Aplikasi Peringkasan Teks Berita Otomatis Menggunakan
Pembobotan Kalimat
Yuandri Trisaputra G64120004 Mirza Rakhmadianti G64120056 Muhammad Zulfikar G64120062 Annisa Trianadewi G64120070 Gema Abriantini G64120089 Departemen Ilmu Komputer Fakultas Matematika dan Ilmu Pengetahuan Alam Institut Pertanian Bogor
Pendahuluan
Latar BelakangSetiap peristiwa penting yang terjadi di sekitar akan didokumentasikan oleh media. Salah satu bentuk dokumentasi yang dihasilkan berupa berita. Pada zaman modern ini, berita lebih mudah diakses karena ketersediannya di Internet. Berita dapat diakses melalui web browser dengan menggunakan Personal Computer maupun Smartphone
.
Berita yang dapat dipublikasikan pada suatu situs dapat mencapai puluhan artikel dengan berbagai topik. Bagi pembaca yang hanya memiliki sedikit waktu luang, mereka tidak dapat membaca semua berita pada hari tersebut karena jumlahnya yang banyak. Oleh karena itu peringkasan teks berita akan sangat berguna untuk pembaca tersebut.
Peringkasan teks adalah suatu proses penyunting sebagian besar informasi penting dari sumber teks. Peringkasan teks khususnya berita dapat digunakan untuk mendapatkan intisari dari teks berita tanpa membaca keseluruhan teks. Namun kegiatan meringkas ini tidak efisien dilakukan manual oleh manusia karena memerlukan waktu lama. Oleh karena itu, dapat dikembangkan aplikasi peringkasan teks yang dapat memberikan intisari dari teks berita secara otomatis. Pengembangan aplikasi ini yaitu dengan menerapkan metode peringkasan teks dan pembobotan kalimat.
Rumusan Masalah
Rumusan masalah pada proyek ini adalah bagaimana menerapkan metode peringkasan teks dan membuat aplikasi peringkasan teks secara otomatis.
▸ Baca selengkapnya: memprediksi isi teks berita dengan membaca
(2)Tujuan
Tujuan dari proyek ini adalah membuat aplikasi dan menerapkan metode peringkasan teks dengan pembobotan kalimat.
Ruang Lingkup
Ruang lingkup pada proyek ini adalah teks yang dapat diringkas merupakan teks yang mempunyai judul atau teks berita.
Manfaat
Manfaat dalam proyek ini adalah untuk mempermudah pihak media yang mengeluarkan berita untuk meringkas teks berita secara otomatis.
Metode
Tahapantahapan yang dilakukan untuk melakukan peringkasan teks dapat dilihat pada Gambar 1. Gambar 1 Tahapan Peringkasan Teks Data
Data teks diambil dari situs beritaonline
Indonesia. Teks yang digunakan adalah
teks berita yang mempunyai judul. Teks yang digunakan sebanyak 13 teks berita. Korpusstopword
dan kata dasar Bahasa Indonesia diambil dari situs Putra (2012) yang
menyediakan korpus tersebut.
Parsing
Kalimat
Parsing
kalimat dilakukan pada teks. Teks dipisahkan berdasarkan pemisah titik
(.). Pemisahan teks tersebut akan menghasilkan beberapa kalimat. Kalimatkalimat tersebut yang kemudian akan diambilterm
dalam setiap kalimatnya. Hasil dari tahapan
ini didapatkan list
kalimat yang akan digunakan untuk tahap pengambilan term/word.
Pengambilan Term Pengambilan term
dilakukan untuk setiap kalimat hasil parsing dan judul teks.
Pengambilan term
yang penting dilakukan dengan beberapa tahap yaitu: case folding ,
menghilangkan tanda baca, split
kata, membuang stopwords, stemming, dan terakhir
menyimpan term
. Tahap stemming menggunakan Algoritme Nazief dan Andriani yaitu
menggunakan tahap kedua dengan menghapus Inflection Suffixes (“lah”, “kah”, “pun” atau “nya”) (Liyantanto 2011). Hasil dari tahapan ini berupa list term
untuk setiap
kalimatnya.
