Implementasi Peringkas Teks Multi Dokumen dengan Algoritma TextRank

Pada akhir abad ke-20 di mana masyarakat mendapati dirinya kesulitan mengikuti informasi baru yang terus bermunculan atau yang lebih dikenal sebagai information overload problem. Salah satu media yang menyediakan informasi saat ini adalah situs berita yang menyediakan informasi digital. Banyaknya jumlah situs berita saat ini telah melebihi kapasitas pengguna dalam menelusuri berita untuk mencari informasi mengenai suatu masalah dan mengakibatkan peningkatan waktu untuk memahami intisari berdasarkan informasi yang tersedia. Untuk mengatasi masalah ini, akan diimplementasikan sistem peringkas teks multi dokumen dengan algoritme TextRank. TextRank merupakan salah satu algoritme yang mampu merekomendasikan kalimat yang akan menjadi ringkasan dengan melakukan pembobotan dan pemeringkatan terhadap setiap kalimat dalam berita. Ringkasan yang dihasilkan merupakan ringkasan secara ekstraktif. Percobaan yang dilakukan berbentuk analisa peringkas teks multi dokumen dengan membandingkan hasil sistem dan pakar. Dalam penelitian ini juga dilakukan beberapa percobaan seperti penerapan beberapa cara dalam memperoleh word dictionary, penerapan metode embedding seperti One-Hot Encoding, TF-IDF, dan FastText dalam merepresentasikan setiap kalimat ke dalam bentuk vector, dan mengukur nilai compression ratio pada hasil peringkasan untuk memperoleh performa terbaik dari algoritme tersebut. Hasil dari penelitian yang dilakukan menunjukkan model embedding FastText dengan penggunaan word dictionary global menghasilkan nilai rata-rata f-measure terbaik pada compression ratio kelipatan 5 dari rentang 20 sampai 80 sebesar 57.5%