Vol. 6, No. 2, September 2013 ISSN
|
|
- Dewi Kurnia
- 7 tahun lalu
- Tontonan:
Transkripsi
1 Vol. 6, No. 2, September 2013 ISSN PENDEKATAN POSITIONAL TEXT GRAPH UNTUK PEMILIHAN KALIMAT REPRESENTATIF CLUSTER PADA PERINGKASAN MULTI-DOKUMEN I Putu Gede Hendra Suputra, Agus Zanal Arfn, Anny Yunart Jurusan Teknk Informatka, Fakultas Teknolog Informas, Insttut Teknolog Sepuluh Nopember (ITS) Kampus ITS, Sukollo, Surabaya 60111, Indonesa Emal: hendra.suputra@gmal.com ABSTRAK Coverage and salency are maor problems n Automatc Text Summarzaton. Sentence clusterng approaches are methods able to provde good coverage on all topcs, but the pont to be consdered s the selecton of mportant sentence that can represent the cluster s topc. The salent sentences selected as consttuent to the fnal summary should have nformaton densty so that can convey mportant nformaton contaned n the cluster. Informaton densty from the sentence can be mned by extractng the sentence nformaton densty (SID) feature that bult from postonal text graph approach of every sentence n the cluster. Ths paper proposed a cluster representatve sentence selecton strategy that used the postonal text graph approach n mult-document summarzaton. There are three concepts that used n ths paper: (1) sentence clusterng based on smlarty based hstogram clusterng, (2) cluster orderng based on cluster mportance and (3) representatve sentence selecton based on sentence nformaton densty feature score. The canddate summary sentence s a sentence that has greatest sentence nformaton densty feature score of a cluster. Trals conducted on task 2 DUC 2004 dataset. ROUGE-1 measurement was used as performance metrc to compare the use of SID feature wth other method namely Local Importance and Global Importance (LIGI). Test result showed that the use of SID feature was successfully outperform LIGI method based on ROUGE-1 values where the greatest average value of ROUGE-1 that acheved by SID features s Kata kunc: mult-document summarzaton, sentence clusterng, smlarty based hstogram clusterng, sentence nformaton densty, postonal text graph. ABSTRAK Coverage dan salency adalah masalah utama dalam perngkasan teks otomats. Pendekatan clusterng kalmat merupakan metode yang mampu memberkan cakupan yang bak (good coverage) terhadap semua topk, namun yang perlu dperhatkan adalah pemlhan kalmat pentng (salent setence) yang mampu merepresentaskan topk cluster. Kalmat-kalmat pentng yang terplh menad penyusun rngkasan akhr harus memlk kepadatan nformas sehngga mampu menyampakan nformas pentng yang terkandung d dalam cluster. Kepadatan nformas dar kalmat dapat dgal dengan mengekstraks ftur sentence nformaton densty (SID) yang dbangun dar pendekatan postonal text graph setap kalmat d dalam cluster. Pada paper n daukan sebuah strateg pemlhan kalmat representatf cluster menggunakan pendekatan postonal text graph pada perngkasan mult-dokumen. Terdapat tga konsep yang dgunakan pada paper n yatu: (1) clusterng kalmat dengan smlarty based hstogram clusterng, (2) pengurutan cluster berdasarkan cluster mportance dan (3) pemlhan kalmat representatf berdasarkan skor ftur sentence nformaton densty. Kalmat yang menad kalmat kanddat rngkasan adalah kalmat yang memlk skor ftur sentence nformaton densty terbesar dar suatu cluster. U coba dlakukan terhadap dataset task 2 DUC Pengukuran ROUGE-1 dgunakan sebaga pengukuran performa untuk membandngkan penggunaan ftur SID dengan metode lan yatu local mportance dan global mportance (LIGI). Dar hasl ucoba ddapatkan bahwa penggunaan ftur SID berhasl mengunggul metode LIGI berdasarkan nla ROUGE-1 dmana nla rata-rata ROUGE-1 terbesar yang mampu drah ftur SID Kata kunc: perngkasan mult-dokumen, clusterng kalmat, Smlarty based Hstogram Clusterng, sentence nformaton densty, postonal text graph. 1. PENDAHULUAN Sstem perngkasan mult-dokumen (Multdocument Summarzaton) berdasarkan metode extractve tengah menad perhatan para penelt dalam beberapa tahun terakhr (Randev dkk, 2004; He dkk, 2008; Wan dan Yang, 2008; Sarkar, 2009; Koglavan dan Balasubraman, 2010; Ge dkk, 2011; Ouyang dkk, 2013). Perngkasan berdasarkan metode 18
2 Suputra et al., Pendekatan Postonal 19 extractve terdr dar proses pemlhan kalmatkalmat pentng dar dokumen sumber dan proses penyusunan kalmat-kalmat tersebut menad bentuk yang lebh sngkat (Gupta, 2010). Kalmat-kalmat yang dekstraks dar dokumen sumber dplh dengan suatu krtera tertentu. Walaupun cara ekstraks kalmat pada metode perngkasan extractve bukan merupakan cara yang umum dgunakan manusa, namun metode perngkasan extractve mash banyak dgunakan untuk perngkasan multdokumen. Oleh karena tu rngkasan yang dhaslkan dar metode perngkasan extractve dtuntut harus mampu menyampakan konten-konten pentng dar dokumen-dokumen sumber. Rngkasan yang bak adalah rngkasan yang mampu mencakup (coverage) sebanyak mungkn konsep-konsep pentng (salency) yang ada pada dokumen sumber (Ouyang dkk, 2013). Coverage dan salency adalah masalah utama dalam metode perngkasan dmana strateg pemlhan kalmat pada metode extractve menad sangat pentng karena harus mampu memlh kalmat-kalmat utama (pentng) dan terhndar dar redundans (redundancy) sehngga mampu mencakup banyak konsep. Clusterng kalmat adalah suatu metode alternatf yang mampu memberkan good coverage pada rngkasan (Boros dkk, 2001; Sarkar, 2009;). Pencapaan good coverage pada rngkasan tdak terlepas dar koherens cluster yang bak. Salah satu metode yang dapat menamn koherens cluster adalah Smlarty Based Hstogram Clusterng (SHC) (Hammouda dan Kamel, 2003; Sarkar, 2009). SHC pertama kal daukan oleh Hammouda dan Kamel pada tahun Metode SHC terbukt lebh bak ka dbandngkan dengan Herarchcal Agglomeratve Clusterng (HAC), Sngle-Pass Clusterng dan K-Nearest Neghbor Clusterng. Sarkar (2009) menggunakan pendekatan clusterng kalmat dengan SHC untuk perngkasan multdokumen. Cluster-cluster kalmat yang terbentuk selanutnya durutkan berdasarkan cluster mportance dan kemudan dlakukan pemlhan sebuah kalmat representatf pada setap cluster berdasarkan bobot kalmat terbesar yang dhaslkan dar fungs kombnas antara ftur local mportance dan ftur global mportance. Kalmat representatf tersebut adalah kalmat pentng yang menad kalmat penyusun rngkasan. Strateg pemlhan kalmat representatf menad sangat pentng untuk memecahkan masalah salency. Kalmat yang terplh harus mampu mewakl topk dar suatu cluster tertentu (Sarkar, 2009). Kalmat pentng penyusun rngkasan harus memlk kepadatan nformas yatu mengandung nformas sebanyak mungkn dar dokumen sumber (He dkk, 2008). Menurut He dkk (2008) ftur kepadatan nformas kalmat (sentence nformaton densty) dapat dgal dengan pendekatan postonal text graph yang memperhatkan bobot smlarty suatu kalmat dengan kalmat-kalmat lan. Pendekatan tersebut uga bak untuk menentukan kalmat-kalmat yang nformatf karena kalmat tersebut salng berbag nformas dengan kalmat-kalmat lan (Gupta, 2010). He dkk (2008) mengunakan pendekatan postonal text graph sebaga salah satu ftur yang dgunakan untuk memlh kalmat-kalmat rngkasan. Pada peneltan tersebut dlaporkan bahwa pendekatan postonal text graph mampu bekera efektf untuk memlh kalmat rngkasan yang memlk kepadatan nformas mampu merah performa terbak pada sstem perngkasan mult-dokumen. Jka daplkaskan pada pendekatan clusterng kalmat, dar pernyataan-pernyataan datas dapat dsmpulkan bahwa kalmat representatf yang terplh sebaga penyusun rngkasan harus memlk kepadatan nformas dan mampu mencermnkan topk dar suatu cluster kalmat. Oleh karena tu, pada paper n dusulkan sebuah ftur sentence nformaton densty yang dbangun dengan pendekatan postonal text graph sebaga suatu strateg baru untuk memlh kalmat rngkasan pada sstem perngkasan mult-dokumen berdasarkan metode clusterng kalmat. 2. METODE Pada bagan n delaskan secara detal berbaga yang dlalu pada sstem perngkasan mult dokumen otomats yang dgunakan pada paper n. Proses-proses yang dlalu dalam sstem tersebut dsusun sesua framework pada Gambar 1. Cluster dar dokumen Text Preprocessng Clusterng Kalmat Pengurutan Cluster Pemlhan Kalmat Representatf Penyusunan Rngkasan Gambar 1. Framework Perngkasan Mult-Dokumen Berdasarkan Metode Clusterng Kalmat 2.1 Text Preprocessng Text preprocessng adalah yang pertama dlakukan sebelum nput dokumen dolah lebh lanut menad cluster-cluster kalmat. Adapun prosesproses yang dlalu dalam text preprocessng adalah segmentaton (segementas), stopword removal dan stemmng. Pada paper n segmentaton dlakukan
