YUSANDA, Al Ferro Putra (2026) Peringkasan Multi-Dokumen Ekstraktif Menggunakan Metode Sentence-BERT dan Maximal Marginal Relevance (MMR) pada Berita Online Bahasa Indonesia. Undergraduate thesis, UNDIP: Fakultas Sains dan Matematika.

	Archive (FULL TEXT) Softfile-Skripsi-Al Ferro Putra Yusanda-24060122140164.zip Restricted to Repository staff only Download (7MB) | Request a copy
	Text 1. COVER.pdf Download (3MB)
	Text 3. HALAMAN PENGESAHAN.pdf Download (378kB)
	Text 4. KATA PENGANTAR.pdf Download (191kB)
	Text 6. ABSTRAK.pdf Download (168kB)
	Text 7. ABSTRACT.pdf Download (168kB)
	Text 8. DAFTAR ISI.pdf Download (206kB)
	Text 11. BAB I PENDAHULUAN.pdf Download (325kB)
	Text 16. DAFTAR PUSTAKA.pdf Download (199kB)

Abstract

Fenomena information overload pada portal berita daring berbahasa Indonesia sering kali
memicu tingginya tingkat redundansi informasi lintas artikel, sehingga menyulitkan pembaca
dalam memperoleh intisari peristiwa secara efisien. Penelitian ini mengusulkan metode
peringkasan multi-dokumen ekstraktif yang mengintegrasikan Agglomerative Clustering
sebagai algoritma pemilah topik, representasi semantik Sentence-BERT (SBERT)
menggunakan varian paraphrase-multilingual-MiniLM-L12-v2, serta algoritma Maximal
Marginal Relevance (MMR) sebagai mekanisme penyeleksi kalimat anti-redundan.
Pendekatan komputasi berbasis dense embedding ini diimplementasikan guna mengatasi
keterbatasan representasi statistik konvensional dalam mendeteksi makna parafrasa.
Pengujian arsitektur dilakukan terhadap benchmark dataset dari portal berita Liputan6 yang
terdistribusi ke dalam enam kategori topik utama. Kualitas ringkasan dievaluasi menggunakan
metrik ROUGE terhadap human ground truth yang telah tervalidasi reliabilitasnya dengan
nilai kesepakatan aktual (Percentage Agreement) sebesar 63,21%. Hasil eksperimen
komputasional pada skenario tingkat kompresi 20%, 30%, 40%, dan 50% memvalidasi bahwa
tingkat kompresi 30% merupakan titik keseimbangan (sweet spot) paling optimal antara
kepadatan informasi utama dan keberagaman frasa. Pada ambang batas kompresi tersebut,
metode usulan secara keseluruhan meraih nilai rata-rata performa kompetitif dengan F1-Score
ROUGE-1 sebesar 0,4750, ROUGE-2 sebesar 0,3034, dan ROUGE-L sebesar 0,3391.
Penelitian ini membuktikan secara empiris bahwa integrasi pemahaman semantik mendalam
dan metrik diversitas komputasional efektif untuk mereduksi redundansi leksikal sekaligus
mempertahankan akurasi faktual teks berita bagi pembaca digital.
Kata Kunci
:
Peringkasan Multi-Dokumen Ekstraktif, Sentence-BERT, Maximal
Marginal Relevance, ROUGE.

(NO. KETERSEDIAAN : 1701/F/2025)

Actions (login required)

View Item