Aplikasi Peringkasan Teks Berita Otomatis Menggunakan Pembobotan Kalimat. Pendahuluan

Aplikasi Peringkasan Teks Berita Otomatis Menggunakan  Pembobotan Kalimat    Yuandri Trisaputra Mirza Rakhmadianti Muhammad Zulfikar Annisa Trianadewi Gema Abriantini

G64120004  G64120056  G64120062  G64120070  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.      1 

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.      2 

​

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.  sim(j, s)  =

 

∑ ∀ i ∈ LJ

WJ

( NSi +

WSi NS ),  jika i 

∈ LS                                      (1)  

Dengan  j  adalah  judul,  ​s  adalah  kalimat,  ​LJ  adalah list ​term judul, ​LS adalah list  term  kalimat,  ​NS  adalah  total  kalimat  teks,  W J i adalah  nilai  normalisasi  frekuensi  ​term  ke­i  pada  list  ​term  judul,  dan  W Si adalah  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:  Input : list bobot setiap kalimat  3 

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)  =  nr nt * 100% ,  dengan  ​nt  adalah   banyak  kalimat  pada  teks  dan ​nr  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.  o − pe) k  =  (p(1 − p                                                          (2)   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 

Ya (1) 

c 

d 

m0 

4 

Total 

n1 

n0 

n 

  Perhitungan ​po dan ​pe dijelaskan dalam Persamaan 3 dan 4 berikut:  n0 m0 pe = (( n1n ) * ( m1 n )) + (( n ) * ( n ))                                        (3)   po =   a + d n                                                           (4)   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      5 

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  http://news.detik.com/berita/3109262/po Remaja di Tebet  lisi­kantongi­identitas­pembacok­remaja ­di­tebet 

3 

Rencana di Bursa Transfer Januari,  http://m.juara.net/read/sepak.bola/italia/ Milan Sudah Ada Tiga Pemain  134471­rencana.di.bursa.transfer.januari Baru  .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  http://www.merdeka.com/peristiwa/hadi kapal pencuri ikan ditenggelamkan  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 6 

­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 

13 

Pengunjung TMII Membludak,  http://news.detik.com/berita/3109264/pe Polisi Sampai Turun Tangan Cegah  ngunjung­tmii­membludak­polisi­sampa Keributan karena Parkir  i­turun­tangan­cegah­keributan­karena­p arkir  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.  7 

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':  8 

●

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. 

  9 

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  10 

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    11 

  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 

12 

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 

Polisi Kantongi Identitas Pembacok Remaja di Tebet  0  0  0 

2 

2  12 

17 

2  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:  0  0  1  Tiketnya Cuma Rp 4 Ribu 

5 

6  15 

40 

9 

Polisi tangkap pembuat terompet bersampul Alquran  0  0  0  di Cianjur 

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 

Pengunjung TMII Membludak, Polisi Sampai Turun  0  0  1  Tangan Cegah Keributan karena Parkir 

5 

6  19 

32 

2 

2 

30 

12 

13 

Tahun Baru, Server WhatsApp Sempat Down 

0  0  0 

7 

  13