3 20 Jurnal Ilmu Komputer Vol.VI, No. 2, September 2013, hlm terhadap kata dan kalmat. Setap kata-kata yang dperoleh dar hasl segmentas nput melalu proses stopword removal. Selanutnya menalan proses stemmng dengan algortma Porter Stemmer. 2.2 Clusterng Kalmat Clusterng kalmat adalah bagan yang pentng dalam sstem perngkasan otomats karena setap topk dalam set dokumen harus ddentfkas secara tepat untuk menemukan smlarty dan dssmlarty yang ada dalam dokumen sehngga menamn good coverage (Sarkar, 2009). Jka kalmat-kalmat dkelompokkan ke dalam seumlah cluster yang telah dtentukan, cluster mungkn tdak koheren karena beberapa kalmat bsa saa terpaksa menad salah satu anggota cluster meskpun seharusnya tdak. Cluster-cluster tdak koheren mungkn mengandung unt-unt teks yang terduplkas pada cluster yang berbeda dan menyebabkan pemlhan kalmat menad redundan untuk rngkasan. Sebalknya, ka cluster sangat ketat, sebagan besar cluster menad sngletons. Dengan demkan, harus dplh metode clusterng yang menamn koherens cluster. Pada paper n dgunakan algortma (Smlarty Based Hstogram Rato) SHC yang dadops dar (Hammouda dan Kamel, 2003). SHC dplh karena SHC menggunakan pendekatan cluster smlarty hstogram yang berguna untuk memontor dan menaga koherens dar cluster Pengukuran Smlarty Metode pengukuran smlarty kalmat yang dgunakan pada paper n adalah metode un-gram matchng-based smlarty measure sesua Persamaan 1. Metode tersebut daukan oleh Sarkar (2009) karena penggunaan cosne smlarty memlk kelemahan ka dgunakan untuk mengukur smlarty kalmat. Metode Un-gram matchng-based smlarty measure dplh mengngat kalmat-kalmat adalah unt yang sangat pendek dan smlarty akan bernla sangat kecl ketka dhtung dengan pengukuran cosne smlarty. sm( s, s (2* s s ) ), (1) s s dmana s dan s adalah kalmat s ke- dan ke-. s s merepresentaskan umlah dar kata-kata yang sesua (match) antara kalmat s ke- dan kalmat s ke. s adalah panang kalmat s ke- yatu umlah kata yang menyusun kalmat tersebut Clusterng Kalmat dengan SHC Konsep utama dar SHC adalah menaga setap cluster sedapat mungkn berada dalam konds koheren pada tngkat yang bak. Hal tersebut dapat dmontor pada kecenderungan anggota bn yang terlhat dar cluster smlarty hstogram pada Gambar 2. Masng-masng bn terdr dar umlah smlarty dar masng-masng pasangan anggota cluster yang memenuh nterval pada bn. Cluster yang bak memlk smlarty hstogram dengan nla smlarty dmana untuk setap pasangan kalmatnya berada pada bn maksmum, sedangkan ka cenderung berada pada bn mnmum maka kualtas cluster tersebut cenderung buruk. Terdapat 10 bn pada Gambar 2. Setap tngg bn merepresentaskan total umlah dar nla pasangan smlarty sesua dengan nterval dar bn tersebut. Koherens antar anggota cluster adalah hal yang doptmalkan pada SHC. Sebuah nla threshold dgunakan untuk menentukan tngkat tolerans sebuah cluster menerma anggota cluster baru. Jka SHC dgunakan untuk kasus clusterng kalmat maka setap kalmat yang menad kanddat anggota cluster harus mampu menngkatkan koherens cluster tersebut atau memenuh nla threshold yang telah dtentukan sebelumnya. Gambar 2. Cluster Smlarty Hstogram (Sarkar, 2009) Salah satu cara untuk mendapatkan deraat koherens yang tngg dalam cluster adalah mempertahankan deraat smlarty antar anggota tetap tngg. Dalam smlarty hstogram, n berart menaga dstrbus smlarty agar cenderung ke kanan (ke arah nla smlarty 1). Koherens yang bak pada setap cluster sangat pentng untuk daga. Hal tersebut untuk mencegah adanya kalmat-kalmat yang redundan pada pemlhan kalmat penyusun rngkasan. Kualtas dar suatu smlarty hstogram yang merepresentaskan koherens cluster dtentukan dengan menghtung raso smlarty yang berada datas threshold dengan total umlah smlarty yang ada. Raso dar hstogram yang tngg mencermnkan koherens yang tngg pula. Jka n adalah umlah dar kalmat pada suatu cluster, maka umlah dar pasangan kalmat yang ada pada cluster tersebut adalah n(n+1)/2. Sm={sm 1, sm 2, sm 3,, sm m} adalah kumpulan dar pasangan smlarty antar kalmat, dmana m=n(n+1)/2. Smlarty hstogram dar cluster dnotaskan dengan H={h 1, h 2, h 3,..., h nb}. Jumlah dar bn yang ada pada suatu hstogram dnotaskan dengan nb sedangkan umlah smlarty kalmat yang ada pada bn ke- dnotaskan dengan h. Fungs untuk menghtung nla h dtunukkan pada Persamaan 2.
4 Suputra et al., Pendekatan Postonal 21 h count( sm ) untuk sml sm sm, (2) u dmana sm l alah batas bawah smlarty pada bn ke- sedangkan sm u alah batas atas smlarty pada bn ke-. Hstogram rato (HR) dar suatu cluster dapat dhtung dengan Persamaan 3. HR n b T n b h h 1 (3) T S T * n b, (4) S T adalah smlarty threshold. Persamaan 4 menunukkan umlah bn yang sesua dengan smlarty threshold yang dnotaskan dengan T. Penyertaan elemen yang buruk pada suatu cluster pada setap tahap mungkn dapat mempengaruh kualtas cluster dan hal tersebut mungkn menurunkan nla HR menad nol. Untuk mencegah masalah tersebut maka dtetapkan sebuah threshold mnmum untuk hstogram rato yatu HR mn. Setap cluster harus berpedoman kepada HR mn. Langkah-langkah dar algortma SHC dperlhatkan pada pseudocode pada Gambar 3. 1: N Empty Lst {Cluster Lst} 2: for each sentence s do 3: for each cluster c n N do 4: HR old = HR C 5: Smulate addng s to c 6: HR new = HR C 7: f (HR new HR old) OR ((HR new > HR mn) AND (HR old-hr new < ɛ)) then 8: Add s to c 9: ext 10: end f 11: end for 12: f s was not added to any cluster then 13: Create a new cluster c 14: ADD s to c 15: ADD c to L 16: end f 17: end for Gambar 3. Pseudocode Clusterng Kalmat Menggunakan SHC Mengacu pada Gambar 3, metode SHC beralan secara bertahap dengan mengu setap kalmat dmana cluster slmlarty hstogram dar setap cluster dhtung sebelum dan sesudah melakukan smulas penambahan kalmat baru pada suatu cluster (bars 4-6). Pada saat membentuk cluster baru nla hstogram rato dsmpan pada HR c yang dhtung menggunakan Persamaan 3. HR old adalah nla hstogram rato pada suatu cluster sedangkan HR new adalah hstogram rato yang dperoleh setelah sebuah kalmat dadkan anggota dar suatu cluster yang dukan. Nla mnmum dar hstogram rato dnotaskan dengan HR mn. Parameter ɛ (epslon) adalah sebuah threshold sebaga ambang batas selesh antara HR old dengan HR new. Pada proses pembentukan cluster, nla (HR old) dan nla (HR new) dbandngkan. Jka nla HR new lebh atau sama dengan nla HR old, maka kalmat tersebut dtambahkan ke dalam suatu cluster. Atau ka nla HR new lebh rendah dar nla HR old namun nla HR new mash berada datas HR mn dan selsh antara HR old dengan HR new tdak lebh dar ɛ maka kalmat uga dtambahkan sedangkan selan tu kalmat tdak dtambahkan,(bars 7-10). Jka suatu kalmat tdak mendapatkan cluster setelah du dengan semua cluster, maka sebuah cluster baru dbentuk dan kalmat tersebut menad anggotanya (bars 12-16). 2.3 Pengurutan Clusterng Orderng Pengurutan cluster dlakukan karena pada proses clusterng menggunakan algortma SHC tdak pernah ada pengetahuan khusus berapa umlah cluster yang akan terbentuk. Sehngga sangat pentng untuk mengetahu cluster-cluster mana saa yang terplh menad kanddat rngkasan akhr (Sarkar, 2009). Cluster mportance adalah sebuah metode yang melakukan pengurutan cluster berdasarkan nla penumlahan bobot dar kata-kata yang merupakan kata frequent (serng muncul) yang terkandung dalam cluster. Sebuah threshold (θ) dtetapkan untuk menentukan apakah suatu kata tersebut termasuk kata frequent atau tdak terhadap seluruh dokumen nput. Jka frekuens suatu kata memenuh threshold θ maka kata tersebut danggap sebaga kata yang memlk bobot. Pendekatan cluster mportance bertuuan mengukur pentngnya suatu cluster berdasarkan umlah kata-kata frequent yang ada pada suatu cluster. Msal dar hasl clusterng kalmat terbentuk N buah cluster sehngga C={c 1, c 2, c 3,, c N}. Pengurutan dlakukan dengan mencar bobot dar cluster ke-1 sampa ke-n yang durutkan berdasarkan bobot cluster mportance. Pengurutan cluster berdasarkan bobot cluster mportance dhtung dengan Persamaan 5. Weght ( c ) log(1 count( w)), (5) wc dmana bobot dar cluster c ke- dnotaskan dengan Weght(c), count (w) adalah umlah dar kata w pada koleks nput dan count (w) lebh dar threshold θ. Bobot dar cluster merepresentaskan kekayaan nformas yang dkandung dalam cluster tersebut. Sebelum menghtung bobot suatu cluster terlebh dahulu dlakukan stopwords removal yatu menghlangkan kata-kata yang tdak pentng yang terdapat pada kumpulan dokumen nput.
