TY  - GEN
CY  - UNIVERSITAS LAMPUNG
ID  - eprints30146
UR  - http://digilib.unila.ac.id/30146/
A1  - ANNISA NUR FADHILAH , 1317051010
Y1  - 2018/01/15/
N2  - 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.
PB  - FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM 
TI  - PERINGKASAN TEKS BAHASA INDONESIA OTOMATIS
MENGGUNAKAN METODE FEEDFORWARD NEURAL NETWORK
AV  - restricted
ER  -