PERINGKAS TEKS OTOMATIS DOKUEM TUNGGAL DAN MULTI BAHASA MENGGUNAKAN METODE TF-IDF

Authors

  • Aa Zezen Zaenal Abidin STMIK Subang
  • Eka Yuda Rayi A

Keywords:

Teks mining, TF-IDF, peringkas otomatis, berita kesehatan
This abstract has been read 11 times

Abstract

Sistem peringkas teks otomatis berita kesehatan multi bahasa dapat digunakan oleh pembaca untuk meringkas teks berita kesehatan berbagi terjemahanya untuk kebutuhan berbagai jenis kegiatan. Untuk mengembangkan perangkat lunak yang sesuai dan mudah dimengerti untuk pengguna dalam membaca berita dan menterjemahkannya dalam bahasa internasional. Berita kesehatan dilakukan proses teks dilakukan hapus tanda baca, stopword, stemming, tokenizing, pembobotan kata dan pembobotan kalimat. Setelah membayar teks setiap kalimat akan memiliki bobot masing-masing dari yang bernilai hingga terendah. K8 mendapatkan bobot 37.19723289, K9 mendapatkan bobot 17.89999416, K10 mendapatkan bobot 16.52464106 dan K3 mendapatkan bobot 14.77709596.metode yang digunakan adalah Metode Term frequency inverse document frequency (TF-IDF). Sistem menerima entri berita, menterjemahkan, dokumen menjadi kalimat, membuang karakter, memecahkanya menjadi kata, memberikan nilai bobot pada kata, menjumlahkan nilai bobot, menghitung nilai idf dan TD-IDF sehingga dapat menghasilkan nilai tambah dari setiap kalimat yang akan menghasilkan nilai paling tinggi. Bahasa pemrograman yang digunakan adalah PHP dan DBMS menggunakan MySQL. Editor menggunakan Sublime dan Tools menggunakan Xampp 3.2.2 Sistem peringkas teks berita kesehatan multi-bahasa otomatis tidak perlu menyita waktu yang cukup lama untuk membaca dan menerjemahkan.Sistem peringkas teks berita kesehatan dengan cara menjawab pembobotan kalimat manual dan otomatis dengan hasil penilaian yang sama dan sistem ini dapat membantah isi berita penting yang diinputkan, dengan memiliki verifikasi pengujian responden 54,17%.

Downloads

Download data is not yet available.

References

M. Moradi, “CIBS: A biomedical text summarizer using topic-based sentence clustering,” J. Biomed. Inform., vol. 88, no. November, pp. 53–61, 2018.

M. Mustaqhfiri, Z. Abidin, and R. Kusumawati, “Peringkasan Teks Otomatis Berita Berbahasa Indonesia Menggunakan Metode Maximum Marginal Relevance,” Matics, no. March 2012, 2012.

N. Grabar and C. Grouin, “A Year of Papers Using Biomedical Texts: Findings from the Section on Natural Language Processing of the IMIA Yearbook,” Yearb. Med. Inform., vol. 28, no. 1, pp. 218– 222, 2019.

G. Tsatsaronis et al., “An overview of the BioASQ large-scale biomedical semantic indexing and question answering competition,” BMC Bioinformatics, vol. 16, no. 1, pp. 1–28, 2015.

A. Khan, N. Salim, W. Reafee, A. Sukprasert, and Y. J. Kumar, “A clustered semantic graph approach for multi-document abstractive summarization,” J. Teknol., vol. 77, no. 18, pp. 61–72, 2015.

Published

2019-10-01

How to Cite

[1]
A. Z. Z. Abidin and E. Y. Rayi A, “PERINGKAS TEKS OTOMATIS DOKUEM TUNGGAL DAN MULTI BAHASA MENGGUNAKAN METODE TF-IDF”, JTIK, vol. 14, no. 2, pp. 130-138, Oct. 2019.

Issue

Section

Jurnal Teknologi Informasi dan Komunikasi