PERINGKAS DOKUMEN OTOMATIS MENGGUNAKAN METODE FUZZY MODEL SISTEM INFERENSI MAMDANI

Transkripsi

1 Semnar Nasonal Teknolog Informas dan Multmeda 2013 STMIK AMIKOM Yogyakarta, 19 Januar 2013 PERINGKAS DOKUMEN OTOMATIS MENGGUNAKAN METODE FUZZY MODEL SISTEM INFERENSI MAMDANI Achmad Rdok 1), Tr Cahyo Romadhona 2 1) PTIIK Unverstas Brawjaya Malang 2) Ilmu Komputer FMIPA UB emal : acrdokb@ub.ac.d 1) Abstrak Perngkas dokumen otomats adalah pembuatan vers rngkas dar sebuah teks secara otomats tanpa mengurang makna asl yang terkandung ddalamnya. Secara umum terdapat 2 metode yatu ekstraks dan abstraks. Pada peneltan n dterapkan metode ekstraks dengan cara melakukan pembobotan kalmat yang dperoleh 6 ftur pada setap kalmat, hasl nla tap ftur tersebut dgunakan sebaga nput nla fuzzy menggunakan nferens model mamdan. Hasl akhr yang ddapat berupa nla akhr bobot setap kalmat. Rngkasan dbuat berdasarkan kalmat-kalmat dengan nla tertngg hngga terendah sesua dengan besar rngkasan yang dngnkan. Hasl uj coba sstem dengan besar rngkasan 25% dan 50% dbandngkan dengan AutoSummarze (Mcrosoft Word) terhadap 15 dokumen berta yang dambl secara acak, ddapatkan hasl masng-masng untuk rata rata precson dan rata recall untuk sstem adalah , dan , Sedangkan AutoSummarzer masng-masng untuk rata rata precson dan rata-rata recall sebesar , dan , Dengan demkan hasl rngkasan yang dperoleh sstem lebh bak dbandngkan dengan AutoSummarze. Kata kunc : Rngkasan teks, ekstraks kalmat, fuzzy logc, sstem nferens mamdan 1. Pendahuluan Serng dengan berkembangnya teknolog, perkembangan nformas juga berkembang dar har ke har. Kebutuhan akan nformas yang tepat dan cepat menuntut adanya alat untuk membuat rngkasan secara otomats, sehngga nformas yang ddapat lebh cepat dan tepat tanpa kehlangan makna asl dar dokumen asal[2]. Perngkas dokumen otomats yatu merngkas sebuah dokumen teks yang dlakukan oleh mesn untuk menamplkan vers yang lebh rngkas dar vers aslnya. [15]. Secara umum terdapat metode yatu ekstraks dan abstraks. Metode ekstraks merngkas dokumen teks dengan cara merangka kata yang dambl secara utuh dar dokumen asal. Sedangkan metode abstraks membuat rngkasan dengan merangka kata baru yang tdak terdapat pada dokumen asal. Metode yang terakhr n menggunakan konsep NLP ( Natural Language Processng) [10]. 2. Tnjauan Pustaka 2. 1 Konsep Perngkas Teks Perngkas teks otomats merupakan metode untuk mengubah sebuah dokumen teks yang panjang dan besar menjad dokumen yang lebh rngkas dengan mengambl pon pon pentng yang terkandung ddalamnya[1]. Tujuan dar perngkas teks yatu mengambl ntsar nformas dar dokumen sumber dan menjadkannya lebh sngkat tanpa menghlangkan topk utama sehngga dapat membantu pengguna lebh cepat memaham makna yang terkandung ddalamnya[10]. 