RANCANG BANGUN APLIKASI PERINGKAS TEKS OTOMATIS ARTIKEL BERBAHASA INDONESIA MENGGUNAKAN METODE TERM FREQUENCY INVERSE DOCUMENT FREQUENCY (TF-IDF) DAN K-MEAN CLUSTERING

Membaca teks artikel secara keseluruhan membutuhkan waktu yang lama untuk mendapatkan informasi penting. Peringkas teks otomatis menawarkan solusi untuk membantu memperoleh informasi penting dengan membaca isi artikel dalam bentuk deskripsi singkat berupa ringkasan (summary). Dengan adanya ringkasan, informasi bisa diakses dengan cepat dan tidak perlu membutuhkan waktu yang lama dengan cara mengambil isi yang paling penting dari teks bacaan tersebut bagi penggunanya. Penerapan metode TF-IDF bertujuan untuk menghitung bobot tiap kalimat dan pada metode K-Mean Clustering bertujuan untuk meminimalisasikan variasi kalimat di dalam suatu cluster dan memaksimalisasikan variasi kalimat antar cluster. Pemilihan kalimat penting berdasarkan bobot kalimat paling besar pada tiap cluster dengan mengambil compression sebesar 25% dan 40%. Pengujian hasil ringkasan sistem pada compression 40% menghasilkan rata-rata recall 60%, precision 62%, dan f-measure 61%. Sedangkan untuk compression 25% menghasilkan rata-rata recall 37%, precision 44%, dan f-measure 40%. Penilaian hasil ringkasan sistem oleh expert judgement pada compression 40% menghasilkan nilai rata-rata 3,15 atau pada range diterima, sedangkan pada compression 25% menghasilkan nilai rata-rata 1,83 atau berada pada range cukup diterima. Dari hasil pengujian dan penilaian terhadap hasil ringkasan sistem tersebut membuktikan bahwa hasil ringkasan teks artikel dengan compression 40% lebih baik daripada hasil ringkasan dengan compression 25%. Kata kunci: F-Measure, K-Mean Clustering, Precision, Recall, TF-ID