5 22 Jurnal Ilmu Komputer Vol.VI, No. 2, September 2013, hlm Pemlhan Kalmat Representatf Pemlhan kalmat yang menad kalmat rngkasan dalam paper n ddasarkan pada tnggnya skor suatu kalmat ddalam suatu cluster tertentu. Penentuan skor kalmat dhtung berdasarkan skor ftur sentence nformaton densty. Ftur sentence nformaton densty adalah ftur yang mampu mencermnkan banyaknya kandungan nformas dar suatu kalmat sehngga dapat mewakl kalmatkalmat lanya. Proses pemlhan kalmat representatf cluster berdasarkan skor ftur sentence nformaton densty selanutnya dsebut dengan metode SID. Metode SID menggunakan pendekatan postonal text graph yang dadops dar He dkk (2008). Dalam paper n dgunakan pendekatan clusterng kalmat sehngga sentence nformaton densty dhtung mengacu pada pasangan-pasangan smlarty kalmat yang ada dalam suatu cluster kalmat. Nla smlarty untuk setap kalmat yang ada pada cluster dhtung dengan kalmat lannya kemudan dbentuk smlatry matrx yang dgunakan untuk membentuk graph kalmat yang merepresentaskan poston nformaton. Graph dgambarkan sebaga P = (V, E), dmana P merepresentaskan graph, V = {s 1, s 2,, s n} adalah vertex pada graph yang merepresentaskan kalmatkalmat dalam suatu cluster, dan E={(s, s )} adalah kumpulan dar suatu edge pada graph dmana bobot edge tersebut dhtung berdasarkan smlarty antar dua kalmat dalam cluster. Graph P dbangun berdasarkan kalmat-kalmat dalam cluster. Saat pertama graph P kosong, setelah tu semua kalmat dalam suatu cluster dmasukan sebaga vertex. Langkah kedua htung nla smlarty untuk setap pasangan kalmat dalam P, ka nla smlarty suatu pasangan kalmat memenuh threshold α maka edge dbentuk dan bobot pasangan kalmat tersebut adalah nla smlarty yang dmlknya. Ketka graph telah dbangun, ftur sentence nformaton densty dhtung dengan Persamaan 6. F sd ( s ) k W sk (6) max W l{1,2,.. n} sl,, dmana umlah kalmat s pada cluster ke- dtunukkan dengan n, adalah penumlahan bobot dar semua edge yang datang dar kalmat s ke-k pada cluster ke-, sedangkan adalah penumlahan bobot edge maksmum dantara semua pasangan smlarty kalmat yang ada pada cluster ke Penyusunan Rngkasan Setelah clusterng kalmat, cluster-cluster yang terbentuk durutkan berdasarkan cluster mportance. Sebuah kalmat representatf dplh dar setap cluster. Pemlhan kalmat dmula dar cluster yang memlk bobot cluster mportance palng tngg. Kemudan pemlhan dlanutkan pada cluster berkutnya sesua dengan daftar urutan cluster berdasarkan bobot cluster mportance secara descendng. Pemlhan kalmat tersebut terus dlakukan hngga panang rngkasan yang dharapkan terpenuh. 3. EVALUASI RINGKASAN Memang sult untuk menla apakah rngkasan yang dhaslkan bak atau buruk. Evaluas manual basanya bersfat subektf dan umumnya membutuhkan banyak usaha dar manusa (ahl). Dewasa n pengukuran evaluas rngkasan secara otomats tengah populer. Salah satu pengukuran otomats yang terkenal adalah ROUGE (Recall- Orented Understudy for Gstng Evaluaton). ROUGE adalah metode evaluas hasl rngkasan yang mengkukur kualtas hasl rngkasan berdasarkan kesesuaan antara unt-unt rngkasan hasl sstem dengan unt-unt rngkasan referens yang dbuat secara manual. Pada paper n dgunakan metode ROUGE-N. Pengukuran ROUGE-N mengukur perbandngan N-gram dar dua rngkasan, dan menghtung berapa umlah yang sesua. Perhtungan ROUGE-N yang dadops dar perhtungan Ln (2004) dtunukkan pada Persamaan 7. ROUGE N S Summ Count ( N gram) ref N grams match, (7) Count( N gram) SSummref N grams dmana N menunukkan panang dar N-gram, Count match(n-gram) adalah umlah maksmum dar N- gram yang muncul pada rngkasan kanddat dan rngkasan sebaga referens. Count(N-gram) adalah umlah dar N-gram pada rngkasan sebaga referens. Pada paper n fungs ROUGE-N yang dgunakan adalah ROUGE dengan nla N = 1. Sesua dengan karakterstk dataset task 2 DUC 2004 yang menggunakan multple references summares (banyak referens rngkasan) yatu empat referens per cluster dokumen, maka perhtungan nla ROUGE-N akhr dhtung berdasarkan Persamaan 8. Nla akhr dar ROUGE-N akhr adalah nla ROUGE-N terbesar yang dhaslkan dar pasangan rngkasan hasl sstem dan rngkasan referens. Nla ROUGE-N dhtung pada setap pasangan rngkasan kanddat sc dan rngkasan referens rs. Perhtungan ROUGE-N tersebut dadops dar Ln (2004) yang dtunukkan pada Persamaan 8. ROUGE N argmax ROUGE N( sc, rs ) (8) mult 4. HASIL UJI COBA DAN PEMBAHASAN Pada bagan n dpaparkan hasl testng metode usulan SID dengan metode pembandng yatu metode local mportance dan global mportance (selanutnya
6 Suputra et al., Pendekatan Postonal 23 dsebut LIGI). Kedua metode bak SID dan LIGI dalankan pada framework sstem perngkasan yang sama sesua Gambar 1. Pada paper n dataset yang dgunakan adalah task 2 DUC Dataset task 2 DUC 2004 merupakan kumpulan dokumen berta dalam bahasa Inggrs dar Assocated Press dan New York Tmes. Dokumen-dokumen tersebut telah terkelompokkelompok menad 50 cluster dokumen. Setap cluster dokumen terdr dar rata-rata 10 dokumen berta. Pengukuran performa dar masng-masng metode (SID dan LIGI) dlhat dar nla ROUGE-1. Nla ROUGE-1 yang lebh besar menunukkan performa metode yang lebh bak dar seg korelas rngkasan yang dhaslkan sstem dengan rngkasan secara manual. 4.1 Insalsa Nla-nla Parameter Sstem Terdapat lma buah parameter yang dgunakan dalam paper n yatu HR mn, ɛ, S T, θ, dan α. Parameter HR mn, ɛ, dan S T adalah parameter yang dgunakan pada proses clusterng kalmat dengan algortma SHC. Parameter θ adalah parameter yang dgunakan pada proses pengurutan cluster berdasarkan cluster mportance. Sedangkan parameter α adalah parameter yang dgunakan pada proses pemlhan kalmat representatf. Semua parameter tersebut dkombnaskan kecual nla HRmn dan ɛ yang sengaa dbuat berpasangan sesua dengan kolom yatu: [HRmn, ɛ] menad [0.8, 0.2], [0.7, 0.3], [0.6, 0.4], dan [0.5, 0.5]. Sesua dengan nsalsas nla parameter yang terdapat pada Tabel 1, sehngga dar semua kemungknan kombnas akhrnya dperoleh 72 buah kombnas nla parameter untuk metode SID. Metode Pembandng LIGI dalankan pada framework yang sama dengan metode SID. Sehngga akan terdapat empat buah parameter yang dkombnaskan yatu HR mn, ɛ, S T, dan θ. Parameter α tdak dgunakan karena parameter tersebut hanya dgunakan pada perhtungan metode SID. Bobot untuk ftur LI dan ftur GI yang dgunakan adalah 0.5 sesua rekomendas Sarkar (2009). Sehngga sesua dengan nsalsas nla parameter pada Tabel 1, akhrnya dperoleh 24 buah kombnas nla parameter untuk metode LIGI. Tabel 1. Insalsas Nla Parameter Sstem Parameter Insalsas Nla Parameter HRmn {0.8, 0.7, 0.6, 0.5} ɛ {0.2, 0.3, 0.4, 0.5} ST {0.4, 0.5, 0.6} θ {10, 20} α {0.4, 0.5, 0.6} 4.2 Testng Metode SID dengan metode LIGI Berkut hasl testng metode SID dan LIGI terhadap seluruh dataset task 2 DUC Metode SID dan LIGI sama-sama beralan pada framework perngkasan yang sama yatu: text preprocessng, clusterng kalmat dengan SHC, dan pengurutan cluster yang dlakukan berdasarkan cluster mportance. Namun untuk metode LIGI pada text preprocessng tdak dgunakan proses stemmng sesua dengan Sarkar (2009). Tabel 2. Hasl Testng Metode SID vs LIGI Metode Sstem Perngkasan Sentence clusterng (SHC) + cluster orderng (cluster mportance) + SID Sentence clusterng (SHC) + cluster orderng (cluster mportance) + LIGI ROUGE Tabel 2 menunukkan perbandngan nla ratarata ROUGE-1 yang mampu drah oleh metode SID dan LIGI yang dalankan pada framework sstem perngkasan yang sama. Nla rata-rata ROUGE-1 terbesar drah oleh metode SID yatu dengan kombnas nla parameter HR mn = 0.6, ɛ = 0.4, S T = 0.4, θ = 10 dan α = 0.4 sedangkan nla rata-rata ROUGE-1 terbesar yang mampu drah oleh metode LIGI adalah dengan kombnas nla parameter HR mn = 0.8, ɛ = 0.4, S T = 0.2, dan θ = 10. Nla ROUGE-1 yang lebh besar menunukkan performa sstem perngkasan yang dbangun dengan pendekatan sentence clusterng (SHC) + cluster orderng (cluster mportance) + SID lebh bak dar seg korelas hasl rngkasan sstem dengan rngkasan secara manual dbandngkan dengan sstem perngkasan yang dbangun dengan pendekatan sentence clusterng (SHC) + cluster orderng (cluster mportance) + LIGI. 5. KESIMPULAN Pada paper n telah dusulkan sebuah strateg pemlhan kalmat representatf cluster sebaga kalmat rngkasan dengan menggunakan konsep sentence nformaton densty (metode SID) yang dbangun menggunakan pendekatan postonal text graph. Pemlhan kalmat representatf cluster menggunakan pendekatan postonal text graph mampu menghaslkan nla rata-rata ROUGE-1 sebesar dan berhasl mengunggul metode LIGI dmana nla rata-rata ROUGE-1 yang dhaslkan adalah Hal tersebut mengndkaskan bahwa metode SID mampu memlh kalmat rngkasan lebh bak dan memberkan hasl yang lebh bak berdasarkan korelas hasl rngkasan sstem dengan rngkasan secara manual dar seg kesesuaan ungram dbandngkan dengan metode LIGI.
