Peringkasan Literatur Ilmu Komputer Bahasa Indonesia Berbasis Fitur Statistik dan Linguistik menggunakan Metode Gaussian Naïve Bayes

Transkripsi

1 Jurnal Pngmbangan Tknologi Informasi an Ilmu Komputr -ISSN: 8-96X Vol., No., April, hlm Pringkasan Litratur Ilmu Komputr ahasa Inonsia rbasis Fitur Statistik an Linguistik mnggunakan Mto Gaussian Naïv ays Muhamma Fhali, Mochamma Ali Fauzi, Tri Afirianto Program Stui Informatika, Abstrak i tngah ra ngan kbutuhan ata yang bsar ini, pringkasan tks mrupakan suatu kbutuhan. ngan pringkasan tks, stiap orang bisa mnapatkan informasi yang mnskripsikan ksluruhan ata tks yang bsar hanya ngan bbrapa kalimat. Prmasalahan alam pringkasan tks aalah kualitas hasil ringkasan. Salah satu mto untuk mringkas tks yang iknal aalah mto TF-IF, mto ini mrupakan mto pringkasan ngan pnkatan statistik. Pnkatan lain untuk mringkas tks aalah pnkatan linguistik. Paa umunya, ringkasan ari sbuah tks triri atas kalimat-kalimat yang mmiliki fitur-fitur linguistik sprti jumlah kata, jumlah kata kunci, an posisi kalimat paa tks asli. Fitur-fitur trsbut apat igunakan untuk mngklasifikasikan suatu kalimat baru kalam klas ringkasan atau klas bukan ringkasan. Hasil pringkasan iprolh ari kumpulan kalimat paa klas ringkasan. Paa pnlitian ini, pnulis mlakukan pnggabungan fitur statistik an fitur linguistik untuk mlakukan pringkasan tks. Hasil pngujian pnlitian ini mnunjukkan pringkasan ngan fitur statistik an linguistik mnggunakan mto Naïv ays mmiliki nilai rata-rata f- scor 68 an nilai rata-rata rlativ utility 66. Kata Kunci: pringkasan statistik, pringkasan linguistik, Naïv ays Abstract In this ra which rquir big amount of ata, txt summarization bcoms a ns. With txt summarization, vryon can gt information that scrib all of big txt in just fw of sntncs. Th problm in txt summarization is quality of th summarization rsult. On of th known mtho for txt summarization is TF- IF, this mtho is a mtho for summarizing txt using statistical approach. Th othr approach for summarizing txt is statistical approach. In a gnral way, summarization rsult is consist of sntncs with statistical faturs such as total of wors, total of kywors, an sntnc position in th original txt. Thos faturs can b us to classify a txt into class of summary or class of non summary. Th summarization rsult com from th composit of vry sntnc in summary class. In this rsarch, writr combins th us of statistical fatur an linguistical faturs to summariz txt. Th tsting rsult of this rsarch show that summarization with statistical an linguistical faturs using Naïv ays mtho cam with f-scor avrag.68 an raliv utility avrag.66. Kywors: statistical summarization, linguistical summarization, Naïv ays. PENAHULUAN Prkmbangan informasi tntang unia sains an unia tknologi yang brkmbang jauh sangat psat alam ua ka ini mmbuat ktrgantugan manusia trhaap ata ari brbagai macam biang sangat tinggi, shingga i masa pan manusia ipriksi akan mnyimpan ata alam jumlah yang sangat bsar (Emr, 6). Hairnya intrnt i tngah khiupan manusia juga mmbuat volum ata alam brbagai format brtambah rastis, trmasuk juga volum ata yang brupa tks (Olivira t al., 6). Kbraaan ata yang sangat banyak i intrnt mmbuat pncarian ata atau informasi scaca cpat an fisin i intrnt mnjai lbih sulit (abar, ). Kbraaan ata trsbut sulit iapatkan scara cpat an fisin karna ata yangtrsia tiak trbatas shingga akan sulit untuk mntksi kbraaan Fakultas Ilmu Komputr Univrsitas rawijaya

2 Jurnal Pngmbangan Tknologi Informasi an Ilmu Komputr 8 okumn atau informasi trtntu (Tayal, ). Kbraaan okumn yang banyak trsbut mmbuat ilma karna manusia harus mncari sikit informasi pnting ari okumn yang sangat banyak, paahal stiap pngguna intrnt hanya mmbutuhkan informasi utama ari okumn trsbut (Emr, 6). Agar pngguna intrnt bisa mnapatkan informasi yang ringkas namun tanpa mnghilangkan informasi yang pnting, maka ibutuhkan pringkasan informasi atau pringkasan okumn (Abbasi-ghalhtaki, 6). Yang mnjai prmasalah utama alam pringkasan tks aalah kualitas hasil pringkasan. Kssuaian tks yang akan iringkas ngan hasil pringkasan tntunya harus mnghasilkan nilai yang baik. brapa pnlitian tntang pringkasan tks suah prnah ilakukan sblumnya ngan mnggunakan brbagai macam