PERINGKASAN OTOMATIS RISALAH RAPAT DENGAN METODE TRANSFORMER DAN LONG SHORT-TERM MEMORY

Silmi Aulia Rohmah, - (2024) PERINGKASAN OTOMATIS RISALAH RAPAT DENGAN METODE TRANSFORMER DAN LONG SHORT-TERM MEMORY. S1 thesis, Universitas Pendidikan Indonesia.

	Text S_KOM_2000318_Title.pdf Download (1MB)
	Text S_KOM_2000318_Chapter1.pdf Download (359kB)
	Text S_KOM_2000318_Chapter2.pdf Restricted to Staf Perpustakaan Download (2MB)
	Text S_KOM_2000318_Chapter3.pdf Download (380kB)
	Text S_KOM_2000318_Chapter4.pdf Restricted to Staf Perpustakaan Download (1MB)
	Text S_KOM_2000318_Chapter5.pdf Download (285kB)
	Text S_KOM_2000318_Appendix.pdf Restricted to Staf Perpustakaan Download (478kB)

Abstract

Risalah merupakan catatan resmi yang mendokumentasikan semua hal yang dibahas selama rapat. Risalah rapat yang panjang seringkali menyulitkan pembaca untuk secara cepat mengindentifikasi dan memahami informasi utama rapat. Sehingga dibutuhkan suatu sistem peringkasan otomatis dalam upaya mempersingkat waktu dan mengurangi tenaga dalam memahami risalah rapat. Penelitian ini bertujuan untuk mengembangkan dan mengevaluasi sistem peringkasan otomatis risalah rapat. Metode peringkasan teks otomatis yang digunakan yaitu dengan menggunakan Transformer dan Long Short-Term Memory. Dalam pengembangannya, penelitian ini menggunakan dataset risalah rapat yang sudah dikumpulkan dan dibuat referensi ringkasannya secara manual. Hasil penelitian menunjukkan bahwa sistem peringkasan otomatis yang dikembangkan dengan model Transformer mampu menghasilkan ringkasan dengan kinerja yang lebih baik dibandingkan dengan model LSTM. Model Transformer dengan skenario eksperimen fine-tuning dua dataset dan tanpa praproses data mencapai ROUGE-1 tertinggi sebesar 39.1287 dan ROUGE-L tertinggi sebesar 22.7729. Sedangkan ROUGE-2 tertinggi sebesar 17.5072 didapatkan dari model yang di-fine-tune dengan satu dataset dan tanpa praproses data. Meeting minutes are official records that document everything discussed during a meeting. Long meeting minutes can often make it challenging for readers to quickly identify and understand the key information of the meeting. To address this issue, an automatic summarization system is needed to save time and reduce the effort required to grasp the content of the minutes. This research aims to develop and evaluate an automatic summarization system for meeting minutes. The methods used for automatic text summarization include Transformer models and Long Short-Term Memory (LSTM) models. For this development, the research utilizes a dataset of meeting minutes that has been collected and manually summarized. The results indicate that the Transformer-based summarization system performs better than the LSTM-based system. The Transformer model fine-tuned on two dataset without data preprocessing achieved the highest ROUGE-1 score of 39.1287 and the highest ROUGE-L score of 22.7729. Meanwhile, the highest ROUGE-2 score of 17.5072 was achieved by the model fine-tuned on a single dataset without data preprocessing.

Item Type:	Thesis (S1)
Additional Information:	https://scholar.google.com/citations?user=J-A3KhQAAAAJ&hl=en ID SINTA Dosen Pembimbing: Yudi Wibisono: 260167 Yaya Wihardi: 5994413
Uncontrolled Keywords:	Deep Learning, LSTM, Peringkasan teks otomatis, Risalah Rapat, Transformer Longformer. Automatic Text Summarization, Deep Learning, LSTM, Meeting Minutes, Transformer Longformer.
Subjects:	Q Science > Q Science (General) Q Science > QA Mathematics > QA75 Electronic computers. Computer science
Divisions:	Fakultas Pendidikan Matematika dan Ilmu Pengetahuan Alam > Program Studi Ilmu Komputer
Depositing User:	Silmi Aulia Rohmah
Date Deposited:	06 Sep 2024 06:43
Last Modified:	06 Sep 2024 06:43
URI:	http://repository.upi.edu/id/eprint/122307

Actions (login required)

View Item