7 24 Jurnal Ilmu Komputer Vol.VI, No. 2, September 2013, hlm DAFTAR PUSTAKA Boros, E. Kantor, P. B. dan Neu, D. J. (2001), A Clusterng Based Approach to Creatng Mult- Document Summares. In Proceedngs of the 24th ACM SIGIR Conference, Eds: Kraft, D. H. et al., ACM, New Orleans, Los Angeles, hal Ge, S. S., Zhang Z., dan He, H. (2011), Weghted Graph Model Based Sentence Clusterng and Rankng for Document Summarzaton Proceedng of th Internatonal Conference on Interacton Scences (ICIS), Natonal Unversty of Sngapore, Sngapore, hal Gupta, V. (2010), A Survey of Text Summarzaton Extractve Tecnques, Journal of Emergng Technologes n Web Intellgence, Vol. 2, No. 3, hal Hammouda, K. M. dan Kamel, M. S. (2003), Incremental Document Clusterng Usng Cluster Smlarty Hstograms Proceedng of the 2003 IEEE/WIC Internatonal Conference on Web Intellgence, Eds: Lu, J. et al., Unversty of Waterloo, Halfax, Canada, hal He, T., L F., Shao, W., Chen, J., dan Ma, L. (2008), A New Feature-Fuson Sentence Selectng Strategy for Query-Focused Mult-document Summarzaton, Proceedng of Internatonal Conference Advance Language Processng and Web Informaton Technology, Eds: Ock C. et al., Unversty of Normal, Wuhan, Chna, hal Koglavan, A. dan Balasubraman, P. (2010), Clusterng and Feature Sprecfc Sentence Extracton Based Summarzaton of Multple Documents, Internatonal Journal of Computer Scence & Informaton Technology (IJCSIT), Vol. 2, No. 4, hal Ln, C. Y. (2004), ROUGE: a Package for Automatc Evaluaton of Summares, In Proceedngs of Workshop on Text Summarzaton Brances Out, Eds: Moens, M. F. dan Szpakowcz, S., Assocaton for Computatonal Lngustcs, Barcelona, hal Ouyang, Y., L W., Zhang R., L S., dan Lu Q. (2013), A Progressve Sentence Selecton Strategy for Document Summarzaton, Journal of nformaton Precessng and Management. Vol. 49, Issue 1, hal Randev, D. R., Jng, H., Stys, M., dan Tam, D. (2004), Centrod-Based Summarzaton of Multple Documents, Journal Informaton Processng and Management: an Internatonal Journal, Vol. 40 Issue 6, hal Sarkar, K. (2009), Sentence Clusterng-based Summarzaton of Multple Text Documents, Internatonal Journal of Computng Scence and Communcaton Technologes, Vol. 2, No. 1, hal Wan, X. dan Yang, J. (2008), Mult-Document Summarzaton Usng Cluster-Based Lnk Analyss, Proceedngs of the 31st annual nternatonal ACM SIGIR conference on Research and Development n Informaton Retreval, Eds: Chua T. S. et al., Assocaton for Computatonal Lngustcs, New York, hal
Strategi Pemilihan Kalimat pada Peringkasan Multi Dokumen
JURNAL TEKNIK ITS Vol. 5, No. 2, (2016) ISSN: 2337-3539 (2301-9271 Prnt) A-924 Strateg Pemlhan Kalmat pada Perngkasan Mult Dokumen Satro Verdanto, Agus Zanal Arfn, dan Dana Purwtasar Jurusan Teknk Informatka,
Lebih terperinciSTRATEGI PEMILIHAN KALIMAT PADA PERINGKASAN MULTI DOKUMEN
STRATEGI PEMILIHAN KALIMAT PADA PERINGKASAN MULTI DOKUMEN Satro Verdanto, Agus Zanal Arfn, dan Dana Purtasar Jurusan Teknk Informatka, Fakultas Teknolog Informas, Insttut Teknolog Sepuluh Nopember (ITS)
Lebih terperinciBAB 1 PENDAHULUAN. 1.1 Latar belakang
BAB 1 PENDAHULUAN 1.1 Latar belakang Dalam memlh sesuatu, mula yang memlh yang sederhana sampa ke hal yang sangat rumt yang dbutuhkan bukanlah berpkr yang rumt, tetap bagaman berpkr secara sederhana. AHP
Lebih terperinciPRESENTASI TUGAS AKHIR KI091391
PRESENTASI TUGAS AKHIR KI09191 IMPLEMENTASI SEGMENTASI CITRA RESONANSI MAGNETIK OTAK MENGGUNAKAN ALGORITMA FUZZY C-MEANS YANG DIMODIFIKASI BERDASARKAN KORELASI ANTAR PIKSEL (Kata Kunc : Segmentas Fuzzy
Lebih terperinciAPLIKASI KORELASI PEARSON DALAM MEMBANGUN MODEL TREE-AUGMENTED NETWORK (TAN) (Studi Kasus Pengenalan Karakter Tulisan Tangan)
APLIKASI KORELASI PEARSON DALAM MEMBANGUN MODEL TREE-AUGMENTED NETWORK (TAN) (Stud Kasus Pengenalan Karakter Tulsan Tangan) Irwan Bud Santoso Jurusan Teknk Informatka, Sans dan Teknolog Unverstas Islam
Lebih terperinciIV. PERANCANGAN DAN IMPLEMENTASI SISTEM
IV. PERANCANGAN DAN IMPLEMENTASI SISTEM Perancangan Sstem Sstem yang akan dkembangkan adalah berupa sstem yang dapat membantu keputusan pemodal untuk menentukan portofolo saham yang dperdagangkan d Bursa
Lebih terperinciPENENTUAN LOKASI PEMANCAR TELEVISI MENGGUNAKAN FUZZY MULTI CRITERIA DECISION MAKING
Meda Informatka, Vol. 2, No. 2, Desember 2004, 57-64 ISSN: 0854-4743 PENENTUAN LOKASI PEMANCAR TELEVISI MENGGUNAKAN FUZZY MULTI CRITERIA DECISION MAKING Sr Kusumadew Jurusan Teknk Informatka, Fakultas
Lebih terperinciBAB VB PERSEPTRON & CONTOH
BAB VB PERSEPTRON & CONTOH Model JST perseptron dtemukan oleh Rosenblatt (1962) dan Mnsky Papert (1969). Model n merupakan model yang memlk aplkas dan pelathan yang lebh bak pada era tersebut. 5B.1 Arstektur
Lebih terperinciPENENTUAN KELAS DENGAN NEAREST NEIGHBOR CLUSTERING DAN PENGGUNAAN METODE NAÏVE BAYES UNTUK KLASIFIKASI DOKUMEN
PENENTUAN KELAS DENGAN NEAREST NEIGHBOR CLUSTERING DAN PENGGUNAAN METODE NAÏVE BAYES UNTUK KLASIFIKASI DOKUMEN Handry Wardoyo 1 Jeanny Pragantha Vny Chrstant M. 3 1 3 Teknk Informatka Unverstas Tarumanagara
Lebih terperinciBab III Analisis Rantai Markov
Bab III Analss Ranta Markov Sstem Markov (atau proses Markov atau ranta Markov) merupakan suatu sstem dengan satu atau beberapa state atau keadaan, dan dapat berpndah dar satu state ke state yang lan pada
Lebih terperinciBAB IV HASIL PENELITIAN DAN PEMBAHASAN
BAB IV HASIL PENELITIAN DAN PEMBAHASAN A. Deskrps Data Hasl Peneltan Satelah melakukan peneltan, penelt melakukan stud lapangan untuk memperoleh data nla post test dar hasl tes setelah dkena perlakuan.
