Aplikasi Peringkasan Teks Berita Otomatis Menggunakan Pembobotan Kalimat. Pendahuluan

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 Belakang 

Setiap 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

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 berita_​online

​        Indonesia. Teks yang digunakan adalah         

teks berita yang mempunyai judul. Teks yang digunakan sebanyak 13 teks berita.        Korpus_​stopword

​    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 diambil_​term

​        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 J_iadalah nilai normalisasi frekuensi       _​term 

ke­i pada list _​term

​        judul, dan    W S_iadalah 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 

Data 

Data 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 dua_​observer

​ _​        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    Saran 

Saran pada proyek ini adalah menggunakan seluruh algoritme_​stemming

​        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