Pembobotan Kalimat
Pada tahapan ini setiap kalimat yang sudah dipisahkan dilakukan pembobotan kalimat menggunakan pembobotan TFIDF. Pembobotan TFIDF menggunakan algoritme dari Schwartz (2015). Pembobotan ini digunakan karena memiliki perhitungan nilai similarity
yang sederhana dan lebih cepat. Algoritme yang digunakan
sebagai berikut:
Input : list distinct term
setiap kalimat dan list term judul
Output : nilai bobot untuk setiap kalimat
Langkah 1 : untuk setiap kalimat lakukan langkah 23 Langkah 2 : hitung frekuensi term
kalimat
Langkah 3 : normalisasi frekuensi term
kalimat
Langkah 4 : hitung frekuensi term
judul
Langkah 5 : normalisasi frekuensi term
judul
Langkah 6 : untuk setiap kalimat lakukan langkah 7 Langkah 7 : hitung similarity
antara judul dengan kalimat
Hasil nilai similarity
antara judul dan kalimat digunakan sebagai bobot kalimat.
Perhitungan similarity dapat dilihat pada Persamaan 1. im(j, ) ( ), jika i S (1) s s = ∑ ∀ i ∈ LJ NS WJi+ NS WSi ∈L Dengan j
adalah judul, s adalah kalimat, LJ adalah list term judul, LS adalah list
term
kalimat, NS adalah total kalimat teks, W Jiadalah nilai normalisasi frekuensi term
kei pada list term
judul, dan W Siadalah nilai normalisasi frekuensi term i pada list
term
kalimat. Semakin nilai similarity besar semakin penting kalimat tersebut.
Pemilihan Kalimat
Pada tahapan ini dilakukan pemilihan kalimat yang penting berdasarkan bobot kalimat yang dihasilkan. Hasil pemilihan kalimat akan ditampilkan sebagai hasil peringkasan. Pemilihan kalimat dilakukan dengan beberapa tahapan sebagai berikut:
Output : hasil peringkasan teks
Langkah 1 : hitung ratarata bobot dari setiap kalimat Langkah 2 : tetapkan nilai threshold
= ratarata
Langkah 3 : untuk setiap kalimat lakukan langkah 4 Langkah 4 : jika bobot kalimat >= threshold
, kalimat ditampilkan
Nilai threshold
ditetapkan untuk memilih kalimat yang ditampilkan. Threshold
tersebut dapat digunakan sebagai compression rate
dari hasil peringkasan. Hasil
peringkasan teks ini bergantung terhadap kalimat judul yang diberikan. Kalimat yang relevan atau berkaitan dengan judul akan ditampilkan pada hasil peringkasan. Compression rate (cr) = ntnr 00%, dengan nt adalah banyak kalimat pada teks dan nr
* 1
banyak kalimat pada hasil ringkasan.
Evaluasi
Salah satu metode untuk evaluasi hasil peringkasan adalah dengan Kappa Statistics
(Hori et al. dalam Yuliawati et al. 2011). Metode ini memungkinkan proses
perhitungan tingkat kesepakatan/agreement di antara dua interobserver
atau lebih atas
sebuah kondisi/permasalahan yang sama secara analisis statistik (Vierra dan Garrett dalam Yuliawati et al
. 2011).
Secara umum perhitungan Kappa dilakukan berdasarkan perbedaan tingkat kesepakatan antara berapa banyak kesepakatan yang diperoleh (observed agreement
)
dibandingkan dengan berapa banyak kesepakatan yang diharapkan ( expected agreement ). Secara perhitungan statistik Kappa dinyatakan dalam Persamaan 2. (2) k = (1 − p ) e (p − p )o e
Pada Persamaan 2, k menyatakan nilai Kappa, Po menyatakan observer agreement
, dan Pe menyatakan expected agreement.