mto. Salah satu pnlitian sblumnya mnrapkan Conitional anom Fil paa pringkasan otomatis untuk mntksi fitur-fitur ari sbuah tks ngan Non-ngativ Matrix Factorization (atcha, ). Pnlitian yang ilakukan olh atcha ini brfokus paa pmilihan fitur yang tpat agar mnghasilkan ringkasan yang optimal. Namun, mto ini tiak mnambahkan fitur statistik paa pnghitungannya paahal fitur statistik sangat iprlukan untuk mnntukan kalimat yang mnganung informasi utama trbanyak. Pnlitian yang lain juga prnah ilakukan untuk mmilih kalimat ngan rlvansi yang tinggi agar mnghasilkan pringkasan yang baik mnggunakan fuzzy infrnc systm untuk mngkstrasi fitur (abar, ). Pnlitian yang ilakukan abar an Patil ini mnggabungkan konsp logika fuzzy an algoritma gntika alam masalah pringkasan. Namun mto ini mlakukan pringkasan hanya brasarkan fitur yaitu kata, posisi, panjang, an ksamaan. Tntunya aa fitur pnting yang trlwatkan alam pnlitian ini. ari brbagai macam pnlitian yang tlah ilakukan ngan brbagai macam objk pnlitian yang igunakan, pnulis mngmbangkan mto ngan pnkatan machin larning mnggunakan klasifikasi Gaussian Naïv ays untuk mnglompokkan suatu kalimat trgolong hasil pringkasan atau tiak. Objk pnlitian yang igunakan untuk prcobaan pringkasan ini aalah litratur brbahasa Inonsia i biang ilmu komputr ngan kstnsi Portabl ocumnt Format (PF). Pnulis mnggunakan litratur brbahasa Inonsia an mrupakan litratur i biang ilmu komputr alam pnlitian ini ngan prtimbangan muah alam mncari pakar yang akan mnilai hasil pnlitian. Hasil ari mto yang itrapkan alam pnlitian ini aalah ringkasan yang iprolh ari mnlurusi ksluruhan isi litratur. Mto Gaussian Naïv ays igunakan paa pnlitian ini shingga mmrlukan ata training brupa bobot untuk fitur statistik an fitur linguistik ari stiap kalimat paa litratur ilmu komputr. Fitur yang igunakan paa pnlitian ini aalah bobot hasil pnghitungan Trm Frquncy- Invrs ocumnt Frcuncy (TF-IF) sbagai fitur statistik an itambah ngan fitur linguistik. Stiap kalimat alam suatu litratur mmiliki kmungkinan yaitu kalimat itu mrupakan kalimat yang bisa igolongkan sbagai ringkasan atau kalimat yang tiak bisa igolongkan sbagai hasil ringkasan. Kalimat yang bisa igolongkan sbagai hasil ringkasan tntunya mmilik nilai TF-IF yang tinggi, umumnya trltak i awal paragraf prtama, brisi kata kata yang ssuai juul, an lain sbagainya (Gupta, ). Olh karna itu, pnggunaan fitur statistik an fitur linguistik prlu ikombinasikan alam mlakukan pringkasan agar trcapai hasil pringkasan ngan akurasi yang optimal. rasarkan uraian trsbut apat isimpulkan bahwa pringkasan litratur sprti i atas mmbutuhkan suatu mto klasifikasi. Paa pnlitian ini, Gaussian Naïv ays ipilih sbagai mto untuk mngklasifikasikan kalimat karna mto ini srhana alam pnrapannya namun kualitas hasil klasifikasinya tiak kalah ngan mtomto lain yang lbih rumit slain itu mto ini bisa mnghasilkan solusi yang optimal bahkan ktika solusi tiak bisa itmukan mnggunakan asumsi biasa (Griffis, 6). lum aa pnlitian yang mnggabungkan fitur statistik an fitur linguistik untuk mlakukan pringkasan tks. Olh karna itu paa pnlitan ini, pnulis mmbrikan juul Pringkasan Litratur Ilmu Komputr ahasa Inonsia rbasis Fitur Statistik an Linguistik Mnggunakan Mto Naïv ays.. ASA TEOI. Pringkasan Tks Pringkasan tks ifinisikan sbagai

3 Jurnal Pngmbangan Tknologi Informasi an Ilmu Komputr 9 pross pmaatan tks mnjai vrsi yang lbih pnk namun ttap mnganung informasi yang bisa mncrminkan ksluruhan tks (Gupta, ). Sblum masuk k pross pringkasan, trhaap ata yang akan iringkas prlu ilakukan prprocssing trlbih ahulu. Prprocssing ata paa umumnya mmakan waktu lbih lama ibaingkan ngan pross utama ari pncarian informasi trhaap suatu ata (Munková, ). Hasil ari prprocssing aalah kalimat yang tlah ibagi mnjai kata-kata. Paa umumnya trapat mpat tahap untuk mlakukan prprocssing trhaap suatu tks sprti yang itunjukkan paa poin sampai (Uysal, ).. Parsing, yaitu pngambilan ata yang akan ipross kmuian ata trsbut ipisah mnjai kalimat-kalimat i mana stiap kalimat mrprsntasikan satu okumn.. Lxing atau toknization, yaitu pmisahan stiap kalimat mnjai kata-kata. Paa tahap ini ilakukan juga pnghapusan angka, simbol ilmiah, tana baca, karaktr slain huruf alfabt, pnghapusan uplikasi kata an mngubah