Extractive Text Summarization Terhadap Artikel Berita Indonesia Berbasis Machine Learning
Abstract
Abstrak — Terciptanya internet, jejaring sosial, forum, dan teknologi informasi yang tersebar secara cepat, menyebabkan interaksi terhadap informasi semakin sulit untuk dipahami, dibuat, dikembangkan, dan disimpan. Dengan luasnya informasi sehingga hampir tidak mungkin untuk seorang pun untuk memproses dan meringkas semua data informasi yang tersedia. Indonesia memiliki literasi yang sangat rendah dari negara lain dengan beberapa faktor seperti tidak membiasakan diri untuk membaca buku dari rumah, perkembangan teknologi yang semakin pesat, minimnya sarana untuk membaca, kurangnya motivasi untuk membaca, dan sifat malas untuk mengembangkan ide. Automatic text summarization adalah salah satu alternatif teknologi yang bisa digunakan untuk menyelesaikan masalah tersebut. Automatic text summarization merupakan bagian dari bidang Natural Language Processing (NLP) yang bertujuan untuk merepresentasikan dokumen teks yang panjang menjadi lebih ringkas, sehingga pengguna dapat dengan mudah memahami informasi dengan cepat. Berbagai metode telah dilakukan untuk mengatasi masalah peringkasan teks otomatis untuk objek berbahasa Indonesia, yaitu berbasis extractive dan abstractive. Untuk mengatasi masalah ini, pada penelitian digunakan extractive text summarization berbasis machine learning. Pada penelitian ini menggunakan dataset publik yang bisa digunakan untuk penelitian-penelitian selanjutnya. Metode yang digunakan untuk mendapatkan hasil summarization dengan menggunakan metode Word2Vec dengan penerapan model Continous Bag-of-Word (CBOW) dan Skip-Gram. Metode yang digunakan untuk evaluasi akurasi hasil ringkasan adalah Recall-Oriented Understudy for Gisting Evaluation (ROUGE).
Kata kunci— Automatic Text Summarization, Word2Vec, Continous Bag-of-Words, Skip-Gram, Recall-Oriented Understudy for Gisting Evaluation
References
Rupal. Bhargava and Yashvardhan. Sharma,
B. Mutlu, E. A. Sezer, and M. A. Akcayol,
N. Savanti Widya Gotami, Indriati, and R. Kartika
Dewi,
Analysis,= 2018. [Online]. Available: http://jptiik.ub.ac.id
B. U. Ilham, "Harbuknas 2022_: Literasi Indonesia Peringkat Ke-62 Dari 70 Negara," 2022.
https://bisniskumkm.com/harbuknas-2022-literasiindonesia-peringkat-ke-62-dari-70-negara/ (accessed
Jan. 06, 2023).
Jessica, <5 Penyebab Rendahnya Budaya Literasi di
Indonesia,= Jul. 10, 2017.
https://www.educenter.id/5-penyebab-rendahnyabudaya-literasi-di-indonesia/ (accessed Jan. 06, .
M. M. Mubarok,
A. Joshi, E. Fidalgo, E. Alegre, and L. FernandezRobles,
S. Singh, A. Singh, S. Majumder, A. Sawhney, D.
Krishnan, and S. Deshmukh, "Extractive Text Summarization Techniques of News Articles: Issues, Challenges and Approaches," in Proceedings - International Conference on Vision Towards
Emerging Trends in Communication and Networking, ViTECoN 2019, 2019. doi: 1109/ViTECoN.2019.8899706.
R. Adelia, S. Suyanto, and U. N. Wisesty,
N. Moratanch and S. Chitrakala,
K. Kurniawan and S. Louvan,
I. R. Musyaffanto, G. Budi Herwanto, and M. Riasetiawan,
International Conference on Science and Technology, ICST 2019, 2019. doi: 1109/ICST47872.2019.9166376.
L. Liu, Y. Lu, M. Yang, Q. Qu, J. Zhu, and H. Li, "Generative Adversarial Network for Abstractive Text Summarization *," 2017, Accessed: Jan. 06, [Online]. Available: www.aaai.org
H. T. Le and T. M. Le,
Recognition (SoCPaR), IEEE, Dec. 2013, pp. 371- doi: 10.1109/SOCPAR.2013.7054161.
N. Moratanch and S. Chitrakala,
F. Horasan and B. Bilen,
R. Bonetto and V. Latzko,
K. Jain, M. Chawla, A. Gadhwal, R. Jain, and P. Nagrath,
Networks and Systems, 2020. doi: 10.1007/978-981- -3369-3_19.
C. E. Lawson et al.,
A. Pant,