2.2 Text Mnng Data mnng yatu suatu cara untuk memperoleh sedkt data yang berharga dar sejumlah banyak data yang tak berharga. Konsep data mnng berasal dar flosof menambang batuan permata ( mnng) yatu mencar secul batuan mula dar sekumpulan rbuan batu yang tak berharga. Dalam mplementasnya, text mnng secara gars besar dpsahkan menjad dua tahap yatu preprocessng dan processng. Pada tahap preprocessng dlakukan beberapa proses yatu: segmentaton, tokenzaton stopword dan stemmng. Tahap processng merupakan tahap n untuk menggal nformas yang dbutuhkan dar korpus tesks Pembobotan Kalmat Kemrpan Judul Secara umum judul dar sebuah bacaan menggambarkan s dar bacaan tersebut, dengan demkan sebuah kalmat yang mempunya kata mrp dengan judulnya maka mempunya peluang besar sebaga kalmat rngkasan[15] Panjang Kalmat Kalmat yang terlalu sngkat tdak dharapkan masuk dalam rngkasan, kalmat sepert n basanya bers cuma datelne dan nama pengarang dalam artkel berta[15]. (2) Poss (1) 07-19

2 Semnar Nasonal Teknolog Informas dan Multmeda 2013 STMIK AMIKOM Yogyakarta, 19 Januar 2013 Kalmat Dalam paragraf berbahasa ndonesa kalmat topk terletak pada awal kalmat, akhr kalmat maupun d tengah paragraf. Karena sultnya mengdentfkas secara past dan jarangnya penggunaan kalmat topk yang terletak dtengah, maka pada peneltan n hanya dgunakan sstem rangkng berdasarkan pada poss kalmat dmana nla tertngg terletak pada kalmat pertama, nla tertngg kedua terletak d akhr kalmat[4]. F3(K) = 5/5 untuk poss awal, 4/5 untuk poss akhr, 3/5 untuk poss awal + 1, 2/5 untuk poss akhr - 1, 1/5 untuk poss awal + 2, 0/5 untuk poss yang lan. (3) Bobot Kata Bobot kalmat dapat dhtung dar jumlah tap kata penyusunya, dengan menerapkan metode tf.sf (Term Frequency Inverse Sentence Frequency) dapat dhtung nla tap kata[15]. N W t tf. sf tf. log (4) n j W ( S ) (5) 1 F 4 ( K ) j N Max W ( S ) 1 Dmana : = frekuens kata pada dokumen N = jumlah kalmat = jumlah kalmat dmana kata ke muncul j = jumlah kata dalam kalmat Huruf Besar Kata yang mengandung huruf besar mempunya peluang termasuk dalam kata yang dpentngkan[5] Data Numerk Kalmat yang yang mengandung data berupa blangan mempunya kemungknan termasuk dalam kalmat rngkasan[4]. (7) 2. 4 Logka Fuzzy Dalam bahasa Inggrs logka fuzzy dartkan sebaga logka kabur atau tdak jelas, yatu logka yang mengandung unsur ketdakjelasan. Logka fuzzy merupakan suatu cara untuk memetakan suatu ruang nput ke dalam ruang output. Logka fuzzy dgunakan untuk menterjemahkan suatu besaran yang dapat dekspreskan dengan bahasa ( lngustc)[12], msalkan besaran data tentang suhu yang dapat dekspreskan dengan dngn, sedang, panas maupn sangat panas. (6) 2. 5 Sstem Inferens Fuzzy Metode Mamdan Metode mamdan dperkenalkan oleh Ibrahm Mamdan pada tahun Metode Mamdan serng juga dsebut metode Max-Mn dengan aturan sebaga berkut : 1. Pembentukan Hmpunan Fuzzy, pada Metode Mamdan, bak varable nput maupun output dbag satu atau lebh hmpunan fuzzy. 2. Aplkas fungs Implkas (Aturan), pada metode Mamdan, fungs mplkas yang dgunakan adalah mnmum. 3. Komposs Aturan, nferens dperoleh dar kumpulan dar beberapa korelas antar aturan. Aturan yang dgunakan dalam melakukan nferens sstem fuzzy yatu menggunakan metode MAX (Maxmum).. 