huruf kapital mnjai huruf kcil.. Filtring, yaitu pmilihan kata yang akan igunakan sbagai trm. Filtring bisa ilakukan ngan ua pnkatan yaitu pnkatan worlist an pnkatan stopwor. Pnkatan worlist brupa pmbiaran kata yang pnting paa okumn an mnghapus kata-kata slainnya untuk ijaikan trm. Pnkatan stopwor brupa pnghapusan kata-kata yang tiak pnting an mmbiarkan kata-kata slainnya untuk ijaikan trm i mana aftar kata yang tiak pnting trsbut iknal ngan istilah stoplist.. Stmming, yaitu mngubah kata brimbuhan mnjai kata asar ngan cara mnghilangkan imbuhan.. Ekstraksi Fitur Paa pringkasan kstraktif trapat ua pnkatan untuk mnntukan suatu kalimat trgolong sbagai kalimat yang pnting atau tiak. Pnkatan trsbut aalah pnkatan mnggunakan fitur statistik an pnkatan mnggunakan fitur linguistik (Gupta, ). Contoh fitur statistik yang igunakan alam pringkasan aalah fitur TF-IF yang hanya mngukur tingkat kpntingan kalimat brasarkan statistic jumlah kata yang pnting. Sangkan contoh fitur linguistik yang igunakan alam pringkasan aalah fitur lokasi kalimat an contoh kalimat... Ekstraksi Fitur Statistik Fitur statistik yang ikstrak ari sbuah tks aalah skor TF-IF. TF-IF ifinisikan sbagai statistik numrik yang brtujuan untuk mnunjukkan sbrapa pnting suatu kata i alam okumn, i mana bobot ari kata akan mningkat sbaning ngan jumlah kata trsbut i alam okumn (Shouzhong, 6). Gambar. mnunjukkan langkah-langkah yang prlu ilakukan untuk mnapatkan skor TF- IF. Gambar. Ekstraksi Fitur Statistik.. Ekstraksi Fitur Linguistik Trapat fitur linguistik yang akan igunakan paa pnlitian ini. fitur lingusitik trsbut ijlaskan paa poin nomor sampai.. Fitur titl wor Stlah stopwor ihilangkan ari juul okumn, maka smakin banyak trm paa okumn yang juga muncul i juul mnunjukkan bahwa kalimat trsbut smakin pnting. Nilai ari fitur ini bisa iapat ngan mnghitung jumlah trm paa juul okumn yang muncul paa kalimat.. Fitur sntnc location Kalimat paa awal an akhir ksluruhan okumn paa umumnya trgolong kalimat yang pnting an brpluang bsar untuk ijaikan sbagai ringkasan. Nilai ari fitur ini mrupakan posisi kalimat paa okumn. Jika kalimat x braa i awal okumn, maka nilai fitur sntnc location ari kalimat x aalah. Sangkan jika kalimat x braa i posisi trakhir ari ksluruhan okumn, maka nilai fitur sntnc location

4 Jurnal Pngmbangan Tknologi Informasi an Ilmu Komputr ari kalimat x aalah nilai jumlah okumn paa ata trsbut.. Fitur sntnc lngth Kalimat yang sangat pnk an kalimat yang sangat panjang paa umumnya tiak ijaikan sbagai ringkasan. Nilai fitur sntnc lngth iapatkan ari jumlah kata paa kalimat sblum prprocssing.. Fitur uppr-cas wor Kalimat yang mnganung akronim an/atau huruf kapital yang banyak, brpluang bsar imasukkan sbagai ringkasan.. Fitur cu-phras Cu-phras aalah frasa yang mnunjukkan suatu kalimat trgolong pnting. Contoh cu-phras aalah : ksimpulannya, olh karna itu, an jai. Kalimat yang mnganung cu-phras paa umumnya imasukkan sbagai ringkasan. Tiak aa stanar khusus untuk pnggunaan cu-phras shingga paa suatu pnlitian, cu-phras yang igunakan prlu iiskuiskan trlbih ahulu ngan pakar. 6. Fitur bias wor ias wor mrupakan aftar kata yang mnganung omain spsifik ari okumn, sprti kata kunci. Smakin banyak bias wor yang trapat paa suatu kalimat, maka kalimat trsbut smakin pnting.. Fitur occurrnc of non-ssntial information brapa kata trtntu mnunjukkan bahwa suatu kalimat trgolong kalimat yang tiak pnting. Jika suatu kalimat mnganung frasa-frasa brikut ini, maka nilai ari fitur ini paa kalimat trsbut aalah fals. Contoh frasa-frasa yang mnunjukkan bahwa suatu kalimat tiak trgolong kalimat yang pnting aalah : sangkan an trlbih lagi.. Naïv ays Naïv ays bkrja brasarkan torma ays an igunakan alam prmasalahan pngklasifikasian (Zhang an Gao, ). Pnggunaan mto Naïv ays alam pnltian tntang pmrossan tks suah banyak kita jumpai. Salah satu manfaat ari pnlitian yang brkaitan ngan mto Naïv ays alam biang pmrossan tks aalah kita bisa mngtahui pnulis ari suatu tulisan hanya ngan mngukur kmiripan pola pnggunaan kata paa tulisan trsbut ngan tulisan yang suah mnjai ata latih (Salh, ). Paa prmasalahan Naïv ays, ata latih irprsntasikan ngan st atribut n- imnsional X= {X, X,, Xn}, imana stiap nilai X mmiliki m atribut yang irprsntasikan