EVALUASI MAXIMUM MARGINAL RELEVANCE (MMR) DENGAN TEXTRANK PADA PERINGKASAN TEKS BERITA OTOMATIS
Peringkasan teks otomatis menjadi solusi penting untuk mempermudah akses informasi dalam waktu singkat, terutama bagi mereka yang memiliki keterbatasan waktu untuk membaca berita secara penuh. Ada dua pendekatan utama dalam peringkasan teks otomatis, yakni peringkasan abstraktif dan ekstraktif. Pada peringkasan abstraktif, ringkasan dibuat dengan merangkai ulang informasi secara semantik, sementara peringkasan ekstraktif memilih kalimat-kalimat penting dari teks asli. Penelitian ini mengevaluasi dua metode peringkasan teks ekstraktif, yaitu Maximum Marginal Relevance (MMR) dan TextRank. Hasil evaluasi menunjukkan bahwa algoritma MMR memiliki performa yang lebih baik dibandingkan dengan TextRank dalam hal recall, precision, dan f-measure. MMR mampu menemukan 56% informasi relevan, sementara TextRank hanya mencapai 49%. Precision MMR adalah 0.50, lebih tinggi dari 0.45 yang dicapai oleh TextRank. Dalam hal f-measure, MMR mencapai 0.52, mengungguli TextRank yang mencapai 0.46. Kesimpulannya, MMR menunjukkan kinerja yang lebih unggul dalam menghasilkan ringkasan teks yang berkualitas, menjadikannya pilihan yang lebih baik untuk peringkasan teks ekstraktif.
URI
https://repo.itera.ac.id/depan/submission/SB2406040088
Keyword
Maximum Marginal Relevance, TextRank, Peringkasan