Automatic Text Summarization Berita Bahasindonesia Menggunakan Metode Attentional Encoder Decoder

Abstract

Automatic text summarization (ATS) adalah salah satu bidang pada kecerdasan buatan untuk otomatisasi tugas peringkasan data teks. ATS semakin banyak dibutuhkan seiring bertambah cepatnya peredaran informasi. peringkasan abstraktif menjadi tujuan utama dalam pengembangam program model ATS. model deep learning attentional encoder decoder umum digunakan untuk tugas ATS abstraktif. Beberapa penelitian berhasil meningkatkan performa model dengan penerapan metode terbaru seperti, pointer-generator, bidirectional, dan word embedding. Penelitian pada Bahasa Indonesia sudah ada dilakukan, namun belum menerapkan metode-metode terbaru yang disebutkan sebelumnya. Untuk itu akan dibangun model attentional encoder decoder ATS berita bahasa indonesia, yang menerapkan metode yang disebutkan sebelumnya. Hasil penelitian menemukan bahwa penggunaan metode pointergenerator mempercepat pengurangan loss pada proses pelatihan. Analisis nilai ROUGE mendapatkan bahwa model 2 yang hanya menerapkan bidirectional memiliki hasil terbaik, dengan nilai ROUGE-1 0.154, ROUGE-2 0.018 dan ROUGE-L 0.148. Hal tersebut membuktikan bahwa performa loss tidak berbanding lurus dengan nilai ROUGE. Pada analisa manual hasil ringkasan didapatkan bahwa sesuai dengan evaluasi ROUGE, model 2 berhasil mengambil inti dari dokumen input. Repetisi kalimat masih menjadi masalah yang mengurangi kohesifnya hasil ringkasan. Masih diperlukan eksplorasi hyperparameter lebih lanjut untuk menemukan performa paling maksimal dari varian model. Penggunaan metode lain seperti coverage juga disarankan untuk mengatasi repetisi kata.