan sebenar-benarnya. Apabila kemudian menemukan adanya pelanggaran etika keilmuan dalam karya say aini, atau ada klaim dari pihak lain terhadap keaslian karya say aini maka saya siap menanggung segala bentuk resi ko/sanksi yang berlaku.
Mengetahui, Dosen Pembimbing
Galih Wasis Wicaksono, S.kom., M.Cs.
Malang, ……….
Yang Membuat Pernyataan
Muhammad Nafi’ Maula Hakim
v
ABSTRAK
Artificial Intellegent (AI) atau biasa disebut dengan istilah kecerdasan buatan merupakan salah satu temuan dibidang teknologi yang semakin lama dikembangkan dan disebar luaskan ke dalam semua bidang, salah satunya adalah bidang hukum. Banyaknya data dokumen hasil putusan hakim menyebabkan penumpukan informasi sehingga informasi tersebut menjadi sulit diolah dan dijadikan rujukan dalam memutuskan suatu perkara. Tidak hanya itu banyaknya informasi yang terkandung, serta tata bahasa yang sulit dimengerti khususnya pada dokumen hukum perdata Perselisihan Hubungan Industrial (PHI) menyebabkan pembaca sulit untuk menemukan intisari dari dalam dokumen tersebut. Oleh karena itu, perlu adanya sebuah sistem yang mampu melakukan peringkasan dokumen secara otomatis pada dokumen hukum perdata PHI. Dalam penelitian ini, metode yang digunakan adalah Latent Semantic Analysis (LSA). LSA mampu mengekstrak struktur semantic atau makna yang tersembunyi pada sebuah kalimat, sehingga mampu menghasilkan ringkasan yang bermakna umum ataupun luas. Data uji yang digunakan merupakan data hasil putusan pada kasus PHI berkekuatan hukum tetap sebanyak 50. Hasil dari penelitian ini adalah skor dari pengujian ringkasan terbaik LSA & CLSA yang akan dibandingkan dengan rangkuman manual pakar menggunakan metode Rouge-1 Score. Sehingga didapatkan nilai score tertinggi ada pada LSA sebesar 77.2% lalu disusul CLSA dengan nilai sebesar 71.5%.
Kata Kunci – Peringkasan Otomatis, Ekstraksi Dokumen, Latent Semantic Analysis, Dokumen Hukum Perdata, Perselisihan Hubungan Industrial
vi ABSTRACT
Artificial Intelligence (AI) or commonly referred to as artificial intelligence is one of the findings in the field of technology which is being developed and disseminated in all fields over time, one of which is the legal field. The large number of document data resulting from the judge's decision causes accumulation of information so that the information becomes difficult to process and become a reference in deciding a case. Not only that, the large amount of information contained, as well as the grammar that is difficult to understand, especially in the Industrial Relations Dispute (PHI) civil law document, makes it difficult for readers to find the essence of the document. Therefore, it is necessary to have a system capable of summarizing documents automatically in the civil law documents of the PHI. In this study, the method used is Latent Semantic Analysis (LSA). LSA is able to extract the semantic structure or hidden meaning in a sentence, so that it can produce a summary that has general or broad meaning. The test data used is the decision data in the case of PHI with permanent legal force as much as 50. The results of this study are the scores from the best summary test of LSA & CLSA which will be compared with the expert manual summary using the Rouge-1 Score method.
So that the highest score was obtained at the LSA of 77.2% then CLSA was followed with a value of 71.5%.
Keywords – Automatic Summerization, Document Extraction, Latent Semantic Analysis, Civil Legal Documents, Industrial Relations Disputes
vii
LEMBAR PERSEMBAHAN
Puji Syukur penulis panjatkan kepada Allah SWT yang telah memberikan kesehatan, rahmat dan hidayah-Nya sehingga penulis masih diberikan kesempatan untuk menyelesaikan tugas akhir ini sebagai salah satu syarat untuk mendapatkan gelar kesarjanaan. Walaupun jauh dari kata sempurna, namun suatu kebanggaan tersendiri bisa menyelesaikan tugas akhir dengan judul “Peringkasan Teks Otomatis Pada Putusan Perselisihan Hubungan Industrial Menggunakan Metode Latent Semantic Analysis(LSA)” secara optimal tepat waktu. Akan tetapi terselesaikanya tugas akhir ini tidak lepas dari bantuan beberapa pihak yang telah mendukung dan menemani penulis selama pengerjaan skripsi berlangsung. Sehingga penulis menyampaikan banyak terimakasih kepada :
1. Allah SWT yang telah memberikan kesehatan, rahmat dan hidayah-Nya sehingga diberikan kemudahan dalam menyelesaikan tugas akhir ini.