ngan x, x,, xm. Misalkan alam suatu kasus trapat sjumlah o klas yang irprsntasikan ngan C, C,, CO an ibrikan suatu ata uji Y yang blum iktahui nilai C-nya, maka pluang atribut x trgolong sbagai klas Ci itunjukkan paa Prsamaan. P(C i Y) = P(Y C i) x P(C i ) P(Y) () Ktrangan Prsamaan : P(Ci Y) : postrior, yaitu pluang klas Ci brsyarat ata Y P(Y Ci) : liklihoo, yaitu pluang itmukannya ata Y iklas Ci P(C i ) : prior, yaitu pluang klas Ci P(Y) : vinc, yaitu pluang ata Y Jika paa kasus trsbut mmiliki lbih ari satu atribut yang prlu ilatih, maka nilai liklihoo bisa iprolh ngan mnggunakan Prsamaan. P(Y Ci) = P(y k C i ) n k= () Ktrangan Prsamaan : k : inks untuk mnunjukkan nilai atribut y. n : jumlah atribut paa kasus. yk : nilai ari atribut k k. alam konisi lain, jika ata igunakan paa suatu atribut mrupakan ata kontinyu brupa ata numrik, maka kita bisa mnggunakan prsamaan paa Gaussian Naïv ays untuk mmprolh liklihoo. Prsamaan mnunjukkan cara mmprolh liklihoo paa ata kontinyu. P(Y i C k ) = (() xp (Y i μ ik) σ ik Ktrangan Prsamaan : P(Yi Ck): pluang itmukannya atribut k i ari ata Y iklas Ck i : inks untuk mnunjukkan atribut k : inks untuk mnunjukkan klas µ : nilai rata-rata ari populasi π : nilai phi, yang stara ngan,

5 Jurnal Pngmbangan Tknologi Informasi an Ilmu Komputr σ : nilai varians ari populasi, rumus untuk mnghitung nilai varians itunjukkan paa Prsamaan xp : nilai ksponnsial, yang kuivaln ngan,8 Prsamaan mnunjukkan rumus untuk mnghitung nilai rata-rata ari suatu ata numrik. µ = n i= x i n () Ktrangan Prsamaan : µ : nilai rata-rata populasi ata xi : nilai ari ata x paa inks k i n : jumlah ari ata x Prsamaan mnunjukkan rumus untuk mnghitung nilai varians ari suatu ata numrik. σ σ = n i= (x i μ) n () : nilai varians ari populasi µ : nilai rata-rata ari populasi x i : nilai ari ata x paa inks k i n : jumlah ari ata x. Evaluasi Hasil ingkasan Trapat ua pnkatan valuasi untuk mngukur kualitas suatu pringkasan yaitu pnkatan intrinsik an pnkatan kstrinsik (Inrjt, 9). Pnkatan instrinsik mngukur kualitas hasil ringkasan ilihat ari trm an aturan- aturan yang igunakan paa mto pringkasan, smntara pnkatan kstrinsik mngukur kualitas hasil ringkasan ilihat ari pngaruh hasil ringkasan trhaap tugas trtntu (Klin t al., 998). Karna valuasi ngan pnkatan instrinsik brba paa stiap kasus, brikut ini pnulis paparkan pnjlasan ari ua mto valuasi ngan pnkatan intrinsik... Prcision an call Paa pngujian ngan mnggunakan pnkatan ini, iprlukan inks-inks okumn yang ikluarkan sistm sbagai ringkasan an inks-inks okumn yang ipilih olh pakar sbagai kalimat ringkasan (Nnkova an McKown, ). Paa pngujian ini, jika nilai prcission an rcall tinggi maka kualitas hasil ringkasan baik, sangkan jika nilai prcission an rcall rnah atau salah satu ari nilai trsbut rnah maka kualitas hasil ringkasan bisa isbut kurang baik (Inrjt, 9). alam mlakukan pngujian ngan pnkatan prcision an rcall, ksimpulan hasi pngujian ini iapatkan ari prhitungan f-scor. F- scor mrupakan nilai yang mngkombinasikan nilai prcision an rcall (Stinbrgr an Jžk, 9). Prsamaan 6 an mnunjukkan cara pnghitungan nilai prcision an rcall paa suatu pngujian, imana satuan ari nilai prcision an rcall aalah prsn. Jumlah kalimat yang imaksu paa Prsamaan 6 an aalah jumlah kalimat yang ipilih mnjai ringkasan olh sistm ataupun olh pakar. Prsamaan 8 mnunjukkan cara pnghitungan f- scor imana jika prcision an rcall mmiliki nilai maksimal maka f-scor akan brnilai an jika prcision an rcall mmiliki nilai maksimal maka f- scor akan brnilai shingga hasil ringkasan ngan kualitas sangat baik mmiliki f-scor ngan nilai. Prcision = call = TP TP+FP (6) TP TP+NP () Ktrangan Prsamaan 6 an TP : jumlah inks okumn sistm an pakar yang bririsan TP + FP : jumlah okumn yang ipilih sistm sbagai ringkasan TP + NP : jumlah okumn yang ipilih pakar sbagai ringkasan f scor = Prcision call (8) Prcision+call.. lativ Utility Sblum mlakukan pngujian, tks yang akan iuji ibrikan kpaa pakar agar pakar mmbrikan skor - kpaa stiap kalimat, imana kalimat ngan nilai yang bsar mrupakan kalimat yang prlu ijaikan sbagai ringkasan (Nnkova an McKown, ). Hasil ari pngujian ini iukur ngan satuan prsn an pnghitungan nilai rlativ utility (U) ini itunjukkan paa Prsamaan 9 brikut.