Berdasarkan Tabel 1, a dan d menyatakan jumlah kedua observer
setuju atas
kalimat yang dihasilkan, sedangkan b dan c menyatakan jumlah kedua observer
tidak setuju. (Vierra dan Garrett dalam Yuliawati et al . 2011). Tabel 1 Confusion Matrix observer Observer 1 Hasil Observer
2 Hasil Tidak (0) Ya (1) Total
Tidak (0) a b m1
Total n1 n0 n
Perhitungan po
dan pe dijelaskan dalam Persamaan 3 dan 4 berikut:
( ) )) ( ) )) (3) pe= ( n1n * (m1n + ( n0n * (m0n (4) po= a + dn Intepretasi nilai Kappa dapat dilihat pada Tabel 2. Tabel 2 Intrepetasi Nilai Kappa
Nilai Kekuatan agreement
< 0 Poor 0 0.2 Slight 0.21 0.4 Fair 0.41 0.6 Moderate 0.61 0.8 Substatial 0.81 1 Almost perfect Lingkungan Pengembangan
Proyek ini dilakukan dengan menggunakan perangkat keras dan perangkat lunak sebagai berikut: 1. Perangkat keras berupa laptop dengan spesifikasi sebagai berikut: ● Intel® Core™ i3 GHz ● RAM 6 GB ● Harddisk 500 GB ● Monitor ● Mouse dan keyboard 2. Perangkat lunak: ● Sistem operasi Windows 10 ● Bahasa pemrograman Python ● Pycharm 5 sebagai IDE Python ● Library Python tkinter untuk GUI ● Library Python threading ● Matlab untuk menghitung nilai Kappa
Hasil dan Pembahasan
DataData teks diambil dari beberapa situs berita online
Indonesia. Teks yang
digunakan adalah teks berita yang mempunyai judul sebanyak 13 teks berita. Data teks yang digunakan dapat dilihat pada Tabel 3.
Tabel 3 Data Teks yang digunakan
No Judul Berita Sumber Berita
1 "Apple Car" Dirumorkan Bakal Meluncur di 2019 http://www.beritasatu.com/iptek/337347 applecardirumorkanbakalmeluncur di2019.html 2 Polisi Kantongi Identitas Pembacok Remaja di Tebet http://news.detik.com/berita/3109262/po lisikantongiidentitaspembacokremaja ditebet 3 Rencana di Bursa Transfer Januari, Milan Sudah Ada Tiga Pemain Baru http://m.juara.net/read/sepak.bola/italia/ 134471rencana.di.bursa.transfer.januari .milan.sudah.ada.tiga.pemain.baru 4 Ini Kondisi KantinKantin di Kampus IPB http://news.detik.com/berita/3094294/ini kondisikantinkantindikampusipb 5 Hadiah tahun baru dari TNI AL, 10 kapal pencuri ikan ditenggelamkan http://www.merdeka.com/peristiwa/hadi ahtahunbarudaritnial10kapalpenc uriikanditenggelamkan.html 6 Ini formasi pengamanan di sekitar Monas pada malam tahun baru http://www.merdeka.com/peristiwa/inif ormasipengamanandisekitarmonasp adamalamtahunbaru.html 7 Tahun Baru, Polisi di Kota Kediri Ganti Peluit dengan Trompet http://www.bangsaonline.com/berita/17 527/tahunbarupolisidikotakedirigan tipeluitdengantrompet 8 Alasan Pengunjung Tetap ke Ragunan Meski Ramai: Tiketnya Cuma Rp 4 Ribu http://news.detik.com/berita/3109263/al asanpengunjungtetapkeragunanmes kiramaitiketnyacumarp4ribu 9 Polisi tangkap pembuat terompet bersampul Alquran di Cianjur http://www.merdeka.com/peristiwa/poli sitangkappembuatterompetbersampul