2. Orang Tua saya, Lukman Hakim dan Mami Kholilah serta saudara yang telah memotivasi dan memberikan dukungan secara moral dan materiil selama penulis mengerjakan tugas akhir ini.
3. Dosen pembimbing saya, Bapak Galih Wasis Wicaksono, S.Kom., M.Cs dan juga Ibu Nur Hayatin, S.Kom, M.Kom yang telah memberikan dukungan dan telah meluangkan waktu, tenaga, dan pikiran serta kesabaranya dalam membimbing penulis dalam mengerjakan tugas akhir.
4. Pakar yang, Ibu Nur Putri Hidayah, A.Md., SH., MH yang sudah membantu dalam proses validasi data dan hasil rangkuman dalam mengerjakan tugas akhir.
5. Kartika yang telah memberikan semangat dan dukungan dalam pengerjaan tugas akhir ini.
6. Sahabat saya Andhika, Fiko, Jabbar, Feni, Okta, Safitri, Arin, Riska, Dewi yang telah menemani saya dari semester 1 dan memberikan dukungan dalam mengerjakan tugas akhir ini.
7. Saudara seper-kontrakan saya Andi, Gilang, Kang Amar, Danang, Arip, Rahman, Faisal, Dek Jion yang telah memberikan dukungan dalam mengerjakan tugas akhir ini.
viii
8. Teman – teman dari informatika A 2017, yang telah memberikan dukungan serta motivasi dalam proses perkuliahan.
9. Pihak-pihak lain yang tidak dapat disebutkan satu persatu.
Terimakasih atas segala dukungan dan motivasi dari berbagai pihak. Semoga Tuhan selalu memberikan perlindungan.
Malang,
Muhammad Nafi’ Maula Hakim
ix
KATA PENGANTAR
Dengan memanjatkan puji syukur kepada Allah SWT atas limpahan rahmat hidayah dan karunia-Nya sehingga penulis dapat menyelesaikan tugas akhir sebagai persyaratan meraih gelar Sarjana Strata 1 dengan judul :
“PERINGKASAN TEKS OTOMATIS PADA PUTUSAN PERSELISIHAN HUBUNGAN INDUSTRIAL MENGGUNAKAN
METODE LATENT SEMANTIC ANALYSIS(LSA)”
Di dalam tulisan ini disajikan pokok-pokok bahasan yang meliputi latar belakang, metode penelitian, serta hasil dan pembahasan yang telah didapat pada proses penelitian ini. Diberikan kesimpulan berdasarkan hasil yang telah didapatkan pada proses penelitian ini.
Penulis sepenuhnya menyadari bahwa dalam penulisan tugas akhir ini masih banyak kekurangan. Oleh karena itu, penulis mengharapkan kritik dan saran yang membangun untuk menyempurnakan penulisan tugas akhir ini. Sehingga, dapat bermanfaat bagi berbagai pihak dan juga bagi perkembangan ilmu pengetahuan terutama di bidang Informatika.