6 Jurnal Pngmbangan Tknologi Informasi an Ilmu Komputr U = total skor kalimat trpilih total skor kalimat paa okumn (9). PEANCANGAN AN IMPLEMENTASI. Prancangan Stlah smua fitur ikstrak, langkah slanjutnya aalah mlakukan klasifikasi trhaap stiap ata uji. Pross klasifikasi ata uji scara garis bsar itunjukkan paa Gambar.6. Klasifikasi ini brtujuan untuk mnggolongkan ata uji trsbut kalam klas ringkasan atau bukan ringkasan. Paa poin sampai ibawah ini pnulis mmbrikan contoh pngklasifikasian untuk ata uji.. prsntasi ata latih an ata uji apat itunjukkan paa Tabl... Ssuai tahap paa asar tori, tahap prtama sblum klasifikasi aalah normalisasi ata numrik. Nilai contnt wor ari aalah, nilai maksimal an minimal ari kolom contnt wor aalah,8 an -. Nilai hasil normalisasi Tabl itunjukkan paa Tabl.. Jika batas minimal an batas maksimal hasil normalisasi yang pnulis tntukan aalah an, maka hasil normalisasi contnt wor ari bisa iprolh ari pross brikut. contntwor = (X min) x (max min ) (max min) + min ( ( )) x ( ) contntwor = (,8 ( )) +, x contntwor =,8 +, contntwor =,8 contntwor = σ. Langkah slanjutnya aalah mnghitung nilai rata-rata stiap fitur paa stiap klas ari Tabl mnggunakan Prsamaan. Hasil pnghitungan nilai rata-rata stiap fitur paa stiap klas itunjukkan paa Tabl.. rikut ini aalah contoh cara mnghitung nilai rata-rata ari fitur contnt wor (CW) paa klas. Trapat ata paa klas, shingga pnybut paa contoh i bawah ini brnilai. µ = µ = CW + CW + CW 6 jumlah ata klas µ = 8 µ = 69. Langkah kmpat aalah mnghitung nilai varians stiap fitur paa stiap klas ari Tabl. mnggunakan Prsamaan. Tabl. mnunjukkan nilai varians ari stiap fitur paa stiap klas. Nilai rata-rata ari fitur uppr-cas wor paa klas aalah, pnghitungan nilai varians ari fitur uppr-cas wor paa klas itunjukkan i bawah ini. Pnulis mmprsingkat pnulisan upprcas klas mnjai UP, agar muah ibaca. = (UP µ UP ) + (UP µ UP ) + (UP 6 µ UP ) jumlah ata klas σ = ( ) + ( ) + ( ) σ = () + () + ( ) σ = σ = σ = Stlah mnapatkan nilai varians, maka langkah slanjutnya alah mnghitung nilai liklihoo paa smua fitur numrik an non- numrik. Tabl. mnunjukkan nilai liklihoo ari stiap fitur paa stiap klas. NIlai liklihoo paa fitur slain occurrnc of non- ssntial ihitung mnggunakan Prsamaan. rikut ini pnuliskan paparkan contoh mnghitung nilai

7 Jurnal Pngmbangan Tknologi Informasi an Ilmu Komputr liklihoo ari fitur contnt wor paa klas ngan ata uji sbagai nilai Y. P(CW ) = x x P(contntwor ) = 8, x (,),6 P(contntwor ) =,6 (,8 6) (,) x Untuk nilai liklihoo paa fitur occurrnc of non-ssntial(ocn) iprolh ngan mnggunakan bagian ari Prsamaan.6 sprti cara i bawah ini. P(OCN ) = P(OCN ) = P(OCN ) = jumlah ata fals paa klas jumlah ata klas 6. Langkah trakhir ari klasifikasi ata uji aalah mnghitung pluang ata ata uji braa iklas an mnggunakan Prsamaan.6. Prsamaan.6 igunakan untuk mmbaningkan nilai P( U) an nilai P( U), shingga paa pnghitungan, nilai P(Y) bisa kita abaikan karna brnilai sama paa stiap klas. ari hasil pnghitungan kua nilai trsbut, maka U akan igolongkan k klas ngan nilai P trbsar. Nilai P(U ) iprolh ari prsamaan., yaitu ngan mngalikan nilai liklihoo stiap fitur ari klas shingga iprolh nilai,9. ari 6 ata latih braa paa klas shingga nilai P() aalah 6 atau. P( U) = P(U ) x P() P( U) =,9 x P( U) = 69. Nilai postrior ata uji i klas lbih bsar ari nilai postrior ara uji i klas, shingga ata uji igolongkan k alam klas an an ijaikan sbagai ringkasan. Pngklasifikasian ilanjutkan trhaap U, U, an U. Hasil lngkap nilai postrior ari stiap ata uji paa stiap klas itunjukkan paa Tabl.6, imana U an U trgolong k alam klas ringkasan karna nilai pluang ringkasan paa U an U lbih bsar aripaa pluang bukan ringkasan-nya. 8. Tabl.6 mnunjukkan ata uji yang trmasuk ringkasan aalah U an U. Olh kara itu, ringkasan ari ata paa Tabl. aalah gabungan ari U an U, sprti yang itunjukkan paa Tabl... Implmntasi Tampilan awal ktika sistm prtama kali ijalankan itunjukkan paa Gambar... prsntasi ata awal yang