Dengan adanya ringkasan, maka dapat menghemat waktu pembaca juga dapat menghindari pembacaan teks yang tidak relevan dengan informasi yang diharapkan oleh pembaca, terutama ketika sangat banyak informasi yang tersedia diinternet. Peringkasan teks otomatis merupakan solusi yang tepat untuk mengatasi permasalahan tersebut. Peringkasan teks otomatis adalah suatu proses pembentukan yang lebih singkat dari sebuah teks dengan memanfaatkan aplikasi yang dijalanakan dan dioperasikan pada komputer. Pada penelitian ini menggunakan metode hidden markov model untuk membangun aplikasi peringkasan teks otomatis. Proses kerjanya yaitu mencari nilai probabilitas pada barisan suatu state observasi yang paling optimal yang nantinya akan dipilih menjadi kalimat penting dan akhirnya menjadi sebuah ringkasan. Proses pertama yaitu menentukan varibel barisan state observasi yang dapat diamati secara langsung (barisan kalimat awal hingga akhir) dan variabel barisan state observasi yang tak dapat diamati secara langsung (pilihan “Kalimat Relevan” dan “Kalimat Tidak Relevan”). Ekstraksi fitur digunakan pada proses ini untuk memperoleh nilai-nilai yang akan digunakan pada proses peringkasan. Berdasarkan hasil pengujian pada penelitian ini disimpulkan bahwa metode hidden markov model dapat diimplementasikan pada kasus peringkasan teks dengan rata-rata hasil uji sebesar 62.37% untuk precession, 72.22% untuk recall, dan 66.67% untuk f-measure. Namun hasil ringksan yang dihasilkan oleh sistem belum dapat dikatakan akurat berdasarkan kebutuhan pembaca menurut seorang ahli bahasa.

With the summary, it can save time readers can also avoid reading the text that is not relevant to the information expected by the reader, especially when so much information is available on the internet. Peringkasan automatic text is the right solution to overcome these problems. Peringkasan automatic text is a shorter process of formation of a text by utilizing applications dijalanakan and operated on a computer. In this study, using hidden Markov models for building applications peringkasan automatic captions. The process works is to find the value of the probabilities in a row the most optimal observation state which will have become important sentences and eventually became a summary. The first process is to determine the sequence of variable state of observation can be observed directly (row sentence beginning to end) and a variable line of state observation that can not be observed directly (selection "Relevant Sentence" and "Sentence Irrelevant"). Feature extraction used in this process to obtain the values that will be used in the summarization process. Based on the test results of this study concluded that the method of hidden Markov model can be implemented in the case of text peringkasan with average test results for the precession of 62.37%, 72.22% for the recall, and 66.67% for the f-measure. But the results ringksan generated by the system can not be said to be accurate based on the needs of readers according to a linguist.

https://elib.unikom.ac.id/gdl.php?mod=browse&op=read&id=jbptunikompp-gdl-fahrezaram-36867