Malang,
Muhammad Nafi’ Maula Hakim
x DAFTAR ISI
LEMBAR PERSETUJUAN ... ii
LEMBAR PENGESAHAN ... iii
LEMBAR PERNYATAAN ... iv
ABSTRAK ... v
ABSTRACT ... vi
LEMBAR PERSEMBAHAN ... vii
KATA PENGANTAR ... ix
DAFTAR ISI ... x
DAFTAR GAMBAR ... xiii
DAFTAR TABEL ... xiv
DAFTAR LAMPIRAN ... xv
BAB I ... 16
PENDAHULUAN ... 16
1.1 Latar Belakang ... 16
1.2 Rumusan Masalah ... 18
1.3 Tujuan Penelitian ... 18
1.4 Batasan Masalah ... 19
BAB II ... 20
TINJAUAN PUSTAKA ... 20
2.1. Penelitian Terdahulu ... 20
2.2. Legal Document Perdata Perselisihan Hubungan Industrial (PHI) ... 23
2.3. Artificial Intelligent (AI) ... 24
2.4. Text Minning ... 25
2.5. Preprocessing ... 26
2.6. Peringkasan Teks Ekstraktif (Extractive Text Summarization)... 26
2.6.1. Segmentasi Bagian Dokumen ... 27
2.6.2. Peringkasan Teks Otomatis (Automatic Text Summerization) ... 27
xi
2.6.3. Latent Semantic Analysis (LSA) ... 27
2.6.4. Cross Latent Semantic Analysis (CLSA) ... 28
2.6.5. Input matrix ... 29
2.6.6. Decomposition Matrix ... 30
2.6.7. Pemilihan Kata ... 31
2.7. Pengujian dan Evaluasi ... 31
BAB III ... 33
METODOLOGI PENELITIAN ... 33
3.1. Studi Literatur ... 33
3.2. Pengumpulan Data (Collecting Data) ... 33
3.3. Preprocessing ... 34
3.3.1. Convert dokumen ... 34
3.3.2. Case Folding ... 34
3.3.3. Tokenizing ... 35
3.3.4. Stopword Removal ... 36
3.4. Segmentasi Bagian Dokumen ... 36
3.5. Pembobotan Term Frequency – Inverse Document Frekuensi (TF-IDF) ... 37
3.6. Latent Semantic Analysis (LSA) ... 38
3.7. Cross Latent Semantic Analysis (CLSA) ... 40
3.8. Evaluasi (Evaluation) ... 40
BAB IV ... 43
HASIL DAN PEMBAHASAN ... 43
4.1. Kebutuhan Sistem ... 43
4.2. Collecting Data ... 43
4.3. Pre-processing Data ... 44
4.3.1. Mount Drive ... 46
4.3.2. Setting Location Root Directory Project... 47
4.3.3. Import Module Function ... 47
xii
4.3.4. Load All Data Document ... 48
4.3.5. Pre-processing Document ... 49
4.4. Segmentasi bagian dokumen berdasarkan pola. ... 51
4.5. Perangkuman Otomatis... 52
4.5.1. Pembobotan dan Input Matriks ... 52
4.5.2. Dekomposisi Matriks ... 54
4.5.3. Ekstraksi Rangkuman ... 57
4.6. Evaluasi ... 57
BAB V ... 66
KESIMPULAN DAN SARAN ... 66
DAFTAR PUSTAKA ... 68
LAMPIRAN ... 73
xiii
DAFTAR GAMBAR
Gambar 1. Metodologi penelitian ... 33
Gambar 2. Tampilan dokumen putusan PHI ... 34
Gambar 3. Tampilan direktori dokumen PHI pada website resmi ... 44
Gambar 4. Tampilan dokumen PHI dengan format (.txt)... 45
Gambar 5. Isi salah satu dokumen hasil convert ... 45
Gambar 6. Lembar baru google collab ... 46
Gambar 7. Hasil mount drive ... 47
Gambar 8. Hasil load data dokumen PHI ... 48
Gambar 9. Hasil cleanning data ... 49
Gambar 10. Grafik evaluasi nomor putusan ... 58
Gambar 11. Grafik evaluasi pemohon kasasi ... 59
Gambar 12. Grafik evaluasi termohon kasasi ... 59
Gambar 13. Grafik evaluasi pokok perkara (LSA)... 60
Gambar 14. Grafik evaluasi pokok perkara (CLSA) ... 60
Gambar 15. Grafik evaluasi pertimbangan hakim (LSA) ... 61
Gambar 16. Grafik evaluasi pertimbangan hakim (CLSA) ... 61
Gambar 17. Grafik evaluasi amar putusan (LSA) ... 62