mrupakan hasil parsing langsung itampilkan prokumn paa tab brsamaan ngan juul okumn PF an kata kunci sprti paa Gambar... Gambar.. mnunjukkan toknisasi, filtring, an stmming ari ata awal paa Gambar... Gambar.. mrupakan pross pnghitungan skor TF-IF atau kstraksi fitur statistik paa stiap okumn. Gambar.. brisi tahapan pnghitungan skor TF-IF scara tail sprti yang itunjukkan paa subbab... Gambar.. mnunjukkan hasil kstraksi fitur linguistik paa stiap okumn. Gambar..6 mnunjukkan pross klasifikasi ata uji yang brupa normalisasi, nilai rata-rata, nilai varians, nilai liklihoo, nilai postrior, an klas ari ata uji. Smntara Gambar.. mnampilkan ringkasan ari okumn PF yang tlah imasukkan, hasil ringkasan itampilkan alam bntuk paragraf. Fi tu r Li ng ui sti k C o nt n t w or.. 8 Tabl.. prsntasi Latih an Uji T S S U C Oc K it nt nt p u ia cu l n n p - s rr l c c p nc a w lo l r- h s o ca n c r w of r ti gt a a o no o h s s r n- n w ss o nt r ial 6 8 FA LS E T UE FA LS

8 Jurnal Pngmbangan Tknologi Informasi an Ilmu Komputr 6 U E FA LS E T UE T UE FA LS E Tabl.. prsntasi Latih an Uji Fit ur Lin gui sti k C on t nt w or Ti tl w or S nt nc loc ati on S nt nc ln gt h C u - p hr as i as w or K l a s U p p r- ca s w or 6? Tabl.. ata-rata Fitur Stiap Klas? K l as Kl as K l a s Co nt nt wo r 6 Ti tl w or 8 9 Sn tn c loca tion Sn tn c ln gth Up p r- cas wo r 8 Cu - ph ras 8 66 Tabl.. Varians Fitur Stiap Klas Co Ti Sn Sn Cu nt tl tnc tnc - nt w ph wor or loca lng ras tion th Co nt n t wo r 9 8 Up pr - cas wo r i as wo r i as wo r Tabl.. Pluang Fitur paa Stiap Klas T Sn S Up C i itl tn nt pr u as c nc - - w loc cas p w o ati ln hr or r on gth wo as r, 6 8, 9 6 E -, 6,,, 6 8,, 9, O cc ur r nc of n o n s s nt ia l 66 6

9 Jurnal Pngmbangan Tknologi Informasi an Ilmu Komputr Tabl..6 Klas ari Stiap Uji Pluang ingkasan Klas Uji Pluang ukan ingkasan U U U 69966,9E- ingkasan 6 ukan 9698 ringkasan 886 ingkasan Gambar.. Antar Muka Hasil Ekstraksi Fitur Statistik U,68E- 88 ukan ringkasan Gambar.. Antar Muka Hasil Esktraksi Fitur Linguistik Gambar.. Antar Muka Awal Hasil Implmntasi Gambar..6 Antra Muka Pross Klasifikasi Uji Gambar.. Antar Muka Hasil Parsing ari Uji Gambar.. Antar Muka Hasil Pringkasan Gambar.. Antar Muka Hasil Prprocssing Uji. PENGUJIAN AN ANALISIS. Hasil Pngujian Trhaap Fitur Statistik Paa bagian ini pnulis mlakukan pnghitungan nilai prcision, rcall, an rlativ utility ari hasil ringkasan ngan basis fitur statistik. Pringkasan paa subbab ini

10 Jurnal Pngmbangan Tknologi Informasi an Ilmu Komputr 6 mrupakan pringkasan ngan mnggunakan skor TF-IF, imana paa akhir pnghitungan stiap kalimat akan mmiliki skor TF-IF. Kmuian, ringkasan ipilih ari sjumlah n% kalimat yang mmiliki skor TF-IF trbsar. Subbab.. mmbahas hasil pngujian ari pringkasan statistik ngan jumlah kalimat yang ikluarkan sistm sbanyak % ari jumlah kalimat paa ata uji. Subbab.. mmbahas hasil pngujian ari pringkasan statistik ngan jumlah kalimat yang ikluarkan sistm sbanyak % ari jumlah kalimat paa ata uji... Hasil Pngujian Fitur Statisik Sknario F-scor an nilai rlativ utility yang maksimal braa paa pngujian Uji. Nilai f- scor minimal braa paa pngujian Uji an Uji, yaitu. Nilai rlativ utility minimal braa paa pngujian Uji. Hasil lngkap ari pngujian fitur statistik ngan sknario itunjukkan paa Tabl.... Hasil Pngujian Fitur Statisik Sknario F-scor an nilai rlativ utility yang maksimal braa paa pngujian Uji, ttapi nilai trsbut lbih rnah ari pngujian Uji paa Tabl.. Nilai f-scor minimal braa paa pngujian Uji, yaitu.. Nilai rlativ utility minimal braa paa pngujian Uji. Hasil lngkap ari pngujian fitur statistik ngan sknario itunjukkan paa Tabl 6.. Nilai rata-rata f-scor an rlativ utility paa sknario lbih bsar aripaa sknario, shingga pngulis mmbuat ksimpulan bahwa hasil pngujian pringkasan brbasis statistik ngan sknario lbih unggul ari pngujian ngan sknario. Pringkasan statistik ngan sknario lbih unggul aripaa pringkasan statitik ngan sknario