alqurandicianjur.html 10 Idrus Marham Mengaku Dapat Surat soal Pencabutan SK Golkar Agung Laksono http://www.tribunnews.com/nasional/20 15/12/31/idrusmarhammengakudapat suratsoalpencabutanskgolkaragungl aksono 11 Ini Start Up yang Paling Diincar Pencari Kerja http://www.beritasatu.com/iptek/337355 iniistartupiyangpalingdiincarpenca rikerja.html 12 Pengunjung TMII Membludak, Polisi Sampai Turun Tangan Cegah Keributan karena Parkir http://news.detik.com/berita/3109264/pe ngunjungtmiimembludakpolisisampa ituruntangancegahkeributankarenap arkir 13 Tahun Baru, Server WhatsApp Sempat Down http://www.beritasatu.com/iptek/337351 tahunbaruserverwhatsappsempatido wni.html Peringkasan Teks
Peringkasan teks dilakukan dengan beberapa tahapan yaitu pemisahan kalimat dari teks, pengambilan term
/word dari dari setiap kalimat, pembobotan kalimat,
pemilihan kalimat, dan menampilkan hasil peringkasan. Peringkasan teks pada proyek ini menggunakan teks berita. Contoh peringkasan teks pada proyek ini akan dijelaskan sebagai berikut:
1. Teks yang digunakan teks berita dengan judul “Tahun Baru, Server WhatsApp Sempat Down” seperti teks dibawah ini:
Aplikasi chat paling populer dunia WhatsApp sempat tak bisa diakses saat pergantian tahun, Jumat (1/1). Para pengguna WhatsApp di Eropa dan Amerika sempat tak bisa mengirimkan atau menerima pesan melalui aplikasi tersebut.
Belum jelas apa yang menjadi penyebab gagal berfungsinya server milik WhatsApp, tapi menurut laporan dari situs DownDetector, gagal berfungsinya aplikasi tersebut terjadi pada pukul 4.30 GMT.
Kegagalan server WhatsApp melayani permintaan pengguna diduga terjadi karena kelebihan beban dimana pada saat itu banyak pengguna saling mengirimkan pesan setelah pergantian tahun baru.
Terakhir kali WhatsApp mengungkapkan jumlah pengguna mereka, September lalu, perusahaan yang dimiliki Facebook ini mengklaim telah memiliki lebih dari 900 juta pengguna. Diyakini saat ini WhatsApp telah memiliki jumlah pengguna lebih dari satu miliar di seluruh dunia.
2. Kemudian dari teks tersebut dipisahkan kalimatkalimat dengan pemisah titik. Hasil pemisahan kalimat sebagai berikut:
1. Aplikasi chat paling populer dunia WhatsApp sempat tak bisa diakses saat pergantian tahun, Jumat (1/1)
2. Para pengguna WhatsApp di Eropa dan Amerika sempat tak bisa mengirimkan atau menerima pesan melalui aplikasi tersebut
3. Belum jelas apa yang menjadi penyebab gagal berfungsinya server milik WhatsApp, tapi menurut laporan dari situs DownDetector, gagal berfungsinya aplikasi tersebut terjadi pada pukul 4
4. 30 GMT
5. Kegagalan server WhatsApp melayani permintaan pengguna diduga terjadi karena kelebihan beban dimana pada saat itu banyak pengguna saling mengirimkan pesan setelah pergantian tahun baru
6. Terakhir kali WhatsApp mengungkapkan jumlah pengguna mereka, September lalu, perusahaan yang dimiliki Facebook ini mengklaim telah memiliki lebih dari 900 juta pengguna
7. Diyakini saat ini WhatsApp telah memiliki jumlah pengguna lebih dari satu miliar di seluruh dunia
3. Pengambilan term
yang penting untuk setiap kalimat dan judul. Hasil pengambilan
term sebagai berikut:
1. ['aplikasi', 'chat', 'populer', 'dunia', 'whatsapp', 'diakses', 'pergantian', 'jumat']
2. ['pengguna', 'whatsapp', 'eropa', 'amerika', 'mengirimkan', 'menerima', 'pesan', 'aplikasi']
