Ekstraksi Kata Kunci Otomatis Teks Berbahasa Indonesia Menggunakan Metode TextRank

7

BAB 2
LANDASAN TEORI

2.1. Ekstraksi Kata Kunci
Dalam bahasa Inggris, kata kunci sering disebut kedalam 2 istilah yaitu keyphrase dan
keyword. Istilah keyphrase dan keyword mengandung satu pengertian sebagai sebuah
kata kunci yang penting dalam menjelaskan dan memberi gambaran terhadap isi suatu
dokumen. Keyphrase merujuk kepada kata kunci yang terdiri dari gabungan
kata/multiword (contoh: Demam Berdarah, Bahasa Isyarat, Kotak Hitam Pesawat,
dll), sedangkan untuk istilah keyword sering ditujukan untuk kata kunci yang terdiri
dari satu kata saja (Contoh: Bahasa, Demam, Kotak, dll) (Siddiqi,et al. 2015).
Ekstraksi kata kunci penting dilakukan terutama dalam pengolahan aplikasi text
mining. Beberapa aplikasi text mining yang menerapkan tahapan ekstraksi kata kunci
yaitu aplikasi peringkasan teks otomatis, pengelompokkan dokumen, clustering, dan
lain sebagainya. Terdapat 2 pendekatan dalam ekstraksi kata kunci yang umum
digunakan dalam pemodelan algoritma ekstraksi kata kunci yaitu unsupervised dan
supervised. Perbedaan umum dari pendekatan supervised dan unsupervised adalah
dari ada atau tidaknya data latihnya. Pendekatan unsupervised tidak membutuhkan
data latih sedangkan pada pendekatan supervised untuk mendapatkan kata kuncinya

dibutuhkan pemrosesan data latih. Berikut beberapa pendekatan yang biasa digunakan
untuk pemrosesan ekstraksi kata kunci dalam pengolahan aplikasi text mining
berdasarkan beberapa penelitian sebelumnya :
a. Pendekatan Unsupervised
Pendekatan unsupervised terbagi kedalam 4 kategori yaitu perankingan
berbasis graf (graph-based ranking), topic-based, simultaneous learning, dan
language modeling (Hasan, et al.2014). Beberapa metode yang termasuk
dalam pendekatan unsupervised seperti TextRank, RAKE, ExpandRank dan
lain sebagainya.

Universitas Sumatera Utara

8

b. Pendekatan Supervised
Beberapa metode yang menggunakan pemodelan algoritma berdasarkan
pendekatan supervised ini seperti metode KEA(Keyprhase Extraction
Algorithm), KEA++, N-Gram, CRF(Conditional Random Field), dan lain
sebagainya. Pendekatan ini berfokuskan pada 2 hal yaitu perumusan tugas(task
reformulation) dan pendesainan fitur (Hasan, et al.2014).

c. Pendekatan pembelajaran mesin (machine learning)
Pendekatan ini menggunakan konsep pembelajaran seperti metode Supervised
(Siddiqi & Sharan, 2015). Beberapa metode yang termasuk kedalam bagian
pendekatan ini seperti metode support vector machine(SVM), Naive Bayes,
linear logistic regression (LLR), dan lain sebagainya.
d. Pendekatan Statistikal
Pendekatan statistik didasarkan pada linguistic corpus dan fitur statistikal yang
berasal dari korpus (Siddiqi & Sharan 2015). Salah satu metode yang termasuk
kedalam pendekatan ini yaitu TF-IDF.
2.2. Part-Of-Speech Tagging
Part-of-speech (POS) tagging merupakan salah satu tahapan awal pemrosesan pada
aplikasi text mining. POS tagging digunakan untuk melabeli kata yang ada pada suatu
kalimat dengan kelas katanya masing-masing. Label-label kata tersebut seperti kata
benda (noun), kata kerja(verb), kata keterangan(adverb), kata sifat(adjective) dan lain
sebagainya. POS tagging biasa digunakan untuk pemfilteran kata pada tahapan preprocessing dari text mining. Seperti pada tahapan ekstraksi kata kunci, POS tagging
dapat digunakan untuk mengambil kata yang hanya merupakan kata benda atau hanya
merupakan kata sifat ataupun mengambil dan memfilter semua jenis kata untuk
perhitungan kata sebagai kata kunci begitupun fungsinya pada aplikasi text mining
lainnya. Terdapat beberapa pendekatan pada POS tagging seperti pendekatan berbasis
aturan (rule based), probabilistik, dan pendekatan transformasional (Wicaksono &

Purwarianti 2010). Pada bahasa Indonesia ada beberapa kelas kata yang dapat
digunakan seperti pada Tabel 2.1.