Lebih terperinciALGORITMA UMUM PENCARIAN INFORMASI DALAM SISTEM TEMU KEMBALI INFORMASI BERBASIS METODE VEKTORISASI KATA DAN DOKUMEN
ALGORITMA UMUM PENCARIAN INFORMASI DALAM SISTEM TEMU KEMBALI INFORMASI BERBASIS METODE VEKTORISASI KATA DAN DOKUMEN Hendra Bunyamn Jurusan Teknk Informatka Fakultas Teknolog Informas Unverstas Krsten Maranatha
Lebih terperinciPENGURUTAN DATA. A. Tujuan
PENGURUTAN DATA A. Tuuan Pembahasan dalam bab n adalah mengena pengurutan data pada sekumpulan data. Terdapat beberapa metode untuk melakukan pengurutan data yang secara detl akan dbahas ddalam bab n.
Lebih terperinciBAB 3 PEMBAHASAN. 3.1 Prosedur Penyelesaian Masalah Program Linier Parametrik Prosedur Penyelesaian untuk perubahan kontinu parameter c
6 A PEMAHASA Pada bab sebelumnya telah dbahas teor-teor yang akan dgunakan untuk menyelesakan masalah program lner parametrk. Pada bab n akan dperlhatkan suatu prosedur yang lengkap untuk menyelesakan
Lebih terperinciBAB V ANALISA PEMECAHAN MASALAH
BAB V ANALISA PEMECAHAN MASALAH 5.1 Analsa Pemlhan Model Tme Seres Forecastng Pemlhan model forecastng terbak dlakukan secara statstk, dmana alat statstk yang dgunakan adalah MAD, MAPE dan TS. Perbandngan
Lebih terperinci(1.1) maka matriks pembayaran tersebut dikatakan mempunyai titik pelana pada (r,s) dan elemen a
Lecture 2: Pure Strategy A. Strategy Optmum Hal pokok yang sesungguhnya menad nt dar teor permanan adalah menentukan solus optmum bag kedua phak yang salng bersang tersebut yang bersesuaan dengan strateg
Lebih terperinciBAB III METODE PENELITIAN. sebuah fenomena atau suatu kejadian yang diteliti. Ciri-ciri metode deskriptif menurut Surakhmad W (1998:140) adalah
BAB III METODE PENELITIAN 3.1 Metode Peneltan Metode yang dgunakan dalam peneltan n adalah metode deskrptf. Peneltan deskrptf merupakan peneltan yang dlakukan untuk menggambarkan sebuah fenomena atau suatu
Lebih terperinciBAB 2 TINJAUAN PUSTAKA
BAB 2 TINJAUAN PUSTAKA 2 Masalah Transportas Jong Jek Sang (20) menelaskan bahwa masalah transportas merupakan masalah yang serng dhadap dalam pendstrbusan barang Msalkan ada m buah gudang (sumber) yang
Lebih terperinciPreferensi untuk alternatif A i diberikan
Bahan Kulah : Topk Khusus Metode Weghted Product (WP) menggunakan perkalan untuk menghubungkan ratng atrbut, dmana ratng setap atrbut harus dpangkatkan dulu dengan bobot atrbut yang bersangkutan. Proses
Lebih terperinciBAB VIB METODE BELAJAR Delta rule, ADALINE (WIDROW- HOFF), MADALINE
BAB VIB METODE BELAJAR Delta rule, ADALINE (WIDROW- HOFF), MADALINE 6B.1 Pelathan ADALINE Model ADALINE (Adaptve Lnear Neuron) dtemukan oleh Wdrow & Hoff (1960) Arstekturnya mrp dengan perseptron Perbedaan
Lebih terperinciBAB III HIPOTESIS DAN METODOLOGI PENELITIAN
BAB III HIPOTESIS DAN METODOLOGI PENELITIAN III.1 Hpotess Berdasarkan kerangka pemkran sebelumnya, maka dapat drumuskan hpotess sebaga berkut : H1 : ada beda sgnfkan antara sebelum dan setelah penerbtan
Lebih terperinciIV. UKURAN SIMPANGAN, DISPERSI & VARIASI
IV. UKURAN SIMPANGAN, DISPERSI & VARIASI Pendahuluan o Ukuran dspers atau ukuran varas, yang menggambarkan derajat bagamana berpencarnya data kuanttatf, dntaranya: rentang, rentang antar kuartl, smpangan
Lebih terperinciBab 1 PENDAHULUAN Latar Belakang
11 Bab 1 PENDAHULUAN 1.1. Latar Belakang Perbankan adalah ndustr yang syarat dengan rsko. Mula dar pengumpulan dana sebaga sumber labltas, hngga penyaluran dana pada aktva produktf. Berbaga kegatan jasa
Lebih terperinciBAB 2 LANDASAN TEORI
BAB 2 LANDASAN TEORI 2.1 Pengertan Regres Regres pertama kal dpergunakan sebaga konsep statstka oleh Sr Francs Galton (1822 1911). Belau memperkenalkan model peramalan, penaksran, atau pendugaan, yang
Lebih terperinciJULIO ADISANTOSO - ILKOM IPB 1
KOM341 Temu Kembal Informas KULIAH #9 Text Clusterng Clusterng Pengelompokan, penggerombolan Proses pengelompokan sekumpulan obyek ke dalam kelas-kelas obyek yang memlk sfat sama. Unsupervsed learnng JAS
Lebih terperinciIII. METODE PENELITIAN. Penelitian ini dilakukan di MTs Negeri 2 Bandar Lampung dengan populasi siswa
III. METODE PENELITIAN A. Populas dan Sampel Peneltan n dlakukan d MTs Neger Bandar Lampung dengan populas sswa kelas VII yang terdr dar 0 kelas yatu kelas unggulan, unggulan, dan kelas A sampa dengan
Lebih terperinciPembentukan Prototype Data Dengan Metode K-Means Untuk Klasifikasi dalam Metode K- Nearest Neighbor (K-NN)
Pembentukan Prototype Data Dengan Metode K-Means Untuk Klasfkas dalam Metode K- Nearest Neghbor () Kharul Umam Syalman Magster Teknk Informatka Faslkom - TI USU kharul.q14@gmal.com Adl Abdllah Nababan
Lebih terperinciPembentukan Prototype Data Dengan Metode K-Means Untuk Klasifikasi dalam Metode K- Nearest Neighbor (K-NN)
Pembentukan Prototype Data Dengan Metode K-Means Untuk Klasfkas dalam Metode K- Nearest Neghbor () Kharul Umam Syalman Magster Teknk Informatka Faslkom - TI USU kharul.q14@gmal.com Adl Abdllah Nababan
Lebih terperinciSEMANTIC CLUSTERING DAN PEMILIHAN KALIMAT REPRESENTATIF UNTUK PERINGKASAN MULTI DOKUMEN
Jurnal Teknologi Informasi dan Ilmu Komputer (JTIIK) Vol. 1, No. 2, Oktober 2014 hlm. 91-97 SEMANTIC CLUSTERING DAN PEMILIHAN KALIMAT REPRESENTATIF UNTUK PERINGKASAN MULTI DOKUMEN Pasnur 1, Putu Praba
Lebih terperinciBAB IV PEMBAHASAN MODEL
BAB IV PEMBAHASAN MODEL Pada bab IV n akan dlakukan pembuatan model dengan melakukan analss perhtungan untuk permasalahan proses pengadaan model persedaan mult tem dengan baya produks cekung dan jont setup
Lebih terperinciIII. METODE PENELITIAN. Penelitian ini merupakan studi eksperimen yang telah dilaksanakan di SMA
III. METODE PENELITIAN A. Waktu dan Tempat Peneltan Peneltan n merupakan stud ekspermen yang telah dlaksanakan d SMA Neger 3 Bandar Lampung. Peneltan n dlaksanakan pada semester genap tahun ajaran 2012/2013.
