Ada banyak informasi teks yang beredar di internet, tetapi manusia sulit mencernarnsemua informasi tersebut dalam waktu singkat. Peringkasan teks otomatis merupakanrnteknologi yang membantu seseorang untuk membaca suatu teks secara ringkas denganrnmenghasilkan ringkasan secara otomatis dari suatu teks tanpa adanya prosesrnpenyuntingan manusia terhadap ringkasan tersebut. Peringkas Teks Otomatis adalahrnperangkuman teks yang dilakukan secara otomatis oleh komputer. Penelitian inirnmembuat sistem untuk meringkas teks menggunakan metode Closeness Centrality.rnSistem akan menyeleksi kalimat yang paling penting untuk ditampilkan kepada userrnatau pengguna. Terdapat dua macam algoritma Automatic Text Summarization yaiturnExtraction-based summarization dan Abstractive summarization. Pada paper inirndikembangkan suatu metode ATS berbasis graf (Graph-Based SummarizationrnAlgorithm) dengan Closeness Centrality sebagai pusat. Berita dilakukan proses teksrnprocessing meliputi pemecahan kalimat, case folding, tokenizing, filtering danrnstopword, stemming, serta pembobotan kata dengan fitur TF-IDF. Hasil ringkasanrnkemudian dievaluasi dengan ROUGE. Penelitian ini mendapatkan hasil nilai rata-ratarnrecall tertinggi yaitu 0,465 dengan hasil ringkasan mengambil 7 kalimat.


Deskripsi Lain

There is a vast amount of text information circulating on the internet, but it is difficult for humans to digest all of this information in a short time. Automatic text summarization is a technology that helps someone read text more concisely by automatically generating a summary from a text without any human editing process. An Automatic Text Summarizer is a system that summarizes text automatically by a computer. This research develops a system to summarize text using the Closeness Centrality method. The system will the most important sentences to display to the user. There are two types of Automatic Text Summarization algorithms: extraction-based summarization and abstractive summarization. In this paper, a graph-based summarization algorithm is developed with Closeness Centrality the focus. The text undergoes processing, including sentence splitting, case folding, tokenizing, filtering and stopword removal, stemming, and word weighting using the TF-IDF feature. The summary results are then evaluated using ROUGE. This research achieves the highest average recall score of 0.465 with a summary consisting of 7 sentences.