ABSTRAKSI: Pada zaman teknologi informasi saat ini, ketersediaan berita elektronik sangat dibutuhkan oleh masyarakat. Akan tetapi, berita yang terlalu panjang menyebabkan pembaca membutuhkan waktu yang lama dalam membaca teks berita elektronik. Untuk itu, kita memerlukan suatu sistem yang dapat membuat ikhtisar dari artikel-artikel atau dokumen-dokumen teks secara otomatis.
Tugas Akhir ini menerapkan metode relevance measure (TF - IDF) yang menggunakan konsep pembobotan dan LSA yang dapat mengidentifikasi kalimatkalimat yang penting secara semantik yang berguna untuk mengasilkan output sebuah ringkasan ekstrakif. Pada penerapan sistem ini, sebelumnya dokumen harus di preprosesing, kemudian diekstrak menjadi token dan dilanjutkan dengan proses stopword removal dalam menambahkan hasil keluaran ringkasan.
Pengujian dari sistem ini menggunakan evaluasi ROGUE. Pada hasil pengujian menunjukkan bahwa ringkasan menggunakan metode TF-IDF modifikasi lebih baik dibandingkan TF-IDF biasa. Ringkasan menggunakan metode LSA menghasilkan akurasi terbaik dibandingkan dengan metode TF-IDF dan modified TF-IDF.
Kata Kunci : LSA, peringkasan teks, preprocess, relevance measure(TF-IDF)ABSTRACT: In this information technology era recently, the availibility of electronic news is very needed by the poeple. But sometimes a very long writing can cost the reader a very long time too to read it. To handle this problem, we need a system that can create a summary from those articles or documents of text automatically
This thesis implements a relevance measure (TF-IDF) that use weight concept and Latent Semantic Analysis to identify important sentences semanticly that is useful to result output an extrative summarise. In an application of this system , first documents or articles must be preproccesed, then extracted to be token and continued by stopword removal process in advance result of summary output.
Testing of this system use ROUGE evalution. In testing result, it shows that modified TF-IDF better that usual TF-IDF. Then, LSA method also show best accuration if we compare with TF-IDF or modified TF-IDF method.Keyword: LSA ,text summarization, preprocess, relevance measure(TF-IDF),