Gambar 18. Grafik evaluasi amar putusan (CLSA) ... 62
Gambar 19. Grafik evaluasi rangkuman sistem dengan pakar (LSA) ... 64
Gambar 20. Grafik evaluasi rangkuman sistem dengan pakar (CLSA ... 64
xiv
DAFTAR TABEL
Tabel 1. Hasil review penelitian terdaulu ... 20
Tabel 2. Pengolahan teks case folding ... 35
Tabel 3. Splitting data ... 35
Tabel 4. Stopword Removal ... 36
Tabel 5. Segmentasi dokumen ... 36
Tabel 6. Perhitungan bobot dengan TF-IDF ... 37
Tabel 7. Pembuatan matriks ... 38
Tabel 8. Dekomposisi matriks ... 39
Tabel 9. Ekstraksi dengan LSA ... 39
Tabel 10. Ekstraksi dengan CLSA ... 40
Tabel 11. Evaluasi ROUGE-1 ... 41
Tabel 12. Source code mount drive ... 46
Tabel 13. Source code setting root directory project ... 47
Tabel 14. Source code import module ... 48
Tabel 15. Source code load data ... 48
Tabel 16. Source Code preprocessing data... 50
Tabel 17. Kata kunci masing-masing bagian dokumen... 51
Tabel 18. Hasil pembobotan bagian pokok perkara ... 52
Tabel 19. Hasil pembobotan bagian pertimbangan hakim ... 53
Tabel 20. Hasil pembobotan bagian amar putusan ... 54
Tabel 21. Hasil dekomposisi bagian pokok perkara ... 54
Tabel 22. Hasil dekomposisi bagian pertimbangan hakim ... 56
Tabel 23. Hasil dekomposisi bagian amar putusan ... 56
Tabel 24. Kalkulasi kata dari hasil perangkuman sistem ... 57
Tabel 25. Hasil evaluasi sub bagian dokumen tanpa LSA/CLSA ... 63
Tabel 26. Hasil evaluasi sub bagian dokumen (LSA) ... 63
Tabel 27. Hasil evaluasi sub bagian dokumen (CLSA) ... 63
Tabel 28. Hasil evaluasi keseluruhan bagian dokumen... 65
xv
DAFTAR LAMPIRAN
Lampiran 1. Lembar validasi pakar ... 73
Lampiran 2. Hasil segmentasi dokumen perbagian ... 74
Lampiran 3. Hasil ekstraksi rangkuman dengan LSA dan CLSA ... 86
Lampiran 4. Hasil pengujian menggunakan ROUGE-1 ... 90
Lampiran 5. Source code google collab ... 110
68
DAFTAR PUSTAKA
[1] R. D. Yogaswara, “Artificial Intelligence As an Activator for Industry 4.0 and Its Challenges for Government and Private Sectors,” J. Masy. Telemat.
dan Inf., vol. 10, no. 1, pp. 67–72, 2019.
[2] M. O. Riedl, “Human-centered artificial intelligence and machine learning,”
Hum. Behav. Emerg. Technol., vol. 1, no. 1, pp. 33–36, 2019, doi:
10.1002/hbe2.117.
[3] B. Alarie, A. Niblett, and A. H. Yoon, “How artificial intelligence will affect the practice of law,” Univ. Tor. Law J., vol. 68, no. March 2017, pp. 106–
124, 2018, doi: 10.3138/utlj.2017-0052.
[4] S. Santhana Megala, A. Kavitha, and A. Marimuthu, “Computer Science and Management Studies Feature Extraction Based Legal Document Summarization,” Int. J. Adv. Res., vol. 2, no. 12, pp. 346–352, 2014, [Online]. Available: www.ijarcsms.com.
[5] M. Tarawneh and E. Al-shawakfa, “AUTOMATIC TEXT SUMMARIZATION OF LEGAL CASES: A HYBRID APPROACH,” vol.
1, no. 1, pp. 41–50, 2015.
[6] D. Anand and R. Wagh, “Effective deep learning approaches for summarization of legal texts,” J. King Saud Univ. - Comput. Inf. Sci., 2019, doi: 10.1016/j.jksuci.2019.11.015.
[7] G. Mandar and G. Gunawan, “Peringkasan dokumen berita Bahasa Indonesia menggunakan metode Cross Latent Semantic Analysis,” Regist. J. Ilm.
