NINETYJOURNALNINETYJOURNAL

Jurnal Kecerdasan Buatan dan Teknologi InformasiJurnal Kecerdasan Buatan dan Teknologi Informasi

Penelitian ini mengembangkan sistem peringkasan teks otomatis untuk modul pembelajaran berbahasa Indonesia menggunakan metode Latent Semantic Analysis. Tantangan utama peringkasan teks dalam Bahasa Indonesia mencakup kompleksitas struktur bahasa dan penggunaan imbuhan, yang memerlukan proses prapemrosesan teks secara menyeluruh, termasuk stemming. Penelitian ini membandingkan dua algoritma stemming, yaitu Nazief-Adriani dan Porter, untuk mengubah kata berimbuhan menjadi bentuk dasar. Metode ini diawali dengan pemecahan kalimat, pembersihan teks, penghapusan kata tidak penting, dan pembobotan kata menggunakan Term Frequency-Inverse Document Frequency. Tahap selanjutnya adalah analisis hubungan semantik antar kata dan kalimat menggunakan Singular Value Decomposition untuk menghasilkan matriks term-dokumen yang diproses menjadi salience score. Hasil evaluasi menunjukkan bahwa algoritma Nazief-Adriani memiliki akurasi lebih tinggi dengan nilai precision, recall, dan F-measure masing-masing sebesar 87,69%, 83,41%, dan 85,37%, dibandingkan Porter yang hanya mencapai rata-rata 81,50%. Algoritma Latent Semantic Analysis memberikan tingkat akurasi rata-rata sebesar 83,49%, lebih unggul dibandingkan penelitian sebelumnya. Kesimpulan penelitian ini menegaskan efektivitas metode Latent Semantic Analysis untuk peringkasan teks otomatis dan superioritas algoritma Nazief-Adriani dalam menghasilkan akurasi yang lebih baik dan merekomendasikan pengembangan sistem yang lebih efisien dan mendukung pemrosesan Bahasa Indonesia secara optimal.

Penelitian ini berhasil mengimplementasikan metode Latent Semantic Analysis (LSA) untuk peringkasan teks otomatis pada modul pembelajaran berbahasa Indonesia.Hasil evaluasi menunjukkan bahwa algoritma stemming Nazief-Adriani lebih unggul dibandingkan algoritma Porter dalam menghasilkan ringkasan yang akurat.Nazief-Adriani mencapai nilai rata-rata precision sebesar 87,69%, recall sebesar 83,41%, dan F-measure sebesar 85,37%, sedangkan Porter hanya memperoleh rata-rata precision sebesar 82,33%, recall sebesar 80,69%, dan F-measure sebesar 81,50%.

Dalam penelitian ini, ada beberapa pertanyaan penelitian yang dapat diajukan untuk pengembangan lanjutan. Pertama, bagaimana jika diterapkan algoritma lain yang lebih inovatif dalam proses stemming dan apakah hal ini bisa meningkatkan akurasi lebih jauh? Kedua, penelitian ini bisa dijadikan dasar untuk mengembangkan metode hybrid yang memadukan LSA dan pendekatan machine learning lainnya untuk memperbaiki hasil peringkasan. Terakhir, mengingat kompleksitas bahasa Indonesia, bagaimana penerapan teknik pemrosesan bahasa alami lebih mendalam dalam sistem yang ada dapat meningkatkan efektivitas peringkasan teks untuk konteks yang lebih luas?.

  1. Latent semantic analysis and cosine similarity for hadith search engine | Darmalaksana | TELKOMNIKA (Telecommunication... doi.org/10.12928/TELKOMNIKA.V18I1.14874Latent semantic analysis and cosine similarity for hadith search engine Darmalaksana TELKOMNIKA Telecommunication doi 10 12928 TELKOMNIKA V18I1 14874
  2. DOI Name 10.69916 Values. name values index type timestamp data admin handle delete modify list serv... doi.org/10.69916DOI Name 10 69916 Values name values index type timestamp data admin handle delete modify list serv doi 10 69916
  3. Peringkasan teks otomatis (automated text summarization) pada artikel berbahasa indonesia menggunakan... doi.org/10.37859/coscitech.v3i3.4300Peringkasan teks otomatis automated text summarization pada artikel berbahasa indonesia menggunakan doi 10 37859 coscitech v3i3 4300
  4. Radware Bot Manager Captcha. radware manager captcha apologize ensure keep safe please confirm human... iopscience.iop.org/article/10.1088/1757-899X/1098/3/032044Radware Bot Manager Captcha radware manager captcha apologize ensure keep safe please confirm human iopscience iop article 10 1088 1757 899X 1098 3 032044
  5. Abstractive vs. Extractive Summarization: An Experimental Review. abstractive extractive experimental... mdpi.com/2076-3417/13/13/7620Abstractive vs Extractive Summarization An Experimental Review abstractive extractive experimental mdpi 2076 3417 13 13 7620
  1. #latent semantic analysis#latent semantic analysis
File size207.69 KB
Pages7
DMCAReportReport

ads-block-test