Peringkasan otomatis dongeng nusantara menggunakan metode long short term memory

INDONESIA:

Dongeng merupakan bagian penting dari warisan budaya Nusantara yang sarat akan nilai moral dan pembelajaran. Namun, penyampaian dongeng dalam bentuk narasi panjang sering kali menyulitkan pembaca dalam menangkap inti cerita secara cepat. Oleh karena itu, dibutuhkan sistem peringkasan otomatis yang mampu menyederhanakan isi dongeng tanpa menghilangkan makna pentingnya. Penelitian ini bertujuan untuk menghasilkan ringkasan otomatis dari dongeng Nusantara menggunakan metode Long Short-Term Memory secara abstraktif, serta mengevaluasi pengaruh teknik preprocessing dengan cara stemming dan stopword removal terhadap akurasi model. Data dongeng diperoleh dari platform YouTube dan ditranskripsi ke dalam bentuk teks. Evaluasi dilakukan menggunakan metrik ROUGE-1, ROUGE-2, dan ROUGE-L dengan membandingkan hasil ringkasan mesin terhadap ringkasan ahli. Hasil terbaik diperoleh pada skenario dengan stopword removal tanpa stemming, dengan skor ROUGE-1 sebesar 0.606, ROUGE-2 0.3291, dan ROUGE-L sebesar 0.4613. Dibandingkan dengan penelitian terdahulu, model pada penelitian ini menunjukkan kinerja yang lebih baik. Temuan ini menegaskan pentingnya preprocessing dalam meningkatkan akurasi sistem peringkasan otomatis.

ENGLISH:

Folktales are an important part of the cultural heritage of the archipelago that is full of moral values and lessons. However, the delivery of folktales in the form of long narratives often makes it difficult for readers to grasp the essence of the story quickly. Therefore, an automatic summarization system is needed that is able to realize the contents of folktales without losing their important meaning. This study aims to produce an automatic summary of Nusantara folktales using the Long Short-Term Memory method abstractly, and to channel the influence of preprocessing techniques by stemming and stopword removal on model accuracy. Fairy tale data was obtained from the YouTube platform and transcribed into text form. The evaluation was carried out using the ROUGE-1, ROUGE-2, and ROUGE-L metrics by comparing the results of the machine summary to the expert summary. The best results were obtained in the scenario with stopword removal without stemming, with a ROUGE-1 score of 0.606, ROUGE-2 0.3291, and ROUGE-L of 0.4613. Compared to previous studies, the model in this study showed better performance. These findings emphasize the importance of preprocessing in improving the accuracy of automatic summarization systems.

ARABIC:

عدّ الحكايات الشعبية جزءًا هامًا من التراث الثقافي للأرخبيل، وهي زاخرة بالقيم والعبر الأخلاقية. ومع ذلك، فإنّ تقديم الحكايات الشعبية في شكل سرديات طويلة غالبًا ما يُصعّب على القراء استيعاب جوهر القصة بسرعة. لذلك، هناك حاجة إلى نظام تلخيص تلقائي قادر على إدراك محتويات الحكايات الشعبية دون فقدان معناها المهم. تهدف هذه الدراسة إلى إنتاج ملخص تلقائي لحكايات نوسانتارا الشعبية باستخدام طريقة الذاكرة طويلة المدى قصيرة المدى بشكل تجريدي، وتوجيه تأثير تقنيات المعالجة المسبقة عن طريق إزالة الكلمات المتوقفة والجذعية على دقة النموذج. تم الحصول على بيانات القصص الخيالية من منصة YouTube ونسخها إلى شكل نصي. تم إجراء التقييم باستخدام مقاييس ROUGE-1 وROUGE-2 وROUGE-L من خلال مقارنة نتائج الملخص الآلي بملخص الخبير. تم الحصول على أفضل النتائج في السيناريو مع إزالة الكلمات المتوقفة دون استخدام الجذر، مع درجة ROUGE-1 0.606 وROUGE-2 0.3291 وROUGE-L 0.4613. وبالمقارنة مع الدراسات السابقة، أظهر النموذج في هذه الدراسة أداءً أفضل. تؤكد هذه النتائج على أهمية المعالجة المسبقة في تحسين دقة أنظمة التلخيص التلقائي