Pembobotan Kalimat Berdasarkan Fitur Berita Dan Trending Issue Untuk Peringkasan Multi Dokumen Berita

Abstract

ABSTRAK Ringkasan berita diartikan sebagai teks yang dihasilkan dari satu atau lebih kalimat yang menyampaikan informasi penting dari berita. Salah satu fase penting dalam peringkasan adalah pembobotan kalimat (sentence scoring). Dimana pada peringkasan berita, metode pembobotannya sebagian besar menggunakan fitur dari berita sendiri. Padahal dalam satu topik berita dimungkinkan adanya multiple issue. Dari multiple issue biasanya hanya ada satu isu yang menjadi pokok pembicaraan yang disebut dengan Trending Issue. Trending Issue inilah yang harusnya dipertimbangkan pada proses peringkasan berita sehingga ringkasan yang dihasilkan lebih koheren.Penelitian ini bertujuan untuk meringkas multi berita menggunakan metode pembobotan berdasarkan Trending Issue dengan tetap mempertimbangkan fitur penting berita, yaitu word frequency, TF-IDF, posisi kalimat, dan kemiripan kalimat terhadap judul (NeFTIS). Dimana Trending Issue didapatkan dari data Twitter dengan cara mengelompokkan tweets kemudian melakukan ekstraksi isu pada tiap kelompok yang terbentuk. Selanjutnya tiap isu diberikan bobot menggunakan konsep Cluster Importance (CI). Isu dengan bobot terbesar yang akan dipilih sebagai Trending Issue.Ada 5 tahap yang dilakukan untuk menghasilkan ringkasan multi berita dengan menggunakan NeFTIS, yaitu ekstraksi Trending Issue, seleksi berita, ekstraksi fitur berita, penghitungan total bobot kalimat, dan penyusunan ringkasan. Untuk mengukur kualitas sistem digunakan metode evaluasi ROUGE-1 dengan menganalisa performa dari hasil ringkasan dengan menggunakan metode pembobotan NeFTIS dibandingkan dengan hasil ringkasan dengan hanya menggunakan fitur berita (NeFS). Hasil rata-rata max-ROUGE-1 untuk seluruh variasi jumlah kalimat yang menyusun ringkasan (n) menunjukan bahwa metode pembobotan NeFTIS lebih akurat dibanding dengan metode pembobotan NeFS dengan nilai rata-rata max-ROUGE-1 terbesar 0.8201 untuk n=30.

Ekstraksi Trending Issue Dengan Pendekatan Distribusi Kata Pada Pembobotan Term Untuk Peringkasan Multi-Dokumen Berita

“…Permasalahan yang mendasari penggunaan trending issue sebagai kalimat penting dan efektif dalam proses peringkasan dokumen dikarenakan trending issue memiliki kedekatan kata kunci terhadap sebuah kejadian berita yang sedang berlangsung [3]. Pada penelitian lainnya dilakukan teknik pembobotan dengan mengkombinasikan fitur berita dan trending issue pada twitter [4]. Metode pada penelitian tersebut melakukan pengelompokan tweets berdasar frekuensi dan bobot term menggunakan clustering k-medoids.…”

“…Hasil penelitian tersebut menyatakan bahwa keempat teknik tersebut dapat merepresentasikan pembobotan kalimat penting pada keseluruhan isi dokumen ringkasan. Penelitian lain menambahkan pembobotan penggunaan trending issue sebagai pembobotan kalimat selain menggunakan empat kombinasi pembobotan dari fitur berita [4]. Salah satu media yang dapat digunakan untuk mengetahui trending issue adalah Twitter.…”

“…Teknik pembobotan kalimat menggunakan metode NeFTIS [4], namun pada penelitian ini dilakukan modifikasi terhadap bobot W2 dan W5, dimana sebelumnya bobot kalimat W2 pada NeFTIS yang merupakan hasil penjumlahan bobot TFIDF pada term j sebuah kalimat diganti dengan bobot TDCB term j, Persamaan (14). Sedangkan bobot kalimat W5 yaitu kemiripan kalimat dokumen berita terhadap trending issue akan dilakukan proses query expansion agar memeperoleh coverage kata kunci yang lebih pada dokumen berita, Persamaan (15).…”

Improvement of Cluster Importance Algorithm with Sentence Position for News Summarization

“…This study proposes a solution to overcome redundancy by performing multi-document summarization of news in Bahasa Indonesia by using improvement of cluster importance algorithm with sentence position feature. Based on the research [9] explained that in a document, especially news, sentence position is an important feature where the sentence located in the beginning of paragraph has the biggest score than sentence which is located in the end of paragraph. The first phase to summarize is sentence clustering to news sub-topics.…”

Reduksi Dimensi Fitur Menggunakan Algoritma Aloft Untuk Pengelompokan Dokumen

“…Cara yang dapat digunakan untuk mengelola informasi digital adalah dengan pengelompokan dokumen. Hasil dari pengelompokan dapat dimanfaatkan untuk pencarian informasi [1], sistem pendukung keputusan [2], perbandingan review produk secara otomatis [3], dan peringkasan dokumen [4] [5].…”