3. ['penyebab', 'gagal', 'berfungsi', 'server', 'milik', 'whatsapp', 'laporan', 'situs', 'downdetector', 'gagal', 'berfungsi', 'aplikasi']
4. ['gmt']
5. ['kegagalan', 'server', 'whatsapp', 'melayani', 'permintaan', 'pengguna', 'diduga', 'kelebihan', 'beban', 'dimana', 'pengguna', 'mengirimkan', 'pesan', 'pergantian']
6. ['kali', 'whatsapp', 'pengguna', 'september', 'perusahaan', 'dimiliki', 'facebook', 'mengklaim', 'memiliki', 'juta', 'pengguna']
7. ['diyakini', 'whatsapp', 'memiliki', 'pengguna', 'miliar', 'dunia'] 8. Term Judul: ['server', 'whatsapp', 'down']
4. Kemudian dilakukan pembobotan kalimat untuk setiap kalimat berdasarkan list term kalimat dan list term judul. Pembobotan kalimat sebagai berikut: ● Normalisasi frekuensi kata 1. {'chat': 0.125, 'populer': 0.125, 'jumat': 0.125, 'whatsapp': 0.125, 'aplikasi': 0.125, 'dunia': 0.125, 'pergantian': 0.125, 'diakses': 0.125} 2. {'menerima': 0.125, 'whatsapp': 0.125, 'pesan': 0.125, 'aplikasi': 0.125, 'amerika': 0.125, 'pengguna': 0.125, 'eropa': 0.125, 'mengirimkan': 0.125} 3. {'gagal': 0.16666666666666666, 'milik': 0.08333333333333333, 'berfungsi': 0.16666666666666666, 'penyebab': 0.08333333333333333, 'aplikasi':
0.08333333333333333, 'downdetector': 0.08333333333333333, 'whatsapp': 0.08333333333333333, 'laporan': 0.08333333333333333, 'server': 0.08333333333333333, 'situs': 0.08333333333333333} 4. {'gmt': 1.0} 5. {'kegagalan': 0.07142857142857142, 'server': 0.07142857142857142, 'kelebihan': 0.07142857142857142, 'melayani': 0.07142857142857142, 'permintaan': 0.07142857142857142, 'pengguna': 0.14285714285714285, 'whatsapp': 0.07142857142857142, 'pesan': 0.07142857142857142, 'beban': 0.07142857142857142, 'pergantian': 0.07142857142857142, 'dimana': 0.07142857142857142, 'mengirimkan': 0.07142857142857142, 'diduga': 0.07142857142857142} 6. {'september': 0.09090909090909091, 'perusahaan': 0.09090909090909091, 'whatsapp': 0.09090909090909091, 'memiliki': 0.09090909090909091, 'mengklaim': 0.09090909090909091, 'kali': 0.09090909090909091, 'juta': 0.09090909090909091, 'facebook': 0.09090909090909091, 'dimiliki': 0.09090909090909091, 'pengguna': 0.18181818181818182} 7. {'whatsapp': 0.16666666666666666, 'memiliki': 0.16666666666666666, 'dunia': 0.16666666666666666, 'miliar': 0.16666666666666666, 'diyakini': 0.16666666666666666, 'pengguna': 0.16666666666666666} 8. Term Judul: {'server': 0.3333333333333333, 'whatsapp': 0.3333333333333333, 'down': 0.3333333333333333} ● Score similarity
antara term judul dan setiap kalimat
1. 0.07638888888888888 2. 0.07638888888888888 3. 0.2777777777777778 4. 0.0 5. 0.2698412698412698 6. 0.0707070707070707 7. 0.08333333333333333
5. Pemilihan kalimat yang akan ditampilkan untuk hasil peringkasan melihat dari nilai similarity
. Kalimat dipilih apabila nilai similarity lebih besar sama dengan nilai
threshold
. Threshold yang digunakan adalah nilai ratarata dari nilai similarity. Pada
kasus ini nilai threshold
yang digunakan adalah 0.12. Sehingga kalimat yang akan
dipilih adalah kalimat 3 dan 5.