Teknol. Sist. Inf., vol. 3, no. 2, p. 94, 2017, doi: 10.26594/register.v3i2.1161.
69
[8] A. Kanapala, S. Pal, and R. Pamula, “Text summarization from legal documents: a survey,” Artif. Intell. Rev., vol. 51, no. 3, pp. 371–402, 2019, doi: 10.1007/s10462-017-9566-2.
[9] A. W. Pradana and M. Hayaty, “The Effect of Stemming and Removal of Stopwords on the Accuracy of Sentiment Analysis on Indonesian-language Texts,” Kinet. Game Technol. Inf. Syst. Comput. Network, Comput. Electron.
Control, vol. 4, no. 3, pp. 375–380, 2019, doi: 10.22219/kinetik.v4i4.912.
[10] B. Rijanto, “Sejarah, Sumber, dan Asas-asas Hukum Acara Perdata,” Huk.
Acara Perdata, pp. 1–45, 2015, [Online]. Available:
http://repository.ut.ac.id/4120/1/HKUM4405-M1.pdf.
[11] S. . Prof. Dr. M. Daud Silalahi, “Pengertian hukum perdata dan contoh pasalnya,” 2018. https://www.dslalawfirm.com/hukum-perdata/.
[12] H. Online, “Seluk beluk putusan pengadilan,” 2017.
https://www.hukumonline.com/.Da
[13] D. C. Brock, “Learning from artificial intelligence’s previous awakenings:
The history of expert systems,” AI Mag., vol. 39, no. 3, pp. 3–15, 2018, doi:
10.1609/aimag.v39i3.2809.
[14] K. Y. Lee and J. Kim, “Artificial Intelligence Technology Trends and IBM Watson References in the Medical Field,” Korean Med. Educ. Rev., vol. 18, no. 2, pp. 51–57, 2016, doi: 10.17496/kmer.2016.18.2.51.
[15] L. Cui, S. Huang, F. Wei, C. Tan, C. Duan, and M. Zhou, “Superagent: A customer service chatbot for E-commerce websites,” ACL 2017 - 55th Annu.
Meet. Assoc. Comput. Linguist. Proc. Syst. Demonstr., pp. 97–102, 2017, doi: 10.18653/v1/P17-4017.
70
[16] L. G. Anthopoulos, The smart city in practice, vol. 22. 2017.
[17] I. Roll and R. Wylie, “Evolution and Revolution in Artificial Intelligence in Education,” Int. J. Artif. Intell. Educ., vol. 26, no. 2, pp. 582–599, 2016, doi:
10.1007/s40593-016-0110-3.
[18] M. P. Rezky, J. Sutarto, T. Prihatin, A. Yulianto, I. Haidar, and A. Surel,
“Generasi Milenial yang Siap Menghadapi Era Revolusi Digital (Society 5.0 dan Revolusi Industri 4.0) di Bidang Pendidikan Melalui Pengembangan Sumber Daya Manusia,” Pros. Semin. Nas. Pascasarj., vol. 2, no. 1, pp.
1117–1125, 2019, [Online]. Available:
https://proceeding.unnes.ac.id/index.php/snpasca/article/view/424.
[19] T. Kwartler, “What is Text Mining?,” Text Min. Pract. with R, pp. 1–15, 2017, doi: 10.1002/9781119282105.ch1.
[20] J. Van den Broeck, S. A. Cunningham, R. Eeckels, and K. Herbst,
“Pembersihan Data: Mendeteksi, Mendiagnosis, dan Mengedit Kelainan Data,” https://journals.plos.org/, 2005, [Online]. Available:
https://journals.plos.org/plosmedicine/article?id=10.1371/journal.pmed.002 0267#s5.
[21] N. Savanti, W. Gotami, and R. K. Dewi, “Peringkasan Teks Otomatis Secara Ekstraktif Pada Artikel Berita Kesehatan Berbahasa Indonesia Dengan Menggunakan Metode Latent Semantic Analysis,” J. Pengemb. Teknol. Inf.
dan Ilmu Komput. Univ. Brawijaya, vol. 2, no. 9, pp. 2821–2828, 2018.
