PERINGKASAN TEKS BAHASA INDONESIA OTOMATIS MENGGUNAKAN METODE FEEDFORWARD NEURAL NETWORK

ANNISA NUR FADHILAH , 1317051010 (2018) PERINGKASAN TEKS BAHASA INDONESIA OTOMATIS MENGGUNAKAN METODE FEEDFORWARD NEURAL NETWORK. FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM , UNIVERSITAS LAMPUNG.

[img]
Preview
Text
ABSTRAK.pdf

Download (94Kb) | Preview
[img] Text
SKRIPSI FULL.pdf
Restricted to Registered users only

Download (1722Kb)
[img]
Preview
Text
SKRIPSI TANPA BAB PEMBAHASAN.pdf

Download (1722Kb) | Preview

Abstrak

Penelitian ini menampilkan bobot fitur teks untuk meringkas dokumen dalam bahasa Indonesia menggunakan feedforward neural network (FFNN). Penelitian ini melibatkan sebelas fitur teks yang diambil dari penelitian Aristoteles et al (2012), yaitu posisi kalimat (f1), positive keyword (f2)¸ negative keyword (f3), kemiripan antar kalimat (f4), kalimat yang menyerupai judul kalimat (f5), kalimat yang mengandung nama entity (f6), kalimat yang mengandung data numerik (f7), panjang kalimat (f8), koneksi antar kalimat (f9), dan penjumlahan bobot koneksi antar-kalimat (f10) , kalimat semantik (f11). Skor setiap kalimat yang diperoleh digunakan untuk melatih model FFNN sehingga didapatkan kombinasi bobot fitur yang optimal. Evaluasi hasil peringkasan teks yang dihasilkan sistem menggunakan metode F-measure. Hasil penelitian menunjukkan rata-rata Fmeasure 90,9% untuk tingkat kompresi 30%, 76,1% untuk tingkat kompresi 20%, dan 49,1% untuk tingkat kompresi 10%. Berdasarkan analisa model bobot, fitur teks f2 merupakan fitur yang paling berpengaruh dan dapat mewakili kesepuluh fitur lainya. Spesifikasi komputer yang digunakan mempengaruhi waktu komputasi yang diperlukan untuk mengeksekusi program peringkasan teks. Kata kunci : Peringkasan Teks, Feedforward Neural Network, Fitur Kalimat Semantik. abstarct This research is intended to display the weighting of text features to summarize documents in Indonesian using feedforward neural network (FFNN). This study involves eleven text features taken from the research of Aristoteles et al (2012), the position phrase (f1), positive keywords in sentence (f2), negative keywords in sentences (f3), sentence centrality (f4), sentence resemblance to the title (f5), sentence inclusion of name entity (f6), sentence inclusion of numerical data (f7), relative length of sentences (f8), thick lane nodes (f9), summing similarities for each node (f10), and latent semantic features (f11). All feature scoring functions are used to train the FFNN model to obtain a combination of the appropriate feature weights. Evaluation of text summarization using F-measure. The results showed average F-measure 90.9% for compression rate 30%, 76.1% for compression rate 20%, and 49.1% for compression rate 10%. Just using f2 can provide the same performance by using the eleventh feature. The computer specifications used affect the computing time required for a single runnning of the program. Keywords : Summarization Text, Feedforward Neural Network, Latent Semantic Feature.

Tipe Karya Ilmiah: Skripsi
Subyek: Q Science (General) > QA Mathematics > QA76 Computer software
Program Studi: Fakultas MIPA > Prodi Ilmu Komputer
Depositing User: 32144248 . Digilib
Date Deposited: 02 Feb 2018 08:34
Last Modified: 02 Feb 2018 08:34
URI: http://digilib.unila.ac.id/id/eprint/30146

Actions (login required)

View Item View Item