Universitas Sumatera Utara

9

Tabel 2.1. Label Kata untuk Bahasa Indonesia (Wicaksono & Purwarianti 2010)
No.
1
2
3
4
5
6
7
8
9
10
11

12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31

32
33
34
35

POS
OP
CP
GM
;
:
“
.
,
...
JJ
RB
NN
NNP
NNG

VBI
VBT
IN
MD
CC
SC
DT
UH
CDO
CDC
CDP
CDI
PRP
WP
PRN
PRL
NEG
SYM
RP
FW

POS Name
Open Parenthesis
Close Parenthesis
Slash
Semicolon
Colon
Quotation
Sentence Terminator
Comma
Dash
Ellipsis
Adjective
Adverb
Common Noun
Proper Noun
Genitive Noun
Intransitive Verb
Transitive Verb
Preposition

Modal
Coor-Conjunction
Subor-Conjuction
Determiner
Interjection
Ordinal Numerals
Collective Numerals
Primary Numerals
Irregular Numerals
Personal Pronouns
WH-Pronouns
Number Pronouns
Locative Pronouns
Negation
Symbols
Particles
Foreign Words

Example
({[

)}]
/
;
:
“ ‟
.!?
,
...
Bagus, Baik, Pintar
Nanti, Sementara
Buku, Komputer
Indonesia, Medan
Mobilnya
Pergi, Belajar
Meminum, Membuka
Di, Ke, Dari
Bisa, Akan
Dan, Atau, Tetapi
Jika, Ketika
Para, Ini, Itu

Wah, Aduh, Oi
Pertama, Kedua
Bertiga, Berdua
Satu, Dua
Beberapa
Saya, Kamu, Engkau
Apa, Siapa
Kedua-duanya
Sini, Situ, Sana
Bukan, Tidak
@#$%^&
Pun, Kah
Word, Book

Universitas Sumatera Utara

10

2.3. Multiword Expression
Multiword expression (MWEs) adalah gabungan kata yang antar kata penyusunnya

saling terhubung dan membentuk susunan kata yang baru . Sebagai contoh gabungan
beberapa kata seperti : „Kecerdasan Buatan‟,‟Raja Hutan‟, ‟Rumah Sakit‟, „Kotak
Hitam‟, ‟Demam Berdarah‟, dan lain sebagainya. Konsep multiword expression untuk
bahasa Inggris dan bahasa Indonesia tidaklah jauh berbeda. Menurut Sag et al.(2002)
makna semantik dari Multiword tidak dapat berasal dari gabungan makna semantik
kata-kata penyusunnya. Untuk melakukan proses ekstraksi Multiword expression
(MWEs) ada beberapa teknik yang dapat diklasifikasikan kedalam 4 tipe (S.Agrawal,
et al.2014) yaitu:


Metode Statistikal (Cruys & Moiron, 2007)



Metode Symbolic, semantic or linguistic (Vitar & Fiser, 2008)



Metode Hybrid (Duan, et al. 2009 ; Boulaknadel, et al. 2008)



Metode Word alignment ( Moiron & Tiedemann, 2006).

Untuk ekstraksi multiword

expression (MWEs) pada dokumen berbahasa

Indonesia dapat digunakan suatu aturan metode multiword expression candidate
dimana metode ini memanfaatkan pemfilteran stopword dan tanda baca (Gunawan,et
al. 2016) yang pada penelitian ini penulis gunakan untuk mendapatkan kandidat kata
kunci multiword yang selanjutnya akan diolah dengan algoritma textrank. Tahapan
utama metode ini yaitu setiap kata yang telah ditokenisasi selanjutnya dideteksi dan
difilter kata mana saja yang merupakan stopword ataupun tanda baca. Kata-kata yang
merupakan stopword atau tanda baca akan dihapus ataupun bisa juga diganti dengan
tanda baca tertentu seperti tanda baca titik (.) . Kata-kata yang didahului tanda baca
ataupun stopword tersebut kemudian akan digabungkan menjadi satu kata baru sesuai
dengan persamaan 2.1 berikut (Gunawan, et al. 2016):
MWE Candidates = w1w2 w2w3 w3w4... wnw(n+1)

(2.1)

Alur kerja selengkapnya dari aturan ekstraksi multiword expression candidate ini
dapat dilihat pada Gambar 2.1.