[22] K. Merchant and Y. Pande, “NLP Based Latent Semantic Analysis for Legal Text Summarization,” 2018 Int. Conf. Adv. Comput. Commun. Informatics, ICACCI 2018, pp. 1803–1807, 2018, doi: 10.1109/ICACCI.2018.8554831.
71
[23] A. Luthfiarta, J. Zeniarja, and A. Salam, “Algoritma Latent Semantic Analysis ( LSA ) Pada Peringkas Dokumen Otomatis Untuk Proses Clustering Dokumen,” Semin. Nas. Teknol. Inf. Komun. Terap. 2013 (SEMANTIK 2013), vol. 2013, no. November, pp. 13–18, 2013.
[24] F. Winata and E. Rainarli, “Implementasi cross method latent semantic analysis untuk meringkas dokumen berita berbahasa indonesia 1,2,”
Techno.COM, vol. 15, no. 4, pp. 266–277, 2016.
[25] M. G. Ozsoy, F. N. Alpaslan, and I. Cicekli, “Text summarization using latent semantic analysis,” J. Inf. Sci., vol. 37, no. 4, pp. 405–417, 2011, doi:
10.1177/0165551511408848.
[26] D. Sebagai and S. Satu, “Sistem Pencarian Dan Peringkasan Berita Online Berbahasa Indonesia Menggunakan Metode Latent Semantic Indexing ( Lsi ) Skripsi,” 2017.
[27] F. Liu and Y. Liu, “Correlation between rouge and human evaluation of extractive meeting summaries,” ACL-08 HLT - 46th Annu. Meet. Assoc.
Comput. Linguist. Hum. Lang. Technol. Proc. Conf., no. June, pp. 201–204, 2008, doi: 10.3115/1557690.1557747.
[28] H. M. Zin, N. Mustapha, M. A. A. Murad, and N. M. Sharef, “The effects of pre-processing strategies in sentiment analysis of online movie reviews,”
AIP Conf. Proc., vol. 1891, no. October 2017, 2017, doi: 10.1063/1.5005422.
[29] A. F. Hidayatullah, “laThe influence of stemming on Indonesian tweet sentiment analysis,” Int. Conf. Electr. Eng. Comput. Sci. Informatics, vol. 2, no. August, pp. 127–132, 2015, doi: 10.11591/eecsi.v2i1.791.
72
[30] J. P. Ng and V. Abrecht, “Better summarization evaluation with word embeddings for ROUGE,” Conf. Proc. - EMNLP 2015 Conf. Empir. Methods Nat. Lang. Process., pp. 1925–1930, 2015, doi: 10.18653/v1/d15-1222.
[31] N. Schluter, “The limits of automatic summarisation according to ROUGE,”
15th Conf. Eur. Chapter Assoc. Comput. Linguist. EACL 2017 - Proc. Conf., vol. 2, no. 1, pp. 41–45, 2017, doi: 10.18653/v1/e17-2007.
TA-010
UNIVERSITAS MUHAMMADIYAH MALANG
FAKULTAS TEKNIK
PROGRAM STUDI TEKNIK INFORMATIKA
Jl. Raya Tlogomas 246 Malang 65144 Telp. 0341 - 464318 Ext. 247, Fax. 0341 - 460782
FORM CEK PLAGIARISME LAPORAN TUGAS AKHIR
Nama Mahasiswa : Muhammad Nafi’ Maula Hakim
NIM : 201710370311032
Judul TA : Peringkasan Teks Otomatis Pada Putusan Perselisihan Hubungan Industrial Menggunakan Metode Latent Semantic Analysis(LSA)
Hasil Cek Plagiarisme dengan Turnitin
No. Komponen Pengecekan Nilai Maksimal
Plagiarisme (%)
Hasil Cek Plagiarisme (%) *
1. Bab 1 – Pendahuluan 10 % 3%
2. Bab 2 – Daftar Pustaka 25 % 5%
3. Bab 3 – Analisis dan Perancangan 25 % 11%
4. Bab 4 – Implementasi dan Pengujian 15 % 2%
5. Bab 5 – Kesimpulan dan Saran 5 % 3%
Mengetahui,
Dosen Pembimbing
(……….)