4. Penegasan (Defuzzy), suatu proses pengubahan crsp nput menjad fuzzy nput. 3. Metode Peneltan Dalam pelaksanaanya,sstem dbag dalam tga tahap. Tahap pertama dan kedua preproses dan proses. Tahap yang ketga tahap perhtungan logka fuzzy dmana keluaran dar tahap proses n dgunakan sebaga nputan bag fuzzy yang haslnya akan dolah menggunakan mode mamdan dan hasl akhrnya akan ddapat nla bobot akhr pada tap kalmat. teks preproces Pembobotan kalmat Fuzzy rule base Gambar 1. Dagram Proses Umum Sstem Inference fuzzy mamdan rngkasan PreProses Proses awal dlakukan untuk mempersapkan sebuah dokumen teks sebelum proses nt djalankan. Dalam preproses n terdapat beberapa tahap : a. Segmentas, yatu pemacahan dokumen teks menjad paragraph, kalmat maupun kata. b. Hapus Tanda Baca, karakter karakter selan huruf A-Z maupun 0-9 dhlangkan dar teks. c. Hapus kata-kata yang tdak pentng sepert kata penghubung dan kata tanya yang dkenal dengan stopword. Daftar stopword yang dhlangkan pada peneltan n menggunakan sumber dar Tala[17]. d. Stemmng, yatu proses untuk menentukann kata dasar dar suatu kata kata d dalam dokumen. Pada Peneltan n dgunakan algortma Porter yang terlah dadokps untuk stemmng bahasa Indonesa oleh Tala [17]

3 Semnar Nasonal Teknolog Informas dan Multmeda 2013 STMIK AMIKOM Yogyakarta, 19 Januar Proses Pada bagan n dlakukan perhtungan nla bobot setap kalmat dengan krtera ftur berkut: ftur judul (ttle feature), panjang kalmat ( sentence length), bobot kata ( term weght), poss kalmat ( sentence poston), kesamaan antar kalmat ( sentence to sentence smlarty)) dan data numerk (numercal data). a. Htung kemrpan masng-masng kalmat dengan judul menggunakan persamaan 1. b. Htung perbandngan jumlah kata dalam kalmat menggunakan persamaan 2. c. Htung poss kalmat dalam suatu paragraph menggunakan persamaan 3. d. htung bobot kata pada masng-masng kalmat menggunakan persamaan 5. e. Htung peluang kata yang mempunya huruf besar dengan jumlah kata dalam kalmat menggunakan persamaan 6. f. Htunga peluang data numerc menggunakan persamaan Perhtungan Logka Fuzzy Setelah nla ftur pada masng masng kalmat dperoleh, selanjutnya dlakukan perhtungan logka fuzzy untuk menentukan bobot akhr setap kalmat sebgamana dgambarkan pada gambar 2. Gambar 2. Sstem Fuzzy Penentuan Nla Bobot Kalmat a. Proses Fuzzyfkas Pada proses n nla crps nput dar ftur kalmat dubah menjad fuzzy nput berdasarkan fungs keanggotaan masng masng ftur sebagamana pada gambar 3. Gambar 3 Grafk Keanggotaan Hmpunan Fuzzy Gambar 4. Hmpunan Fuzzy Varabel Output b. Rule Fuzzy Aturan ( rule) yang dpaka dalam nferens fuzzy. contohnya: IF Kesamaan Judul = Sangat Tngg AND Panjang Kalmat = Sedang AND Poss Kalmat = Sangat Tngg AND Bobot Kata = Sedang AND Huruf Besar = Sangat Rendah AND Data Numerk = Sangat Rendah THEN Kalmat = Pentng c. Inferens Mamdan Pada proses nferens mamdan, aturan tersebut dgunakan dalam pengamblan keputusan menggunakan metode Mn-Max. Kemudan fungs komposs yang dgunakan adalah fungs Max, d. Defuzzfkas Defuzzfkas adalah proses pengubahan crsp nput menjad fuzzy nput menggunakan metode centrod (center of gravty). 4. Hasl dan Pembahasan Skenaro Uj Coba Pengujan n dlakukan terhadap 15 dokumen berta yang dplh secara random masng masng akan dbuat rngkasanya sebesar 50% dan sebesar 25%. Selanjutnya hasl sstem dsbandngkan dengan hasl rngkasan Autosummarzer. Kedua hasl uj coba dbandngkan dengan hasl rngkasan manusa dalam hal n seorang guru bahasa Indosa sebaga benchmark Hasl Uj Coba Hasl Pengujan Hasl pengujan nla precson dan recall pada masng masng dokumen yang dengan besar rngkasan sebesar 25% dan 50% dar dokumen asal dengan nla pembandngnya berasal dar hasl rngkasan buatan manusa. Maka ddapat nla rata-rata sebagamana pada table 1. Tabel 1. Perbandngan Hasl Sstem dengan AutoSummarzer % Press Recal Sstem Auto Sstem Auto 25% % Penyajan dengan representas Grafk sebagamana pada gambar