Universitas Sumatera Utara

11

Gambar 2.1. Flowchart Metode Multiword Expression
Candidates (Gunawan, et al. 2016)
2.4. Algoritma TextRank
TextRank merupakan metode yang termasuk kedalam pendekatan unsupervised dan
menggunakan pemodelan berbasis graf. Metode ini dikembangkan berdasarkan dari
metode PageRank (Brin & Page,1998 ; Mihalcea & Tarau,2004). Dasar dari model
berbasis perankingan graf yang diajukan oleh Mihalcea & Tarau(2004) ini yaitu
dengan mengimplementasikan tahapan “voting” pada setiap kata(vertex) dalam graf.
Suatu vertex akan dianggap penting jika vertex tersebut di „vote’ lebih banyak
dibandingkan dengan vertex lainnya. Nilai skor pada tiap vertex didalam graf
ditentukan dari Persamaan 2.2 (Brin and Page,1994 ; Mihalcea, et al.2004) berikut :
S(Vi) = (1 - d) + d

∑

S(Vj)

(2.2)

dimana nilai S(Vi) sebagai nilai score vertex Vi, dengan nilai d sebagai damping
factor yang biasanya di set dengan nilai 0.85.
Menurut Mihalcea,et al.(2004) Persamaan 2.2 diatas dapat juga diterapkan
untuk melakukan perankingan pada graf yang berbobot dengan menggunakan nilai
bobot edge antar vertexnya sehingga dibuatlah perumusan baru seperti pada
Persamaan 2.3 (Mihalcea, et al.2004).

Universitas Sumatera Utara

12

WS(Vi) = (1 - d) + d

∑

∑

WS(Vj)

(2.3)

dimana dalam rumus diatas terdapat wji yaitu sebagai bobot edge dari vertex Vj yang
berelasi dengan vertex Vi . wji juga disebut sebagai bobot frekuensi kemunculan vertex
Vj dan Vi yang saling co-occurrence di dalam ukuran window dengan maksimum Lkata. TextRank menggunakan hubungan kemunculan bersama satu kata dengan kata
yang lainnya (co-occurrence relation) dalam window maksimum L kata tersebut
dimana ukuran L bisa di set antara 2 – 10 kata.
Pada metode textrank ini kandidat kata kunci didapat dengan filter kata
menggunakan part-of-speech tagging. Setiap kata yang akan dijadikan vertex dalam
graf akan difilter berdasarkan filter kelas katanya seperti kata benda, gabungan kata
benda dan kata kerja, atau filter semua jenis kata. Dari hasil penelitian sebelumnya
hasil terbaik didapatkan dari filter kata berupa kata benda dan kata sifat saja. Untuk
metode TextRank oleh Mihalcea & Tarau (2004) ini frase atau kandidat kata kunci
berbentuk multiword di proses pada tahapan post-processing untuk menghindari
besarnya hubungan relasi didalam graf. Berdasarkan hal itu Li & Wang (2014)
menyebutkan bahwasanya cara ini tidak bisa menjamin semua kata kunci yang
dihasilkan merupakan kata-kata yang sudah benar dalam satuan leksikal bahasanya
dan tidak semua kata-kata yang ada didalam kombinasi kata kunci bisa didapat dari kranking teratas. Untuk itu Li & Wang (2004) lalu menjalankan algoritma textrank
didalam konsep jaringan frase(phrase network) yaitu dengan meranking langsung
kandidat kata kunci berbentuk frase ataupun multiword. Biasanya vertex dalam graph
pada algoritma textrank sebelumnya hanya berupa satu kata saja, tetapi dengan
jaringan frase ini maka akan diperluas hubungan co-occurrence kata menjadi berupa
kata dan frase. Kandidat kata kunci atau vertex yang digunakan pada penelitian
tersebut didapat dengan memanfaatkan metode Document Frequency Accessor
Variety (DF-AV) dikarenakan pada bahasa Cina pemfilteran menggunakan POStagging tidak menunjukkan hasil yang cukup baik.
Umumnya algoritma perankingan berbasis graf memiliki beberapa tahapan
(Mihalcea & Tarau, 2004) seperti berikut:

Universitas Sumatera Utara

13



Identifikasi satuan unit teks yang akan digunakan dan tambahkan setiap
katanya sebagai vertex dalam graf.



