Otomatisasi Peringkasan Dokumen Sebagai Pendukung Sistem Manajemen Surat

Ahmad Najibullah
Wang Mingyan

Abstract


Peringkasan dokumen adalah proses penyajian kembali dokumen dalam bentuk yang lebih singkat tanpa membuang informasi penting yang terdapat dalam dokumen tersebut. Dalam penelitian ini, peneliti menggunakan metode Naive Bayes untuk menghasilkan ringkasan sebuah dokumen. Objek dalam penelitian ini berupa dokumen yang berbentuk surat. Dalam proses peringkasan dokumen, penghitungan probabilitas didasarkan pada fitur teks yang ada dalam surat, diantaranya adalah frekuensi kata, kata kunci, frase kunci, dan kata yang termasuk dalam kelas entitas atau numerik. Hasil uji coba menunjukkan bahwa tingkat kompresi adalah 53.67% dengan informasi penting yang tersedia dalam ringkasan mencapai 96.67% dari dokumen asli.


References


Aristoteles, Widiarti, & Wibowo, E. D. (2014). Text Feature Weighting for Summarization of Documents. International Journal of Computer Science and Telecommunications, 5(7), 29-33.

Berker, M. (2011). Using Genetic Algorithms With Lexical Chains For Automatic Text Summarization. Istanbul: Bogazici University.

Binwahlan, M. S. (2011). Fuzzy Swarm Diversity Based Text Summarization. Johor Bahru: Universiti Teknologi Malaysia.

Budhi, G. S., Intan, R., R, S., & R, S. R. (2007). Indonesian Automated Text Summarization. Proceeding ICSIIT.

Dehkordi, P. K., Kumarci, F., & Khosravi, H. (2009). Text Summarization Based on Genetic Programming. International Journal of Computing and ICT Research, 3(1), 57-64.

Erkan, G., & Radev, D. R. (2004). LexRank: Graph-based Lexical Centrality as Salience in. Journal of Artificial Intelligence Research (JAIR), 22(1), 457-479.

Goldberg, D. E. (1989). Genetic Algorithms In Search, Optimization, And Machine Learning.

Mihalcea, R. (2004). Graph-based Ranking Algorithms for Sentence Extraction, Applied to Text Summarization. Proceedings of the ACL 2004 on Interactive poster and demonstration sessions. Stroudsburg (PA).

Mirchev, U., & Last, M. (2014). Multi-document Summarization by Extended Graph Text Representation and Importance Refinement. ulti-document Summarization by Extended Graph Text Representation. Hershey (PA): IGI Global.

Nandhini, K., & S, R. B. (2013). Improving readability through extractive summarization for learners with reading difficulties. Egyptian Informatics Journal, 14(3), 195

Nandhini, K., & S, R. B. (2013). Use of G enetic Algorithm f or Cohesive Summary Extraction to. Applied Computational Intelligence and Soft Computing, 2013(8), 1-11.

Prasetyo, B., Uliniansyah, T., & Riandi, O. (2009). Indonesian Automated Text Summarization. International Conference on Rural Information and Communication Technology , 26-27.

Qazvinian, V., Hassanabadi, L. S., & Halavati, R. (2008). Summarising Text With A Genetic Algorithm-Based Sentence Extraction. Int. J. Knowledge Management Studies, 2(4), 426-444.




DOI: https://doi.org/10.26594/register.v1i1.400

Article metrics

Abstract views : 282 | views : 207

Refbacks

  • There are currently no refbacks.



Indexed in:

                                   


 

Creative Commons License
Register: Jurnal Ilmiah Teknologi Sistem Informasi is licensed under a Creative Commons Attribution 4.0 International License.