6. Dari pemilihan kalimat tersebut akan digunakan sebagai hasil peringkasan. Berikut hasil ringkasan teks berita tersebut:
Belum jelas apa yang menjadi penyebab gagal berfungsinya server milik WhatsApp, tapi menurut laporan dari situs DownDetector, gagal berfungsinya aplikasi tersebut terjadi pada pukul 4. Kegagalan server WhatsApp melayani permintaan pengguna diduga terjadi karena kelebihan beban dimana pada saat itu banyak pengguna saling mengirimkan pesan setelah pergantian tahun baru.
Evaluasi
Evaluasi peringkasan teks pada proyek ini berdasarkan nilai Kappa. Pada proyek ini digunakan duaobserver
dalam melakukan judgment dalam hasil peringkasan. Hasil
evaluasi peringkasan teks menggunakan nilai Kappa dapat dilihat pada Tabel 4. Evaluasi dua observer
dalam hasil ringkasan untuk setiap teks berita dapat dilihat pada
Lampiran 1. Dari evaluasi tersebut didapatkan bahwa dengan menggunakan threshold adalah ratarata bobot kalimat menghasilkan ratarata compression rate
adalah 35%.
Tabel 4 Hasil Evaluasi
No Judul Berita Nilai Kappa Intrepetasi
1 "Apple Car" Dirumorkan Bakal Meluncur di 2019 0.6667 Substatial 2 Polisi Kantongi Identitas Pembacok Remaja di Tebet 1 Almost perfect 3 Rencana di Bursa Transfer Januari, Milan Sudah Ada Tiga Pemain Baru 0.6 Substatial 4 Ini Kondisi KantinKantin di Kampus IPB 1 Almost perfect 5 Hadiah tahun baru dari TNI AL, 10 kapal pencuri ikan ditenggelamkan 0 Slight 6 Ini formasi pengamanan di sekitar Monas pada malam tahun baru 0 Slight 7 Tahun Baru, Polisi di Kota Kediri Ganti Peluit dengan Trompet 1 Almost perfect 8 Alasan Pengunjung Tetap ke Ragunan Meski Ramai: Tiketnya Cuma Rp 4 Ribu 0 Slight 9 Polisi tangkap pembuat terompet bersampul Alquran di Cianjur 1 Almost perfect 10 Idrus Marham Mengaku Dapat Surat soal Pencabutan SK Golkar Agung Laksono 1 Almost perfect 11 Ini Start Up yang Paling Diincar Pencari Kerja 0 Slight 12 Pengunjung TMII Membludak, Polisi Sampai 0 Slight
Turun Tangan Cegah Keributan karena Parkir
13 Tahun Baru, Server WhatsApp Sempat Down 1 Almost
perfect
Berdasarkan Tabel 4 dapat dilihat bahwa sebanyak 6 teks berita yang memberikan hasil “Almost Perfect
”, 5 teks berita yang memberikan hasil “ Slight”, dan 2
teks berita yang memberikan hasil “Substatial
”. Ratarata nilai kappa yang dihasilkan
adalah 0.56 atau “Moderate
”. Sehingga dapat dikatakan cukup sepakat antar observer
bahwa hasil evaluasi peringkasan pada teks berita yang digunakan memberikan hasil yang sesuai.