Identifikasi hubungan yang terbentuk untuk setiap unit teks untuk
menggambarkan edge dalam graf. Edge dapat berupa berarah atau tidak
berarah (directed or undirected) ,berbobot atau tidak berbobot (weighted or
unweighted).



Iterasi algoritma perankingan berbasis graf tersebut hingga konvergen
(Convergence). Konvergen didapatkan ketika rata-rata nilai error untuk setiap
vertex di dalam graf berada dibawah nilai threshold yang diberikan.



Urutkan vertex yang terbentuk berdasarkan skor bobot akhirnya. Gunakan nilai
skor bobot tiap kata tersebut sebagai urutan ranking.
Pada penelitiannya yang berkaitan dengan ekstraksi kata kunci, setiap vertex

didalam graf hanya berupa satu kata dan penentuan jumlah kata dengan bobot textrank
tertinggi yang akan menjadi kata kunci potensial tidak ditentukan secara statis
sehingga jumlahnya bisa ditentukan secara bebas yang dalam penerapannya jumlah
kata kunci potensial ditentukan sebanyak sepertiga dari jumlah teks didalam relasi
graf. Pada tahapan post-processing dari algoritma textrank, kata kunci satu kata akan
dibentuk menjadi multiword dengan melihat apakah kata-kata tersebut saling
berdekatan atau ber-adjacent didalam teks yang diolah.
2.5. Penelitian Terdahulu
Ekstraksi kata kunci selalu menjadi hal yang menarik untuk diteliti terutama dalam
menyelesaikan persoalan mengenai kata kunci yang terdiri dari beberapa kata
(multiword keyword). Banyak penelitian terdahulu telah mengembangkan beragam
metode dan mengolah beragam sumber data untuk diteliti dan dicari kata kuncinya.
Akurasi kata kunci yang dihasilkan oleh penelitian terdahulupun sudah mencapai
tingkat akurasi yang sangat baik terutama untuk artikel berbahasa Inggris.
Bhaskar et al.(2012) menggunakan pendekatan supervised seperti Conditional
Random Fields (CRF) yang menghasilkan nilai performansi untuk precision sebesar
32.34%, recall sebesar 33.09% dan F-measure sebesar 32.71%. Data yang digunakan
merupakan dokumen ilmiah berbahasa Inggris sejumlah 144 dokumen untuk data
training dan 100 dokumen untuk data testing.

Universitas Sumatera Utara

14

Ali et al.(2014) mencoba menggabungkan metode pembelajaran mesin
(machine learning) seperti halnya linear logistic regression, linear discriminant
analysis dan support vector machines serta metode statistikal hybrid untuk proses
ekstraksi keyphrase dokumen berbahasa Arab. Pada penelitian ini, terdapat 4 tahapan
penentuan kata kunci yaitu document preprocessing, noun phrase extraction,
candidate feature extraction, dan klasifikasi. Pada tahapan dari penentuan kandidat
frasa kunci hanya dikategorisasikan kedalam dua kategori yaitu kata benda dan frase
kata benda saja. Penelitian ini mencapai akurasi sebesar 88.31% menggunakan
algoritma SVM.
Figueroa et al.(2014) yang menggunakan HybridRank yaitu metode gabungan
TextRank dan KEA untuk ekstraksi frase kunci dari abstrak jurnal berbahasa Inggris.
Pada penelitian ini menggunakan koleksi dokumen dari IEEE Xplore sebanyak 1606
dokumen dan koleksi dokumen Hulth 2003 sebanyak 2000 dokumen yang didalamnya
mengandung bagian abstrak. Pada penelitiannya ini dapat menghasilkan daftar
keyphrase dengan kualitas terbaik untuk artikel pendek berupa abstrak tersebut.
Li et al.(2014) mencoba meningkatkan algoritma Textrank menggunakan
domain pengetahuan untuk artikel ilmiah bahasa Cina. Pada penelitiannya ini,
algoritma textrank dimodifikasi pada bagian preprocessingnya dimana pada
penentuan kandidat kata kuncinya menggunakan metode Document Frequency
Accessor Variety (DF-AV) karena menurutnya jika menggunakan POS tagging tidak
cukup akurat untuk diaplikasikan pada jurnal ilmiah bahasa Cina. Kemudian pada
penelitiannya ini digunakan pengetahuan terhadap kata kunci yang sudah dikenali
pada beberapa domain pengetahuan dengan menghitung panjang kata kunci,
komponen kata kuncinya, dan juga frekuensi tertinggi kata kunci untuk menggantikan
fungsi thesaurus seperti pada domain pengetahuan beberapa penelitian sebelumnya.
Akurasi yang didapatkan ternyata mampu lebih tinggi dari algoritma TF-IDF.
Farizi (2015) membuat sistem rekomendasi tag pada berita online berbahasa
Indonesia dengan menggunakan metode TF-IDF dan Collaborative Tagging yang
menghasilkan persentase relevansi tag sekitar 79,97% dan 80,6%. Penggunaan metode
TF-IDF dan collaborative tagging sangat bergantung pada berita-berita yang telah
dipublikasikan sebelumnya. Hasil Pengujian sistem menggunakan 9 berita masukan
dan 60 data berita yang terdiri dari 3 kategori berita yaitu ekonomi, nasional, dan
olahraga. Pada penelitian ini untuk deteksi frase yaitu dengan melihat apakah setiap