Lebih terperinciBAB III METODE PENELITIAN. Penelitian ini merupakan penelitian yang bertujuan untuk mendeskripsikan
BAB III METODE PENELITIAN A. Jens Peneltan Peneltan n merupakan peneltan yang bertujuan untuk mendeskrpskan langkah-langkah pengembangan perangkat pembelajaran matematka berbass teor varas berupa Rencana
Lebih terperinciBAB III METODOLOGI PENELITIAN
BAB III METODOLOGI PENELITIAN 3.1. Hpotess Peneltan Berkatan dengan manusa masalah d atas maka penuls menyusun hpotess sebaga acuan dalam penulsan hpotess penuls yatu Terdapat hubungan postf antara penddkan
Lebih terperinciBAB III METODE PENELITIAN. Pada penelitian ini, penulis memilih lokasi di SMA Negeri 1 Boliyohuto khususnya
BAB III METODE PENELITIAN 3.1 Tempat dan Waktu Peneltan 3.1.1 Tempat Peneltan Pada peneltan n, penuls memlh lokas d SMA Neger 1 Bolyohuto khususnya pada sswa kelas X, karena penuls menganggap bahwa lokas
Lebih terperinciTinjauan Algoritma Genetika Pada Permasalahan Himpunan Hitting Minimal
157 Vol. 13, No. 2, 157-161, Januar 2017 Tnjauan Algortma Genetka Pada Permasalahan Hmpunan Httng Mnmal Jusmawat Massalesse, Bud Nurwahyu Abstrak Beberapa persoalan menark dapat dformulaskan sebaga permasalahan
Lebih terperinciAnalitik Data Tingkat Lanjut (Regresi)
0 Oktober 206 Analtk Data Tngkat Lanut (Regres) Imam Cholssodn mam.cholssodn@gmal.com Pokok Bahasan. Konsep Regres 2. Analss Teknkal dan Fundamental 3. Regres Lnear & Regres Logstc (Optonal) 4. Regres
Lebih terperinciSISTEM PENDUKUNG KEPUTUSAN PENILAIAN KINERJA DAN PEMILIHAN MITRA BADAN PUSAT STATISTIK (BPS) KABUPATEN GUNUNGKIDUL MENGGUNAKAN METODE SAW BERBASIS WEB
SISTEM PENDUKUNG KEPUTUSAN PENILAIAN KINERJA DAN PEMILIHAN MITRA BADAN PUSAT STATISTIK (BPS) KABUPATEN GUNUNGKIDUL MENGGUNAKAN METODE SAW BERBASIS WEB Putr Har Ikhtarn ), Bety Nurltasar 2), Hafdz Alda
Lebih terperinciBAB IV PERHITUNGAN DAN ANALISIS
BAB IV PERHITUNGAN DAN ANALISIS 4.1 Survey Parameter Survey parameter n dlakukan dengan mengubah satu jens parameter dengan membuat parameter lannya tetap. Pengamatan terhadap berbaga nla untuk satu parameter
Lebih terperinciBAB 4 METODOLOGI PENELITIAN DAN ANALISIS
28 BAB 4 METODOLOGI PENELITIAN DAN ANALISIS 4.1 Kerangka Pemkran dan Hpotess Dalam proses peneltan n, akan duj beberapa varabel software yang telah dsebutkan pada bab sebelumnya. Sesua dengan tahapan-tahapan
Lebih terperinciBab III Analisis dan Rancangan Sistem Kompresi Kalimat
Bab III Analss dan Rancangan Sstem Kompres Kalmat Bab n bers penjelasan dan analss terhadap sstem kompres kalmat yang dkembangkan d dalam tess n. Peneltan n menggunakan pendekatan statstcal translaton
Lebih terperinci3 METODE HEURISTIK UNTUK VRPTW
12 3 METODE HEURISTIK UNTUK VRPTW 3.1 Metode Heurstk Metode heurstk merupakan salah satu metode penentuan solus optmal dar permasalahan optmas kombnatoral. Berbeda dengan solus eksak yang menentukan nla
Lebih terperinciPENGENALAN POLA TULISAN TANGAN AKSARA JAWA HA NA CA RA KA MENGGUNAKAN MULTI LAYER PERCEPTRON
PENGENALAN POLA TULISAN TANGAN AKSARA JAWA HA NA CA RA KA MENGGUNAKAN MULTI LAYER PERCEPTRON Madha Chrstan Wbowo 1) Sandy Wrakusuma 2) 1) S1 Sstem Komputer, STIKOM Surabaya, emal: madha@stkom.edu 2) S1
Lebih terperinciBAB III METODE PENELITIAN. hasil penelitian. Walaupun penelitian ini merupakan penelitian kuasi eksperimen,
BAB III METODE PENELITIAN A. Metode dan Desan Peneltan Metode peneltan n adalah quas ekspermen karena terdapat unsur manpulas, yatu mengubah keadaan basa secara sstemats ke keadaan tertentu serta tetap
Lebih terperinciBAB IV PEMBAHASAN HASIL PENELITIAN
BAB IV PEMBAHASAN HASIL PENELITIAN A. Hasl Peneltan Pada peneltan yang telah dlakukan penelt selama 3 mnggu, maka hasl belajar matematka pada mater pokok pecahan d kelas V MI I anatussbyan Mangkang Kulon
Lebih terperinciPendahuluan. 0 Dengan kata lain jika fungsi tersebut diplotkan, grafik yang dihasilkan akan mendekati pasanganpasangan
Pendahuluan 0 Data-data ang bersfat dskrt dapat dbuat contnuum melalu proses curve-fttng. 0 Curve-fttng merupakan proses data-smoothng, akn proses pendekatan terhadap kecenderungan data-data dalam bentuk
Lebih terperinciBAB III METODE PENELITIAN. pembelajaran berupa RPP dan LKS dengan pendekatan berbasis masalah ini
BAB III METODE PENELITIAN A. Desan Peneltan Metode peneltan yang dgunakan dalam pengembangan perangkat pembelajaran berupa RPP dan LKS dengan pendekatan berbass masalah n adalah metode pengembangan atau
Lebih terperinciBAB III METODE PENELITIAN. menghasilkan Lembar Kegiatan Siswa (LKS) pada materi Geometri dengan
BAB III METODE PENELITIAN A. Jens Peneltan Peneltan n merupakan peneltan pengembangan yang bertujuan untuk menghaslkan Lembar Kegatan Sswa (LKS) pada mater Geometr dengan pendekatan pembelajaran berbass
Lebih terperinciNama : Crishadi Juliantoro NPM :
ANALISIS INVESTASI PADA PERUSAHAAN YANG MASUK DALAM PERHITUNGAN INDEX LQ-45 MENGGUNAKAN PORTOFOLIO DENGAN METODE SINGLE INDEX MODEL. Nama : Crshad Julantoro NPM : 110630 Latar Belakang Pemlhan saham yang
Lebih terperinciANALISIS DATA KATEGORIK (STK351)
Suplemen Respons Pertemuan ANALISIS DATA KATEGORIK (STK351) 7 Departemen Statstka FMIPA IPB Pokok Bahasan Sub Pokok Bahasan Referens Waktu Korelas Perngkat (Rank Correlaton) Bag. 1 Koefsen Korelas Perngkat
Lebih terperinciBAB I PENDAHULUAN. dan. 0. Uji fungsi distribusi empiris yang populer, yaitu uji. distribusi nol
BAB I PENDAHULUAN 1.1. Latar Belakang Sebagan besar peneltan-peneltan bdang statstka berhubungan dengan pengujan asums dstrbus, bak secara teor maupun praktk d lapangan. Salah satu uj yang serng dgunakan
Lebih terperinciANALISIS SENTIMEN PENGGUNA JEJARING SOSIAL MENGGUNAKAN METODE SUPPORT VECTOR MACHINE
ANALISIS SENTIMEN PENGGUNA JEJARING SOSIAL MENGGUNAKAN METODE SUPPORT VECTOR MACHINE M. Fachrurroz, M.T. 1, Nov Yuslan, M.T. 2 1,2 Jurusan Teknk Informatka Fakultas Ilmu Komputer, Unverstas Srwjaya 1 obetsobets@gmal.com,
Lebih terperinciPELABELAN TOTAL SISI TAK BERATURAN PADA GRAF GABUNGAN BIPARTIT LENGKAP
JMP : Volume 1 Nomor 2, Oktober 2009 PELABELAN TOTAL SISI TAK BERATURAN PADA GRAF GABUNGAN BIPARTIT LENGKAP Tryan dan Nken Larasat Fakultas Sans dan Teknk, Unverstas Jenderal Soedrman Purwokerto, Indonesa
Lebih terperinciBAB IV PEMBAHASAN HASIL PENELITIAN PENGARUH PENGGUNAAN METODE GALLERY WALK
BAB IV PEMBAASAN ASIL PENELITIAN PENGARU PENGGUNAAN METODE GALLERY WALK TERADAP ASIL BELAJAR MATA PELAJARAN IPS MATERI POKOK KERAGAMAN SUKU BANGSA DAN BUDAYA DI INDONESIA A. Deskrps Data asl Peneltan.
Lebih terperinciIMAGE CLUSTER BERDASARKAN WARNA UNTUK IDENTIFIKASI KEMATANGAN BUAH TOMAT DENGAN METODE VALLEY TRACING
IMAGE CLUSTER BERDASARKAN WARNA UNTUK IDENTIFIKASI KEMATANGAN BUAH TOMAT DENGAN METODE VALLEY TRACING M. Helmy Noor 1, Moh. Harad 2 Program Pasasarjana, Jurusan Teknk Elektro, Program Stud Jarngan Cerdas
Lebih terperinciBAB II METODOLOGI PENELITIAN. Jenis penelitian yang digunakan dalam penelitian ini adalah penelitian. variable independen dengan variabel dependen.