karna pringkasan statistik ngan sknario mmiliki jumlah ata yang ikluarkan lbih banyak aripaa pringkasan statistik ngan sknario. Karna pringkasan statistik ngan sknario mmiliki jumlah kalimat ringkasan yang lbih banyak, maka pluang mnmukan kalimat ringkasan sistm an pakar yang bririsan lbih bsar, shingga nilai prcision, rcall, an rlativ utility paa pringkasan statistik ngan sknario lbih tinggi aripaa sknario. Tabl.. Hasil Pngujian Pringkasan Statistik ngan Kluaran % lativ Prcisi call F-scor on Utility Uji Uji Uji Uji Uji atarata Tabl.. Hasil Pngujian Pringkasan Statistik ngan Kluaran % lativ Prcisi on call F-scor Utility Uji Uji Uji Uji Uji. 9 ata rata. Hasil Pngujian Trhaap Fitur Linguistik Paa bagian ini pnulis mlakukan pnghitungan nilai prcision, rcall, an rlativ utility ari hasil ringkasan ngan basis fitur linguistik. Pringkasan paa subbab ini mrupakan pringkasan ngan mnggunakan fitur yang hanya trapat paa subbab... Hasil ringkasan iprolh stlah mlakukan klasifikasi sprti yang ijlaskan paa subbab.. imana hasil ringkasan aalah kumpulan kalimat yang braa paa klas. F-scor an nilai rlativ utility yang maksimal ari pnlitian ini braa paa pngujian Uji. Nilai f-scor minimal braa paa pngujian Uji. Hasil lngkap ari pngujian fitur linguistik itunjukkan paa Tabl 6.. Tabl 6. mnunjukkan bahwa ratarata f-scor an rlativ utility paa pringkasan

11 Jurnal Pngmbangan Tknologi Informasi an Ilmu Komputr linguistik lbih rnah aripaa rata-rata f-scor an rlativ utility paa pringkasan statistik ngan sknario ttapi lbih tinggi aripaa rata-rata f-scor an rlativ utility paa pringkasan statistik ngan sknario. Ini mnunjukkan bahwa kualitas pringkasan linguistik braa i posisi kua trbaik ari ktiga basis pringkasan yang isbutkan paa kalimat sblum ini. Pringkasan statistik ngan sknario mmiliki prsntas kalimat ringkasan yang sikit, shingga pluang untuk mnmukan mnmukan kalimat ringkasan sistm an pakar yang bririsan kcil. Hal sbaliknya brlaku untuk pringkasan statistik ngan sknario. Paa pringkasan ngan pnkatan linguistik, jumlah kalimat ringkasan tiak apat itntukan olh pnulis karna kalimat yang apat ijaikan ringkasan hanyalah kalimat yang braa paa klas. Kaaan sprti yang ijlaskan paa kalimat sblumnya mmbuat pringkasan ngan pnkatan linguistik mmiliki jumlah kalimat ringkasan yang tiak sbanyak jumlah kalimat ringkasan paa pringkasan statistik ngan sknario, namun tiak lbih sikit aripaa jumlah kalimat ringkasan paa pringkasan statistik ngan sknario. Shingga, kualitan pringkasan ngan pnkatan linguistik braa paa posisi kua ari ktiga pnkatan yang tlah isbutkan paa kalimat sblumnya. Tabl.. Hasil Pngujian Pringkasan Statistik ngan Kluaran % Prcisi call F-scor lativ on Utility Uji.6 Uji... Uji Uji Uji atarata Hasil Pngujian Trhaap Fitur Statistik an Linguistik Paa bagian ini pnulis mlakukan pnghitungan nilai prcision, rcall, an rlativ utility ari hasil ringkasan ngan basis fitur linguistik an statistic yang tlah ijlaskan sjak awal paa pnlitian ini. Pringkasan ngan fitur statistik an linguistik tlah ijlaskan scara lngkap paa subbab.. Hasil ringkasan iprolh stlah mlakukan klasifikasi sprti yang ijlaskan paa subbab.. imana hasil ringkasan aalah kumpulan kalimat yang braa paa klas. F-scor an nilai rlativ utility yang maksimal ari pnlitian ini braa paa pngujian Uji. Nilai f-scor minimal braa paa pngujian Uji. Hasil lngkap ari pngujian fitur linguistik itunjukkan paa Tabl 6.. Tabl 6. mnunjukkan bahwa ratarata f-scor an rlativ utility paa pringkasan ngan fitur statistik an linguistik lbih rnah aripaa rata-rata f-scor an rlativ utility paa pringkasan statistik ngan sknario an pringkasan linguistik, ttapi lbih tinggi aripaa rata-rata f-scor an rlativ utility paa pringkasan statistik ngan sknario. Ini mnunjukkan bahwa kualitas pringkasan statistik an linguistik braa i posisi ktiga trbaik ari kmpat pnkatan pringkasan yang isbutkan paa kalimat sblum ini. Paa pringkasan ngan pnkatan statistik an linguistik, nilai f-scor an rlativ utility paa Uji sampai Uji kuivaln. Prbaan nilai f-scor an rlativ utility hanya trapat paa Uji, i mana slisih f-scor Uji paa Tabl 6. an 6. aalah 698 an slisih rlativ utility Uji paa Tabl 6. an 6. aalah 8. Slisih trsbut bukanlah nilai yang bsar, shingga pnulis mnganalisis bahwa kualitas hasil ringkasan ngan pnkatan linguistik mmiliki kualitas yang sama ngan pringkasan ngan pnkatan statistik an linguistik. Tabl.. Hasil Pngujian Pringkasan Statistik an Linguistik la Prcisi F- tiv call on scor Utili ty Uji.6 Uji... Uji Uji Uji

