Skripsi
Implementasi Kombinasi Metode Maximum Marginal Relevance Dan Text-To-Text Transfer Transformer Untuk Malakukan Peringkasan Dokumen Teks
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.
Tidak tersedia versi lain