PERBANDINGAN PEMBOBOTAN KATA METODE TF-IDF DENGAN TF-ABS PADA PERINGKASAN TEKS BERITA OTOMATIS MENGGUNAKAN MAXIMUM MARGINAL RELEVANCE
Seiring perkembangan teknologi informasi menyebabkan teknologi internet semakin cepat, sehingga memicu munculnya banyak situs berita online. Meningkatnya jumlah portal berita online menimbulkan banyaknya berita yang disuguhkan kepada masyarakat, sehingga kebutuhan peringkasan teks semakin dibutuhkan agar dapat memperoleh informasi secara cepat. Oleh sebab itu, dibutuhkan sebuah sistem peringkasan teks berita dengan metode Maximum Marginal Relevance untuk mendapatkan hasil ringkasan. Tujuan penelitian dengan membandingkan nilai akurasi antara algoritma TF-IDF dan TF-ABS adalah untuk mengetahui pembobotan kata dengan nilai akurasi yang lebih tinggi diantara kedua algoritma tersebut. Proses peringkasan dimulai dari tahapan preprocessing yang berisi segmentasi kalimat, case folding, tokenizing, filtering dan stemming lalu dilanjutkan dengan pembobotan TF-IDF dan TF-ABS untuk menentukan nilai bobot kata dan membandingkan pembobotan kata untuk mendapatkan hasil ringkasan menggunakan Maximum Marginal Relevance. Hasil penelitian ini menunjukkan bahwa pembobotan kata TF-ABS mendapatkan nilai akurasi lebih tinggi dibandingkan TF-IDF. Dengan nilai rata-rata precision sebesar 0.34408, recall sebesar 0.29984, dan f-measure sebesar 0.31478. Sedangkan pada pengujian TF-ABS menghasilkan nilai rata-rata precision sebesar 0.35426, recall sebesar 0.31014, dan f-measure sebesar 0.32788.
URI
https://repo.itera.ac.id/depan/submission/SB2307220002
Keyword