Keyword Extraction Abstrak Jurnal Ilmiah Menggunakan Metode TF-IDF dan KeyBERT
https://doi.org/10.58466/aicoms.v4i2.1814
Kata Kunci:
Cosine Similarity, Information Retrieval, Keyword Extraction, KeyBERT, Semantic Similarity, TF-IDFAbstrak
Ekstraksi kata kunci adalah teknik signifikan dalam pemrosesan bahasa alami (NLP) yang berfungsi untuk merangkum esensi dari sebuah dokumen, seperti ringkasan jurnal ilmiah. Penelitian ini bertujuan untuk menganalisis efektivitas dua metode ekstraksi kata kunci, yakni Term Frequency-Inverse Document Frequency (TF-IDF) dan KeyBERT, dalam menemukan kata kunci signifikan dari koleksi abstrak jurnal ilmiah. Kumpulan data yang dipakai terdiri dari beberapa abstrak jurnal ilmiah yang disertai dengan kata kunci manual sebagai dasar penilaian. Metode TF-IDF bergantung pada frekuensi kata dalam dokumen, sementara KeyBERT memanfaatkan pendekatan cosine similarity yang didasarkan pada model transformer BERT untuk menentukan kata kunci yang paling tepat secara makna. Temuan penelitian menunjukkan bahwa metode KeyBERT dan metode TF-IDF memiliki tingkat kemiripan sedang dengan nilai semantic similarity masing-masing adalah 0,578 untuk metode KeyBERT dan 0,469 untuk metode TF-IDF. Hasil ini menunjukkan potensi signifikan penggunaan model berbasis machine learning dan deep learning dengan kedua metode untuk sistem klasifikasi topik, terutama dalam bidang information retrieval dan text mining
Referensi
B. Bahar, “Pengembangan Model Sistem Informasi Manajemen Pengelolaan Artikel Ilmiah Berbasis Web Menggunakan Metode Extreme Programming,” Jutisi J. Ilm. Tek. Inform. dan Sist. Inf., vol. 9, no. 3, p. 1, 2021, doi: 10.35889/jutisi.v9i3.537.
M. A. Shiddiq, “Ekstraksi Kata Kunci pada Artikel Menggunakan Metode Textrank,” vol. 1, no. 1, pp. 1–97, 2019.
A. Kurniawan, “Aplikasi sistem ekstraksi kata kunci berbahasa indonesia menggunakan algoritma textrank studi kasus data wikipedia Indonesia,” Repository.Uinjkt.Ac.Id, 2021.
R. Al Rasyid and D. H. U. Ningsih, “Penerapan Algoritma TF-IDF dan Cosine Similarity untuk Query Pencarian Pada Dataset Destinasi Wisata,” J. JTIK (Jurnal Teknol. Inf. dan Komunikasi), vol. 8, no. 1, pp. 170–178, 2024, doi: 10.35870/jtik.v8i1.1416.
R. Mihalcea and P. Tarau, “TextRank: Bringing order into texts,” Proc. 2004 Conf. Empir. Methods Nat. Lang. Process. EMNLP 2004 - A Meet. SIGDAT, a Spec. Interes. Gr. ACL held conjunction with ACL 2004, vol. 85, pp. 404–411, 2004.
M. Ciaramita and M. Johnson, “Supersense Tagging of Unknown Nouns in WordNet,” Proc. 2003 Conf. Empir. Methods Nat. Lang. Process. EMNLP 2003, pp. 168–175, 2003, doi: 10.3115/1119355.1119377.
C. Argueta and Y. S. Chen, “Multi-Lingual Sentiment Analysis of Social Data Based on Emotion-Bearing Patterns,” Soc. 2014 - 2nd Work. Nat. Lang. Process. Soc. Media, conjunction with COLING 2014, no. 101, pp. 38–43, 2014, doi: 10.3115/v1/w14-5906.
M. Grootendorst, “KeyBERT: Minimal keyword extraction with BERT.,” Zenodo. [Online]. Available: https://github.com/MaartenGr/KeyBERT
N. Reimers and I. Gurevych, “Sentence-BERT: Sentence embeddings using siamese BERT-networks,” EMNLP-IJCNLP 2019 - 2019 Conf. Empir. Methods Nat. Lang. Process. 9th Int. Jt. Conf. Nat. Lang. Process. Proc. Conf., pp. 3982–3992, 2019, doi: 10.18653/v1/d19-1410.
A. Bert, “Applied Information Technology and Computer Science Sentimen Analisis Overclaim Skincare Skintific Menggunakan,” vol. 3, no. 2, pp. 1–5, 2024.
J. Newburn, “Keyword Extraction in Bert-Based Models for Reviewer System,” no. May, 2023.
A. Yovi, S. Adi, E. Alexander, U. Katolik, D. Cendika, and K. Ngasem, “Merangkum Teks Word Dan Pdf,” vol. 12, no. 1, 2024.
Nabil Haidarrahman Pribadi, “Sistem Rekomendasi Karya IlmiahBerdasarkan Semantic SimilarityMenggunakan Fasttext Dan MetodeWord Mover’S Distance,” Insitur Teknol. Sepuluh Nop., 2020.
MEILINAEKA, “Web Scraping : Pengertian dan Fungsinya dalam Pengambilan Data.” [Online]. Available: https://it.telkomuniversity.ac.id/web-scraping-pengertian-dan-fungsinya-dalam-pengambilan-data/
J. Pragantha, T. Informatika, F. T. Informasi, and U. Tarumanagara, “Automatic Summarization Pada,” vol. 1, no. 1, pp. 71–78, 2017.
D. Darmanto, N. I. Pradasari, and E. Wahyudi, “Sistem Deteksi Plagiarisme Tugas Akhir Mahasiswa Berbasis Natural Language Processing Menggunakan Algoritma Jaro-Winkler dan TF-IDF,” Smart Comp: Jurnalnya Orang Pintar Komputer, vol. 13, no. 1, pp. 201–211, 2024.
A. Hexahost, “Text Preprocessing: Apa itu, Mengapa Penting, dan Bagaimana Melakukannya?,” Hexahost. [Online]. Available: https://hexahost.id/pengertian-text-preprocessing/
D. Septiani and I. Isabela, “Analisis Term Frequency Inverse Document Frequency (TF-IDF) Dalam Temu Kembali Informasi Pada Dokumen Teks,” SINTESIA J. Sist. dan Teknol. Inf. Indones., vol. 1, no. 2, pp. 81–88, 2023.
“Different Techniques for Sentence Semantic Similarity in NLP,” GeeksForGeeks. [Online]. Available: https://www.geeksforgeeks.org/different-techniques-for-sentence-semantic-similarity-in-nlp/
##submission.downloads##
Diterbitkan
Cara Mengutip
Terbitan
Bagian
Lisensi
Hak Cipta (c) 2025 Rayvin Suhartoyo, Valen Julyo, Hafiz Irsyad, Abdul Rahman
Artikel ini berlisensiCreative Commons Attribution-NonCommercial-ShareAlike 4.0 International License.