4 Semnar Nasonal Teknolog Informas dan Multmeda 2013 STMIK AMIKOM Yogyakarta, 19 Januar Sstem Auto Sstem Auto Press Recal 25% 50% Gambar 5. Perbandngan Hasl Sstem dengan AutoSummarzer 4. 2 Analsa hasl Secara keseluruhan sstem perngkas dokumen yang menggunakan metode ekstraks kalmat dan dgabungkan dengan logka Fuzzy model mamdan menghaslkan nla rata rata dar precson sebesar dan recall sebesar untuk besar rngkasan sebesar 25% dar dokumen asal. Sedangkan untuk besar rngkasan sebesar 50% menghaslkan nla rata - rata precson dan recall Nla tersebut mash lebh bak jka dbandngkann dengan hasl rngkasan yang dbuat dar Autosummarzer yang menghaslkan nla rata rata dar precson sebesar dan recall untuk besar rngkasan sebesar 25% dan untuk hasl rngkasan sebesar 50% menghaslkan nla rata rata precson sebesar dan recall Dar hasl uj yang dlakukan, dapat dketahu bahwa nla rata rata precson dan recall untuk hasl rngkasan sstem lebh besar dbandngkan nla precson dan recall dar hasl rngkasan AutoSummarzer. Sedangkan untuk hasl besar rngkasan sebesar 50% nla rata rata precson dan recall lebh besar dbanngkan dengan hasl rngkasan sebesar 25%. Ada beberapa hal yang mempengaruh hasl uj coba tersebut, antara lan metode stemmng yang dgunakan, karena metode stemmng yang dgunakan hanya memotong awalan dan akhran tanpa adanya pengecekan berupa kata dasar atau bukan. Msalkan kata tabrakan akan menghaslkan kata dasar tabra karena dpotong berupa akhran kan, kata tersebut akan mempunya art yang berbeda dengan menabrak padahal bentuk kata dasar keduanya sama. Kekurangan pada metode n akan berpengaruh pada ftur kesamaan judul dan ftur bobot kata, karena kedua ftur n sama sama menghtung nla kesamaan antar kata. Jumlah kalmat dalam satu paragraf juga berpengaruh pada hasl uj coba sstem, pada data uj dokumen berta banyak dtemu beberapa paragraf yang cuma terdr dar 1 kalmat. Sehngga kalmat tersebut mempunya nla yang tngg pada ftur poss kalmat. Kerja sstem akan optmal pada ftur poss kalmat apabla dalam satu paragraf terdr lebh dar 5 kalmat. Hal lan yang juga berpengaruh pada hasl uj coba sstem yatu pemlhan kanddat kalmat rngkasan. Sstem n akan mengenal kalmat yang terdr dar kata pentng dar dokumen, sehngga kerja sstem akan optmal jka kalmat tersebut mengandung deskrps panjang mengena sebuah dokumen yang terdr dar banyak kata pentng. Dalam hal n sstem tdak bsa mengekstrak kalmat kanddat rngkasan yang berupa kalmat deskrps sngkat. 5. KESIMPULAN DAN SARAN 5. 1 Kesmpulan Kesmpulan yang dhaslkan dalam skrps n adalah: 1. Perngkasan dokumen teks otomats berta bahasa Indonesa dengan menggunakan gabungan pembobotan kalmat dan fuzzy model nferens mamdan secara umum menghaslkan rata rata precson dan recall untuk rngkasan sebesar 25% dan 50% masng-masng adalah , dan , Setelah dlakukan perbandngan dengan sstem perngkas lan yatu AutoSummarze (Mcrosoft Word 2007) dhaslkan kesmpulan bahwa sstem perngkas dokumen n lebh bak Saran Beberapa saran mengena pengembangan lebh lanjut yang dapat dberkan penuls antara lan: 1. Penanganan metode stemmng yang dgunakan mampu mengenal sspan dan dapat membadakan apakah kalmat tersebut merupakan kata dasar atau bukan. 