Implementasi
Peringkasan teks diimplementasikan ke dalam sebuah aplikasi desktop menggunakan bahasa pemrograman Python. Sumber kode program dapat dilihat di http://code.cs.ipb.ac.id/yuandri_trisaputra12u/IndonesianNewsTextSummarizationP ython. Aplikasi ini menggunakan library
tkinter untuk membuat Graphical User
Interface (GUI). GUI dibuat untuk memudahkan melakukan peringkasan teks. Tampilan aplikasi dapat dilihat pada Gambar 1 dan 2. Waktu eksekusi dalam menjalankan program ini tidak terlalu cepat, ratarata 30 detik dalam menjalankannya. Hal ini disebabkan setiap kata harus dibandingkan satusatu terlebih dahulu ke setiap korpus kata bahasa Indonesia dan stopwords . Gambar 1 Tampilan Aplikasi sebelum dijalankan
Gambar 2 Tampilan Aplikasi Setelah dijalankan
Kesimpulan dan Saran
Kesimpulan Kesimpulan pada proyek ini adalah: 1. Metode peringkasan teks secara otomatis dapat diterapkan 2. Hasil peringkasan teks cukup baik dengan ratarata nila Kappa 0.56 3. Aplikasi untuk peringkasan teks secara otomatis berhasil dibuat SaranSaran pada proyek ini adalah menggunakan seluruh algoritmestemming
bahasa
Indonesia dan metode pembobotan kalimat yang berbeda.
Daftar Pustaka
Liyantanto R, 2011. Stemming bahasa indonesia dengan algoritme Nazief dan Andriani.
[internet] Tersedia:
https://liyantanto.wordpress.com/2011/06/28/stemmingbahasaindonesiadenganalg oritmanaziefdanandriani/
Putra PA, 2012. Kamus Kata Dasar dan Stopword List Bahasa Indonesia. [internet] Tersedia:
http://hikaruyuuki.lecture.ub.ac.id/kamuskatadasardanstopwordlistbahasaindon esia/
Schwartz HR, 2015. An extremely simple Python library to perform TFIDF document comparison. [internet] Tersedia: https://github.com/hrs/pythontfidf
Yuliawati A, Purwitasari D, Yuhana UL. 2011. Implementasi peringkasan otomatis pada dokumen terstruktur dengan metode faktorisasi matriks nonnegatif. [skripsi]. Surabaya (ID): ITS.
Lampiran
Lampiran 1 Evaluasi dua observer
No Judul Berita a b c d nr nt cr
(%) 1 "Apple Car" Dirumorkan Bakal Meluncur di 2019 2 1 0 3 6 12 50 2 Polisi Kantongi Identitas Pembacok Remaja di Tebet 0 0 0 2 2 12 17 3 Rencana di Bursa Transfer Januari, Milan Sudah Ada Tiga Pemain Baru 1 1 0 6 8 36 22 4 Ini Kondisi KantinKantin di Kampus IPB 0 0 0 2 2 9 22 5 Hadiah tahun baru dari TNI AL, 10 kapal pencuri ikan ditenggelamkan 0 0 1 6 7 20 35 6 Ini formasi pengamanan di sekitar Monas pada malam tahun baru 0 0 1 2 3 8 38 7 Tahun Baru, Polisi di Kota Kediri Ganti Peluit dengan Trompet 0 0 0 5 5 14 36 8 Alasan Pengunjung Tetap ke Ragunan Meski Ramai: Tiketnya Cuma Rp 4 Ribu 0 0 1 5 6 15 40 9 Polisi tangkap pembuat terompet bersampul Alquran di Cianjur 0 0 0 5 5 10 50 10 Idrus Marham Mengaku Dapat Surat soal Pencabutan SK Golkar Agung Laksono 0 0 0 3 3 6 50 11 Ini Start Up yang Paling Diincar Pencari Kerja 0 1 0 1 2 5 40 12 Pengunjung TMII Membludak, Polisi Sampai Turun Tangan Cegah Keributan karena Parkir 0 0 1 5 6 19 32 13 Tahun Baru, Server WhatsApp Sempat Down 0 0 0 2 2 7 30