BAB II METODOLOGI PENELITIAN A. Bentuk Peneltan Jens peneltan yang dgunakan dalam peneltan n adalah peneltan deskrptf dengan analsa kuanttatf, dengan maksud untuk mencar pengaruh antara varable ndependen
Lebih terperinciBAB 5 HASIL DAN PEMBAHASAN. Sampel yang digunakan dalam penelitian ini adalah data pengujian pada
BAB 5 ASIL DAN PEMBAASAN 5. asl Peneltan asl peneltan akan membahas secara lebh lengkap mengena penyajan data peneltan dan analss data. 5.. Penyajan Data Peneltan Sampel yang dgunakan dalam peneltan n
Lebih terperinciUKURAN LOKASI, VARIASI & BENTUK KURVA
UKURAN LOKASI, VARIASI & BENTUK KURVA MARULAM MT SIMARMATA, MS STATISTIK TERAPAN FAK HUKUM USI @4 ARTI UKURAN LOKASI DAN VARIASI Suatu Kelompok DATA berupa kumpulan nla VARIABEL [ vaabel ] Ms banyaknya
Lebih terperinciBAB III METODOLOGI PENELITIAN
BAB III METODOLOGI PENELITIAN Dalam pembuatan tugas akhr n, penulsan mendapat referens dar pustaka serta lteratur lan yang berhubungan dengan pokok masalah yang penuls ajukan. Langkah-langkah yang akan
Lebih terperinciIII. METODE PENELITIAN. Penelitian ini dilaksanakan di SMP Negeri 13 Bandar Lampung. Populasi dalam
III. METODE PENELITIAN A. Populas dan Sampel Peneltan n dlaksanakan d SMP Neger 3 Bandar Lampung. Populas dalam peneltan n yatu seluruh sswa kelas VIII SMP Neger 3 Bandar Lampung Tahun Pelajaran 0/03 yang
Lebih terperinciMETODE KLASTERISASI DATA BERBASIS ARTIFICIAL BEE COLONY DAN K-HARMONIC MEANS
TESIS METODE KLASTERISASI DATA BERBASIS ARTIFICIAL BEE COLONY DAN K-HARMONIC MEANS Oleh : I Made Wdartha NRP. 5109201009 Dosen Pembmbng : Dr. Agus Zanal Arfn, S.Kom, M.Kom Anny Yunart, S.Kom, M.Comp.Sc
Lebih terperinciPERANCANGAN JARINGAN AKSES KABEL (DTG3E3)
PERCG JRIG KSES KBEL (DTG3E3) Dsusun Oleh : Hafdudn,ST.,MT. (HFD) Rohmat Tulloh, ST.,MT (RMT) Prod D3 Teknk Telekomunkas Fakultas Ilmu Terapan Unverstas Telkom 015 Peramalan Trafk Peramalan Trafk Peramalan
Lebih terperinciBAB III METODE PENELITIAN. problems. Cresswell (2012: 533) beranggapan bahwa dengan
BAB III METODE PENELITIAN A. Jens Peneltan Jens peneltan n adalah peneltan kombnas atau mxed methods. Cresswell (2012: 533) A mxed methods research desgn s a procedure for collectng, analyzng and mxng
Lebih terperinciBAB.3 METODOLOGI PENELITIN 3.1 Lokasi dan Waktu Penelitian Penelitian ini di laksanakan di Sekolah Menengah Pertama (SMP) N. 1 Gorontalo pada kelas
9 BAB.3 METODOLOGI PENELITIN 3. Lokas dan Waktu Peneltan Peneltan n d laksanakan d Sekolah Menengah Pertama (SMP) N. Gorontalo pada kelas VIII. Waktu peneltan dlaksanakan pada semester ganjl, tahun ajaran
Lebih terperinciIII. METODE PENELITIAN. Penelitian ini merupakan penelitian pengembangan (Research and
III. METODE PENELITIAN A. Desan Peneltan Peneltan n merupakan peneltan pengembangan (Research and Development). Peneltan pengembangan yang dlakukan adalah untuk mengembangkan penuntun praktkum menjad LKS
Lebih terperinciBAB V PENGEMBANGAN MODEL FUZZY PROGRAM LINIER
BAB V PENGEMBANGAN MODEL FUZZY PROGRAM LINIER 5.1 Pembelajaran Dengan Fuzzy Program Lner. Salah satu model program lnear klask, adalah : Maksmumkan : T f ( x) = c x Dengan batasan : Ax b x 0 n m mxn Dengan
Lebih terperinciBAB III METODE PENELITIAN. Metode penelitian yang digunakan dalam penelitian ini adalah metode
BAB III METODE PENELITIAN Desan Peneltan Metode peneltan yang dgunakan dalam peneltan n adalah metode deskrptf analts dengan jens pendekatan stud kasus yatu dengan melhat fenomena permasalahan yang ada
Lebih terperinciBAB II TEORI ALIRAN DAYA
BAB II TEORI ALIRAN DAYA 2.1 UMUM Perhtungan alran daya merupakan suatu alat bantu yang sangat pentng untuk mengetahu konds operas sstem. Perhtungan alran daya pada tegangan, arus dan faktor daya d berbaga
Lebih terperinciIII. METODE PENELITIAN. Penelitian ini dilaksanakan di SD Al-Azhar 1 Wayhalim Bandar Lampung. Populasi
3 III. METODE PENELITIAN A. Populas dan Sampel Peneltan n dlaksanakan d SD Al-Azhar Wayhalm Bandar Lampung. Populas dalam peneltan n adalah seluruh sswa kelas V yang terdr dar 5 kelas yatu V A, V B, V
Lebih terperinciPENERAPAN METODE FORGY PADA PERILAKU LEBAH PENJELAJAH DALAM ARTIFICIAL BEE COLONY
PENERAPAN METODE FORGY PADA PERILAKU LEBAH PENJELAJAH DALAM ARTIFICIAL BEE COLONY I Made Wdartha Program Stud Teknk Informatka Fakultas Matematka dan Ilmu Pengetahuan Alam Unverstas Udayana emal : madewdartha@cs.unud.ac.d
Lebih terperinciJURNAL MATEMATIKA DAN KOMPUTER Vol. 4. No. 1, 23-32, April 2001, ISSN :
JRNAL MATEMATIKA DAN KOMPTER Vol 4 No 1, 3-3, Aprl 1, ISSN : 141-51 KAJIAN DISKRETISASI DENGAN METODE GALERKIN SEMI DISKRET TERHADAP EFISIENSI SOLSI MODEL RAMBATAN PANAS TANPA SK KONVEKSI Suhartono dan
Lebih terperinciPEMILIHAN VARIABEL YANG RELEVAN PADA ATURAN FUZZY MENGGUNAKAN JARINGAN SYARAF
PEMILIHAN VARIABEL YANG RELEVAN PADA ATURAN FUZZY MENGGUNAKAN JARINGAN YARAF r Kusumadew Jurusan Teknk Informatka, Fakultas Teknolog Industr Unverstas Islam Indonesa Yogyakarya emal: cce@ft.u.ac.d Abstrak
Lebih terperinciDidownload dari ririez.blog.uns.ac.id BAB I PENDAHULUAN
BAB I PENDAHULUAN Sebuah jarngan terdr dar sekelompok node yang dhubungkan oleh busur atau cabang. Suatu jens arus tertentu berkatan dengan setap busur. Notas standart untuk menggambarkan sebuah jarngan
Lebih terperinciBAB 2 LANDASAN TEORI. Universitas Sumatera Utara
BAB 2 LANDASAN TEORI 2.1 Pengertan Analsa Regres Dalam kehdupan sehar-har, serng kta jumpa hubungan antara satu varabel terhadap satu atau lebh varabel yang lan. Sebaga contoh, besarnya pendapatan seseorang
Lebih terperinciBAB II TINJAUAN PUSTAKA
BAB II TINJAUAN PUSTAKA 2.1 Penjadwalan Baker (1974) mendefnskan penjadwalan sebaga proses pengalokasan sumber-sumber dalam jangka waktu tertentu untuk melakukan sejumlah pekerjaan. Menurut Morton dan
Lebih terperinciBAB III METODE PENELITIAN. Jenis penelitian yang dipakai adalah penelitian kuantitatif, dengan
BAB III METODE PENELITIAN 3.1 Pendekatan dan Jens Peneltan Jens peneltan yang dpaka adalah peneltan kuanttatf, dengan menggunakan metode analss deskrptf dengan analss statstka nferensal artnya penuls dapat
Lebih terperinciPEMBUATAN GRAFIK PENGENDALI BERDASARKAN ANALISIS KOMPONEN UTAMA (PRINCIPAL COMPONENT ANALYSIS)
PEMBUATAN GRAFIK PENGENDALI BERDASARKAN ANALISIS KOMPONEN UTAMA (PRINCIPAL COMPONENT ANALYSIS) Wrayant ), Ad Setawan ), Bambang Susanto ) ) Mahasswa Program Stud Matematka FSM UKSW Jl. Dponegoro 5-6 Salatga,
Lebih terperinciBAB II LANDASAN TEORI
BAB II LANDASAN TEORI 2.1 Fuzzy Set Pada tahun 1965, Zadeh memodfkas teor hmpunan dmana setap anggotanya memlk derajat keanggotaan yang bernla kontnu antara 0 sampa 1. Hmpunan n dsebut dengan hmpunaan
Lebih terperinciBAB I PENDAHULUAN. 1.1 Latar Belakang. Di dalam matematika mulai dari SD, SMP, SMA, dan Perguruan Tinggi
