Penerapan Metode Deep learning untuk Peringkasan Berita Otomatis pada Aplikasi Petakabar

Hidayati, Nur (2023) Penerapan Metode Deep learning untuk Peringkasan Berita Otomatis pada Aplikasi Petakabar. Other thesis, Institut Teknologi Sepuluh Nopember.

Text 05111940000028-Undergraduate_Thesis.pdf - Accepted Version Restricted to Repository staff only until 1 September 2025. Download (5MB) | Request a copy

Abstract

Aplikasi Petakabar merupakan aplikasi yang mengambil berbagai macam berita dari berbagai situs berdasarkan waktu terbaru sesuai dengan topik yang ada seperti bencana, kecelakaan, kriminalitas, ekonomi, kesehatan, dan olahraga. Berita yang diambil merupakan hasil scraping sehingga masih dalam bentuk artikel berita utuh. Ringkasan berita menyajikan informasi secara menyeluruh, jelas, dan ringkas. Aplikasi Petakabar yang telah dikembangkan sejauh ini belum bisa melakukan peringkasan teks otomatis. Hal ini tentu membuat pembaca membutuhkan waktu yang cukup lama untuk membaca berita. Sistem pada penelitian ini akan melakukan peringkasan artikel berita pada aplikasi Petakabar. Penelitian melatih pre-trained model deep learning yang akan melakukan proses belajar dengan dataset Indosum. Setelah melalui proses belajar, model melakukan peringkasan otomatis pada data baru yaitu berita pada Petakabar. Selanjutnya, model yang telah dilatih akan diintegrasikan dengan aplikasi Petakabar yang telah ada. Dari proses ini, artikel berita yang ada pada aplikasi Petakabar dapat diringkas secara otomatis oleh sistem ini. Model peringkasan teks yang digunakan pada sistem ini yaitu pre-trained model deep learning mT5 yang telah dilatih menggunakan dataset Indosum. Parameter terbaik model yang dihasilkan dari proses hyperparameter tuning yaitu: learning rate sebesar 0,000056; batch size sebanyak 12; epochs sebanyak 8; max length input 512; dan max length target 64. Nilai ROUGE ketika di uji untuk melakukan prediksi yaitu 70,6208 untuk ROUGE-1; 64,0255 untuk ROUGE-2; dan 67,6399 untuk ROUGE-L. Model berhasil melakukan peringkasan artikel berita hasil scrapping pada aplikasi Petakabar
=====================================================================================================================================
Petakabar application is an application that retrieves various kinds of news from various sites based on the latest time according to existing topics such as disasters, accidents, crimes, economies, health, and sports. The news taken is the result of scraping so that it is still in the form of a complete news article. News summary presents information thoroughly, clearly, and concisely. Petakabar application that has been developed so far cannot do automatic text summarization. This certainly makes readers need a long time to read the news. The system in this research will summarize news articles on the Petakabar application. The research trains a pretrained deep learning model that will undergo the learning process using the Indosum dataset. After going through the learning process, the model automatically performs summarization on new data, specifically news articles on Petakabar. Subsequently, the trained model will be deployed on the Petakabar application. Through this process, the news articles available on the Petakabar application can be automatically summarized by this system. The text summarization model used in this system is the mT5 pre-trained model, which has been trained using the Indosum dataset. The best parameters of this model, resulting from the hyperparameter tuning process, are a learning rate of 0,000056, a batch size of 12, 8 epochs, a maximum input length of 512, and a maximum target length of 64. The ROUGE scores obtained during testing for prediction are 70,6208 for ROUGE-1, 64,0255 for ROUGE-2, and 67,6399 for ROUGE-L. The model successfully summarizes news articles obtained through scrapping on the Petakabar application

Item Type:	Thesis (Other)
Uncontrolled Keywords:	Petakabar, Deep Learning, Indosum, Peringkasan Berita Otomatis, Petakabar; Automatic News Summarization, Deep Learning, Indosum
Subjects:	R Medicine > R Medicine (General) > R858 Deep Learning
Divisions:	Faculty of Intelligent Electrical and Informatics Technology (ELECTICS) > Informatics Engineering > 55201-(S1) Undergraduate Thesis
Depositing User:	Nur Hidayati
Date Deposited:	30 Aug 2023 06:18
Last Modified:	30 Aug 2023 06:18
URI:	http://repository.its.ac.id/id/eprint/101308

Actions (login required)

View Item