UPT Perpustakaan Unitama

  • Beranda
  • Informasi
  • Berita
  • Bantuan
  • Pustakawan
  • Area Anggota
  • Pilih Bahasa :
    Bahasa Arab Bahasa Bengal Bahasa Brazil Portugis Bahasa Inggris Bahasa Spanyol Bahasa Jerman Bahasa Indonesia Bahasa Jepang Bahasa Melayu Bahasa Persia Bahasa Rusia Bahasa Thailand Bahasa Turki Bahasa Urdu

Pencarian berdasarkan :

SEMUA Pengarang Subjek ISBN/ISSN Pencarian Spesifik

Pencarian terakhir:

{{tmpObj[k].text}}
Image of Implementasi Kombinasi Metode Maximum Marginal Relevance Dan Text-To-Text Transfer Transformer Untuk Malakukan Peringkasan Dokumen Teks
Penanda Bagikan

Skripsi

Implementasi Kombinasi Metode Maximum Marginal Relevance Dan Text-To-Text Transfer Transformer Untuk Malakukan Peringkasan Dokumen Teks

Peni Septianti - Nama Orang;

ABSTRAK

PENI SEPTIANTI. Implementasi Kombinasi Metode Maximum Marginal Relevance dan Text-to-Text Transfer Transformer untuk Melakukan Peringkasan Dokumen Teks (dibimbing oleh Pasnur dan Fitriana M Sabir)

Peringkasan teks otomatis menjadi solusi penting dalam mengatasi ledakan informasi digital. Metode peringkasan ekstraktif seperti Maximum Marginal Relevance (MMR) mampu mengekstrak kalimat penting namun cenderung kaku dan redundan. Di sisi lain, metode abstraktif seperti Text-to-Text Transfer Transformer (T5) menghasilkan ringkasan yang lebih alami tetapi memerlukan komputasi tinggi dan berisiko kehilangan informasi. Penelitian ini bertujuan mengusulkan kombinasi MMR dan T5 untuk memanfaatkan kelebihan kedua metode guna menghasilkan ringkasan yang informatif, koheren, dan efisien. Data ini diperoleh melalui penelitian pustaka dan SamSum Dataset yang berisi percakapan dan ringkasan referensi. MMR diterapkan terlebih dahulu untuk menyeleksi kalimat-kalimat kunci dengan parameter diversity 0.7. Hasil MMR kemudian dijadikan input bagi model T5 (google/flan-t5-base) untuk menghasilkan ringkasan abstraktif. Evaluasi dilakukan menggunakan metrik ROUGE (ROUGE-1, ROUGE-2, ROUGE-L) dan BERTScore. Hasil penelitian menunjukkan bahwa kombinasi MMR dan T5 menghasilkan nilai BERTScore tertinggi (0.92), yang mengindikasikan kesamaan semantik yang sangat tinggi dengan ringkasan referensi. Nilai ROUGE-1, ROUGE-2, dan ROUGE-L masing-masing sebesar 0.55, 0.26, dan 0.50. Waktu komputasi yang dibutuhkan untuk 5 data adalah 5.261 detik. Kombinasi ini terbukti efektif dalam menghasilkan ringkasan yang akurat, natural, dan efisien, sehingga layak dipertimbangkan untuk penerapan dalam sistem peringkasan teks otomatis.

Kata kunci: BERTScore, MMR, ROUGE, T5, Text Summarization.


Ketersediaan
#
Perpustakaan STMIK AKBA (A / 951) SKR/TI/2025 REF PEN i
2950/SKR-Ti/AKBA/25
Tersedia namun tidak untuk dipinjamkan - No Loan
Informasi Detail
Judul Seri
-
No. Panggil
SKR PEN i
Penerbit
Makassar : UNITAMA., 2025
Deskripsi Fisik
xvi + 72 hlm., 28,5 cm
Bahasa
Indonesia
ISBN/ISSN
-
Klasifikasi
REF PEN i
Tipe Isi
-
Tipe Media
-
Tipe Pembawa
-
Edisi
-
Subjek
-
Info Detail Spesifik
Pembimbing I: Pasnur dan Pembimbing II: Fitriana M. Sabir Penguji: Nurzaenab, Muhammad Resha dan Nur Idil Fitri Idris
Pernyataan Tanggungjawab
-
Versi lain/terkait

Tidak tersedia versi lain

Lampiran Berkas
Tidak Ada Data
Komentar

Anda harus masuk sebelum memberikan komentar

UPT Perpustakaan Unitama
  • Informasi
  • Layanan
  • Pustakawan
  • Area Anggota

Tentang Kami

As a complete Library Management System, SLiMS (Senayan Library Management System) has many features that will help libraries and librarians to do their job easily and quickly. Follow this link to show some features provided by SLiMS.

Cari

masukkan satu atau lebih kata kunci dari judul, pengarang, atau subjek

Donasi untuk SLiMS Kontribusi untuk SLiMS?

© 2026 — Senayan Developer Community

Ditenagai oleh SLiMS
Pilih subjek yang menarik bagi Anda
  • Karya Umum
  • Filsafat
  • Agama
  • Ilmu-ilmu Sosial
  • Bahasa
  • Ilmu-ilmu Murni
  • Ilmu-ilmu Terapan
  • Kesenian, Hiburan, dan Olahraga
  • Kesusastraan
  • Geografi dan Sejarah
Icons made by Freepik from www.flaticon.com
Pencarian Spesifik
Kemana ingin Anda bagikan?