Daftar Is Daftar Is... Kata pengantar... BAB I...1 PENDAHULUAN...1 1.1 Latar Belakang...1 1.2 Rumusan Masalah...2 1.3 Tujuan...2 BAB II...3 TINJAUAN TEORITIS...3 2.1 Landasan Teor...4 BAB III...5 PEMBAHASAN...5
Lebih terperinciPENERAPAN METODE MAMDANI DALAM MENGHITUNG TINGKAT INFLASI BERDASARKAN KELOMPOK KOMODITI (Studi Kasus pada Data Inflasi Indonesia)
PENERAPAN METODE MAMDANI DALAM MENGHITUNG TINGKAT INFLASI BERDASARKAN KELOMPOK KOMODITI (Stud Kasus pada Data Inflas Indonesa) Putr Noorwan Effendy, Amar Sumarsa, Embay Rohaet Program Stud Matematka Fakultas
Lebih terperinciPEMODELAN KARAKTERISTIK TINGKAT PENDIDIKAN ANAK DI PROVINSI JAWA BARAT MENGGUNAKAN LOG LINEAR
PEMODELAN KARAKTERISTIK TINGKAT PENDIDIKAN ANAK DI PROVINSI JAWA BARAT MENGGUNAKAN LOG LINEAR Resa Septan Pontoh 1), Neneng Sunengsh 2) 1),2) Departemen Statstka Unverstas Padjadjaran 1) resa.septan@unpad.ac.d,
Lebih terperinciBAB 4 PERHITUNGAN NUMERIK
Mata kulah KOMPUTASI ELEKTRO BAB PERHITUNGAN NUMERIK. Kesalahan error Pada Penelesaan Numerk Penelesaan secara numers dar suatu persamaan matemats kadang-kadang hana memberkan nla perkraan ang mendekat
Lebih terperinciBAB III METODE PENELITIAN. Sebelum dilakukan penelitian, langkah pertama yang harus dilakukan oleh
BAB III METODE PENELITIAN 3.1 Desan Peneltan Sebelum dlakukan peneltan, langkah pertama yang harus dlakukan oleh penelt adalah menentukan terlebh dahulu metode apa yang akan dgunakan dalam peneltan. Desan
Lebih terperinciPERINGKAS DOKUMEN OTOMATIS MENGGUNAKAN METODE FUZZY MODEL SISTEM INFERENSI MAMDANI
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
Lebih terperinciMETODE OPTIMASI 11/13/2015. Capaian Pembelajaran
2 Capaan Pembelajaran METODE OPTIMASI N. Tr Suswanto Saptad Mahasswa dapat memaham dan mampu mengaplkaskan beberapa metode untuk menyelesakan masalah dengan alternatfalternatf dalam jumlah yang relatf
Lebih terperinciUKURAN S A S MPE P L P of o. D r D. r H. H Al A ma m s a d s i d Sy S a y h a z h a, SE S. E, M P E ai a l i : l as a y s a y h a
UKURAN SAMPEL Prof. Dr. H. Almasd Syahza, SE., MP Emal: asyahza@yahoo.co.d Webste: http://almasd. almasd.staff. staff.unr.ac.d Penelt Senor Unverstas Rau Penentuan Sampel Peneltan lmah hampr selalu hanya
Lebih terperinciBAB III METODE PENELITIAN. SMK Negeri I Gorontalo. Penetapan lokasi tersebut berdasarkan pada
3 BAB III METODE PENELITIAN 3.1 Tempat Dan Waktu Peneltan 3.1.1 Tempat Peneltan Peneltan yang dlakukan oleh penelt berlokas d Kelas Ak 6, SMK Neger I Gorontalo. Penetapan lokas tersebut berdasarkan pada
Lebih terperinciPENGENALAN POLA TULISAN TANGAN AKSARA JAWA MENGGUNAKAN MULTI LAYER PERCEPTRON
STMIK AMIKOM Yogyakarta, 6-8 Februar 2015 PENGENALAN POLA TULISAN TANGAN AKSARA JAWA MENGGUNAKAN MULTI LAYER PERCEPTRON Madha Chrstan Wbowo 1), I Dewa Gede Ra Mardana 2), Sandy Wrakusuma 3) 1), 2), 3)
Lebih terperinciIII. METODE PENELITIAN. Penelitian ini dilaksanakan di SMPN 8 Bandar Lampung. Populasi dalam
1 III. METODE PENELITIAN A. Populas dan Sampel Peneltan n dlaksanakan d SMPN 8 Bandar Lampung. Populas dalam peneltan n adalah seluruh sswa kelas VII SMPN 8 Bandar Lampung Tahun Pelajaran 01/013 yang terdr
Lebih terperinciBAB IV HASIL PENELITIAN
6 BAB IV HAIL PENELITIAN A. Deskrps Data Hasl Peneltan Untuk mengetahu keefektfan penerapan model pembelajaran cooperatve learnng tpe TAD (tudent Teams-Achevement Dvsons) terhadap hasl belajar matematka
Lebih terperinciTINJAUAN PUSTAKA. Node. Edge. Gambar 1 Directed Acyclic Graph
TINJAUAN PUSTAKA Bayesan Networks BNs dapat memberkan nformas yang sederhana dan padat mengena nformas peluang. Berdasarkan komponennya BNs terdr dar Bayesan Structure (Bs) dan Bayesan Parameter (Bp) (Cooper
Lebih terperinciBAB III METODE PENELITIAN. menggunakan strategi pembelajaran mind mapping dalam pendekatan
35 BAB III METODE PENELITIAN A. Jens dan Desan Peneltan Jens peneltan n adalah kuas ekspermen. Pada peneltan n terdapat dua kelompok subjek peneltan yatu kelompok ekspermen yang dberkan suatu perlakuan
Lebih terperinciBAB III METODE PENELITIAN. yang digunakan meliputi: (1) PDRB Kota Dumai (tahun ) dan PDRB
BAB III METODE PENELITIAN 3.1 Jens dan Sumber Data Jens data yang dgunakan dalam peneltan n adalah data sekunder. Data yang dgunakan melput: (1) PDRB Kota Duma (tahun 2000-2010) dan PDRB kabupaten/kota
Lebih terperinciPERBANDINGAN METODE SAW DAN TOPSIS PADA KASUS UMKM
PERBANINGAN METOE SAW AN TOPSIS PAA KASUS UMKM Muh. Alyazd Mude al.mude@yahoo.com Teknk Informatka Unverstas Muslm Indonesa Abstrak alam pengamblan keputusan terhadap masalah berdasarkan sebuah analsa
Lebih terperinciPENGEMBANGAN METODE ALGORITMA GENETIKA DAN DARWINIAN PARTICLE SWARM OPTIMIZATION UNTUK FUNGSI MULTIMODAL
Arad Retno TH, Pengembangan Metode Algortma Gen, Hal 93-0 PENGEMBANGAN METODE ALGORITMA GENETIKA DAN DARWINIAN PARTICLE SWARM OPTIMIZATION UNTUK FUNGSI MULTIMODAL Arad Retno Tr Hayat Abstrak Metode optmas
Lebih terperinciMEREDUKSI SISTEM PERSAMAAN LINEAR FUZZY PENUH DENGAN BILANGAN FUZZY TRAPESIUM
MEREDUKSI SISTEM PERSAMAAN LINEAR FUZZY PENUH DENGAN BILANGAN FUZZY TRAPESIUM Tut Susant, Mashad, Sukamto Mahasswa Program S Matematka Dosen Jurusan Matematka Fakultas Matematka dan Ilmu Pengetahuan Alam
Lebih terperinciBAB 1 PENDAHULUAN. Pertumbuhan dan kestabilan ekonomi, adalah dua syarat penting bagi kemakmuran
BAB 1 PENDAHULUAN 1.1. Latar Belakang Pertumbuhan dan kestablan ekonom, adalah dua syarat pentng bag kemakmuran dan kesejahteraan suatu bangsa. Dengan pertumbuhan yang cukup, negara dapat melanjutkan pembangunan
Lebih terperinciPEMILIHAN LAHAN TERBAIK UNTUK TANAMAN KELAPA SAWIT MENGGUNAKAN METODE SIMPLE ADDITIVE WEIGHTING
Semnar Nasonal Inovas Dan Aplkas Teknolog D Industr 2017 ISSN 2085-4218 ITN Malang, 4 Pebruar 2017 PEMILIHAN LAHAN TERBAIK UNTUK TANAMAN KELAPA SAWIT MENGGUNAKAN METODE SIMPLE ADDITIVE WEIGHTING Helza
Lebih terperinciBAB IV HASIL PENELITIAN DAN PEMBAHASAN
BAB IV HASIL PENELITIAN DAN PEMBAHASAN A. Deskrps Data Hasl Peneltan Peneltan n menggunakan peneltan ekspermen; subyek peneltannya dbedakan menjad kelas ekspermen dan kelas kontrol. Kelas ekspermen dber
Lebih terperinciBAB 2 LANDASAN TEORI
2 LNDSN TEORI 2. Teor engamblan Keputusan Menurut Supranto 99 keputusan adalah hasl pemecahan masalah yang dhadapnya dengan tegas. Suatu keputusan merupakan jawaban yang past terhadap suatu pertanyaan.
Lebih terperinciIII. METODE PENELITIAN. Penelitian ini dilaksanakan di SMP Al-Azhar 3 Bandar Lampung yang terletak di
III. METODE PENELITIAN A. Populas dan Sampel Peneltan n dlaksanakan d SMP Al-Azhar 3 Bandar Lampung yang terletak d Jl. Gn. Tanggamus Raya Way Halm, kota Bandar Lampung. Populas dalam peneltan n adalah
Lebih terperinci