Perbandingan Vector Space Model dan Support Vector Machine Untuk Text Summarization Terhadap Artikel Berbahasa Indonesia

Perkembangan teknologi semakin pesat menyebabkan kebutuhan akan informasi yang sangat besar dan tidak terbatas, terutama informasi dalam bentuk jurnal, artikel, berita, dan dokumen-dokumen lainnya. Artikel yang sering dijumpai pada umumnya tidak mempunyai ringkasan atau abstraknya. Suatu artikel yang memiliki ukuran yang terlalu panjang dapat mengakibatkan pembaca kesulitan bila harus membaca dan menyerap semua informasi dari artikel tersebut, bahkan jika pembaca harus menggali informasi yang diinginkan dari banyak artikel dengan topik yang sama. Membuat ringkasan secara manual membutuhkan waktu cukup lama jika dokumen yang diringkas berjumlah sangat banyak. Salah satu langkah untuk mendapatkan ringkasan yang cepat adalah dengan menggunakan aplikasi yang dapat meringkas teks secara otomatis. Dengan adanya peringkas teks otomatis ini maka waktu yang dibutuhkan untuk mendapatkan informasi dari suatu dokumen akan lebih cepat. Aplikasi peringkas teks yang menerapkan metode Vector Space Model dan Support Vector Machine, dibangun dengan tujuan untuk mengetahui algoritma manakah yang lebih akurat dalam melakukan peringkasan teks berita berbahasa Indonesia. Berdasarkan hasil pengujian menggunakan metode evaluasi yang mengukur kualitas sistem peringkas teks itu sendiri yang difokuskan pada seberapa koheren dan informatif dari suatu ringkasan, biasanya dibandingkan dengan bantuan ringkasan yang dibuat oleh manusia, dapat disimpulkan bahwa penggunaan metode VSM dan SVM dapat diimplementasikan untuk menghasilkan sebuah ringkasan single-document, dengan masing-masing nilai performansi, untuk VSM yaitu recall 40%, precision 50% dan f-measure 44%, dan untuk SVM yaitu recall 60%, precision 75% dan f-measure 67%.

The rapit development in technology causes the need of a huge numbers of information unlimitedly, more so information the form of journals, articles, news and other form of documents. Common articles usual does not have a summary or abstract. A sizable article can cause a reader to find difficultly in finding and absorbing all the information in said article, even if the reader must locate wanted information from the articles on the same topic. Creating a summary manually take a decent amount of time, more so if articles is large. One method to shorten said time in using an application that automatically does the summary for you. With this application, the time required to obtain from a certain document can be decreased. The text summarizing application, which applies a Vector Space Model and Support Vector Machine, is built with the purpose to acknowledge which algorithm is more accurate to summarize an Indonesian Language text. Based on research using method that evaluates a system�s quality to summarize a text that is focused on coherentness and informatifness of said summary, usually compared to summaries written by people, we can conclude that the usage of VSM and SVM method can be implemented to create a single-document summary with performances for individual methods as such, for the VSM method a 40% recall, 50% precission and 44% f-measure, and for the SVM method 60% recall, 75% precission, and a 67% f-measure.