2. Dokumen yang akan drngkas tdak sebatas hanya dokumen yang memlk judul dan s saja, namun dapat dperluas pada dokumen yang mempunya bab maupun subbab. Daftar Pustaka [1] Al-Hashem, Rafeq Text Summarzaton Extracton System (TSES) usng Ex tracted Keyword. Internatonal Arab Journl of e- Technology, Vol. 1, No. 4, June [2] Azrfah, Masrah dan Martn, Trevor Smlarty-Based Estmaton for Document Summarzaton usng Fuzzy Sets. Internatonal Journal of Computer Scencee and Securty, Volume (1) : Issue (4) [4] Fatah, Mohamed Abdel. Dan Ren, Fuj Automatc Text Summarzaton. World Academy of Scence, Engneerng and Technology [5] Gupta, Vshal dan Sngh Lehal, Gurpreet A Survey of Text Summarzaton Extractve Technques Journal of Emergng Technologes n Web Intelegence, Vol. 2, No. 3, August 2010 [7] Hovy, E Text Summarzaton. Dalam R. Mtkov, The Oxford Handbook of Computatonal Lngustc. Oxford: Oxford Unversty Press [8] Isfahan, Farba Rahm. Kyoomars, Farshad. Khosrav, Hamd. Eslam, Esfandar. Tajodn, Asgar dan Dehkordy, Pooya Khosravyan Aplcaton of Fuzzy logc n the Improvement of Text Summarzaton. IADIS Internatonal Conference Informatcs

5 Semnar Nasonal Teknolog Informas dan Multmeda 2013 STMIK AMIKOM Yogyakarta, 19 Januar 2013 [9] Jagadeesh, j. Pngal, Prasad. Varma, Vasudeva Sentence Extracton Based Sngle Document Summarzaton. Workshop on Document Summarzaton, 19th and 20th March, 2005, IIIT Allahabad. [10]Jazek, Karel dan Stanberger, Josef Automatc Text Summarzaton (The state of the art 2007 and new chellenges). Václav Sná¹el (Ed.): Znalost 2008, pp. 1{12, ISBN [11]Kusumadew, Sr Artfcal Intelegence (Teknk dan Aplkasnya). Graha Ilmu. Yogyakarta [12]Kusumadew, Sr dan Purnomo, Har Aplkas Logka Fuzzy Untuk Pendukung Keputusan. Graha Ilmu. Yogyakarta [13]Kyoomars, Farshad. Khosrav, Hamd. Eslam, Esfandar dan Dehkordy, Pooya Khosravyan Optmzng Machne Learnng Approach Based on Fuzzy Logc n Text Summarzaton Internatonal Journal of Hybrd Informaton Technology Vol.2, No.2, Aprl, 2009 [15]Suanmal, Ladda. Salm, Naome dan Bnwahlan, Mohammed Salem Fuzzy Logc Based Method for Improvng Text Summarzaton (IJCSIS) Internatonal Journal of Computer Scence and Informaton Securty, Vol. 2, No. 1, 2009 [16] Saelan, Atha Logka Fuzzy. Program Stud Teknk Informatka, Sekolah Teknk Elektro dan Informatka. Insttut tekolog Bandung. [17]Tala, Fadllah Z A Study of Stemmng Effects on Informaton Retreval n Bahasa Indonesa. Master of Logc Project. Insttute for Logc, Language and Computaton. Unverstet van Amsterdam. The Netherlands. Bodata Penuls Achmad Rdok, memperoleh gelar Sarjana Matematka (Drs) dar program stud matematka FMIPA Unbraw tahun 1992, Tahun 1999 mendapatkan gelar MKom dar program stud Ilmu Komputer Faslkom UI. Saat sebaga staf Pengajar program Ilmu Komputer dan Sstem Informas pada PTIIK Unverstas Brawja. Tr Cahyo Romadhona, memperoleh gelar Sarjana Komputer (SKom) pada program stud Ilmu Komputer Jurusan Matematka F.MIPA UB pada tahun

6 Semnar Nasonal Teknolog Informas dan Multmeda 2013 STMIK AMIKOM Yogyakarta, 19 Januar