12 Jurnal Pngmbangan Tknologi Informasi an Ilmu Komputr 8 atarata.6 8. KESIMPULAN AN SAAN.66 Kualitas hasil ringkasan mto Gaussian Naïv ays ngan fitur statistik an linguistik tiak lbih baik aripaa pringkasan mnggunakan mto Gaussian Naïv ays ngan fitur linguistik. i mana pringkasan mto Gaussian Naïv ays ngan fitur statistik an linguistik mmiliki nilai rata-rata f- scor 68 an rata- rata rlativ utility 66. Pringkasan ini mnggunakan fitur statistik an fitur linguistik, shingga pnulis brharap pnlitian ini bisa ikmbangkan ngan jumlah fitur linguistik yang lbih banyak. Pnggunaan ata uji juga prlu iprbarui ngan mnambahkan kalimat ringkasan agar pluang mnmukan kalimat ringkasan bsar. 6. AFTA PUSTAKA Abbasi-ghalhtaki,., Khotanlou, H. an Esmailpour, M., 6. Fuzzy volutionary cllular larning automata mol for txt summarization. Swarm an Evolutionary Computation, [onlin] pp. 6. abar, S.A. an Patil, P..,. Improving Prformanc of Txt Summarization. Procia Computr Scinc, [onlin] 6(Icict ), pp. 6. atcha, N.K., Aziz, N.A. an Shafi, S.I.,. CF as Fatur Extraction Appli for Suprvis Automatic Txt Summarization. Procia Tchnology, [onlin] (Ici), pp.6 6. as,.,. A Survy on Automatic Txt Summarization Singl-ocumnt Summarization. pp.. Emr, F., Akay,. an Yagr,.., 6. An ovrviw of mthos for linguistic summarization with fuzzy sts. Exprt Systms with Applications, [onlin] 6, pp.6. Griffis, J.C., Allnorfr, J.. an Szaflarski, J.P., 6. Voxl-bas Gaussian naïv ays classification of ischmic strok lsions in iniviual T-wight MI scans. Journal of Nuroscinc Mthos, [onlin], pp.9 8. Gupta, V., Scinc, C. an Lhal, G.S.,. A Survy of Txt Summarization Extractiv Tchniqus. (), pp Inrjt, M., 9. Summarization Evaluation: An Ovrviw. Pflg Zitschrift, 6(6), pp.. Klin, G., Hirschman, L., Firmin, T., igo, S., Mani, I. an Hous,., 998. Th TIPSTE SUMMAC Txt Summarization Evaluation. Mthos, pp. 8. Mhta, P., 6. From Extractiv to Abstractiv Summarization : A Journy. pp. 6. Munková,., Munk, M. an Vozár, M.,. pr-procssing valuation for txt mining: Transaction/squnc mol. Procia Computr Scinc, 8, pp.98. Nnkova, A. an McKown, K.,. Automatic Summarization. Founations an Trns in Information trival, [onlin] (), pp.. Olivira, H., Frrira,., Lima,., Lins,.., Fritas, F., iss, M. an Simsk, S.J., 6. Assssing shallow sntnc scoring tchniqus an combinations for singl an multi-ocumnt summarization. Exprt Systms with Applications, [onlin] 6, pp Salh, A., El, M. an Mnai,.,. Naı v ays classifirs for authorship attribution of Arabic txts. Journal of King Sau Univrsity - Computr an Information Scincs, [onlin] 6(), pp. 8. Shouzhong, T., 6. Mining microblog usr intrsts bas on Txtank with TF-IF factor. Th Journal of China Univrsitis of Posts an Tlcommunications, [onlin] (), pp. 6. Stinbrgr, J. an Jžk, K., 9. Evaluation masurs for txt summarization. Computing an Informatics, 8(), pp.. Tala, F.Z.,. A Stuy of Stmming Effcts on Information trival in ahasa Inonsia. M.Sc. Thsis, Appnix, pp, pp.9 6. Tayal, M.A., aghuwanshi, M.M. an Malik, L.G.,. ATSSC: vlopmnt of an approach bas on soft computing for txt summarization. Computr Spch & Languag, [onlin], pp.. Uysal, A.K. an Gunal, S.,. Th impact of prprocssing on txt classification.

13 Jurnal Pngmbangan Tknologi Informasi an Ilmu Komputr 9 Information Procssing an Managmnt, [onlin] (), pp.. Zhang, W. an Gao, F.,. Procia Enginring An Improvmnt to Naiv ays for Txt Classification. [onlin], pp.6 6.