Implementasi Metode Relevance Vector Machine Dalam Peringkasan Teks Otomatis

Support Vector Machine (SVM) merupakan salah satu metode pembelajaran mesin bersifat supervised yang digunakan untuk proses regresi dan klasifikasi. Support Vector Machine telah banyak diimplementasikan dalam berbagai permasalahan dunia nyata, salah satunya adalah untuk peringkasan teks otomatis. Berdasarkan hasil penelitian yang dilakukan, Support Vector Machine memiliki beberapa kelemahan. Oleh karena itu dibuatlah sebuah metode klasifikasi dan regresi yang dapat mengatasi kekurangan-kekurangan yang dimiliki oleh Support Vector Machine, yaitu Relevance Vector Machine (RVM). Dari hasil berbagai penelitian dan perbandingan yang dilakukan menunjukan bahwa Relevance Vector Machine dalam melakukan regresi dan klasifikasi memiliki tingkat akurasi yang lebih baik dengan waktu komputasi lebih cepat dari Support Vector Machine. Penelitian ini mencoba untuk mengimplementasikan metode Relevance Vector Machine pada peringkasan teks otomatis pada dokumen tunggal. Metode Relevance Vector Machine ini akan digunakan pada saat proses klasifikasi kalimat hasil preprocessing kalimat dalam dokumen. Kalimat dalam dokumen akan dibagi menjadi dua kelas, yaitu kelas positif dan kelas negatif. Kalimat positif berisi kalimat yang termasuk ke dalam ringkasan, sedangkan kalimat negatif tidak termasuk ke dalam ringkasan. Dari hasil penelitian ini, didapat bahwa metode Relevance Vector Machine ini dapat diimplementasikan dalam kasus peringkasan teks otomatis. Adapun dari sisi akurasinya, sistem peringkasan diuji menggunakan metode evaluasi ringkasan intrinsik, dimana didapat nilai rata-rata recall, precision, dan f-measure sebesar 53%.

Support Vector Machine (SVM) is one of supervised machine learning methods used for regression and classification process. Support Vector Machine has been widely implemented in various real-world problems, one of which is to automatic text summarization. Based on study results conducted, Support Vector Machine has several weaknesses. Therefore, a classification and regression method was made to overcome Support Vector Machine weaknesses, i.e. Relevance Vector Machine (RVM). The results of various studies and comparisons conducted show that the Relevance Vector Machine in regression and classification has a better accuracy rate with faster computation time than Support Vector Machine. This study attempts to implement Relevance Vector Machine method on automatic text summarization on a single document. Relevance Vector Machine method will be used during sentence classification process of sentence preprocessing results in the document. Sentence in the document will be divided into two classes, positive class and negative class. Positive sentence contains a sentence included in the summary, while the negative sentence is not included in the summary. This study result found that the Relevance Vector Machine method can be implemented in automatic text summarization case. From its accuracy, summarization system was tested using the intrinsic summary evaluation method, in which resulting the average value of recall, precision and f-measure by 53%.