Universitas Sumatera Utara

15

kata yang menyusun frasa tersebut diawali dengan huruf kapital. Jika kata tersebut
tidak diawali oleh huruf kapital, maka kata tersebut dianggap sebagai kata biasa dan
bukan frase.
Paymard(2015)

menggunakan

metode

neural

network

untuk

menyelesaikan masalah ekstraksi frasa kunci dari dokumen berbahasa Persia secara
otomatis. Pada penelitian ini, Preprocessing yang dilakukan dengan menggunakan
metode neural network mampu maningkatkan akurasi ekstraksi diatas 80%. Salah satu
tahapan penting yang digunakan yaitu tahapan pembelajaran jaringan (network
learning) dengan memperhatikan parameter jumlah waktu pada network training.
Tahapan preprocessing yang ada pada penelitian ini menjadi tahapan yang harus lebih
diperhatikan karena akan meningkatkan akurasi kata kunci yang dihasilkan oleh
metode neural network.
Horita et al.(2016) melakukan penelitian untuk ekstraksi kata kunci untuk
proses wikifikasi dimana yang menjadi data sumbernya yaitu artikel di dalam web
wikipedia untuk dokumen berbahasa asia seperti halnya dokumen bahasa Jepang
dengan menggunakan metode Top Consecutive Nouns Cohesion (TCNC) untuk proses
ekstraksi kandidat kata kuncinya dan menggunakan Dice Coefficient atau
Keyphraseness untuk meranking kata kunci hasil ekstraksi. Wikifikasi merupakan
metode untuk ekstraksi kata kunci secara otomatis dari sebuah dokumen dan melinknya kedalam artikel wikipedia yang sesuai. Pada penelitian ini digunakan artikel
wikipedia bahasa Jepang dimana jumlah data ujinya yaitu 296 link teks.
Penelitian terdahulu yang telah dijelaskan diatas akan diuraikan secara singkat pada
Tabel 2.2 berikut:
Tabel 2.2 Penelitian Terdahulu
No.
1.

Peneliti
Pinaki Bhaskar,
Kishorjit
Nongmeikapam &
Sivaji Bandyopadhyay

Tahun
2012

Metode
Keterangan
Conditional Random  Data yang digunakan
Fields (CRF)
merupakan dokumen
ilmiah berbahasa
Inggris
 Membutuhkan
tahapan training data.
 Menerapkan ekstraksi
berdasarkan fitur
posisi kata

Universitas Sumatera Utara

16

Tabel 2.2 Penelitian Terdahulu (Lanjutan)
No

Peneliti

Tahun

Metode

Keterangan

2.

Nidaa Ghalib Ali &
Nazlia Omar

2014

Gabungan metode

statistikal (unsupervised
dan supervised) dan
pendekatan

pembelajaran mesin
(machine learning)
seperti linear logistic
regression,linear
discriminant analysis
dan support vector
machines.

Data yang diolah
adalah dokumen
berbahasa Arab
Kandidat frase/ kata
kunci yang dibentuk
hanya dikategorikan
dalam 2 jenis kelas
kata yaitu noun dan
noun phrase

3

Gerardo Figueroa &
Yi-Shin Chen

2014

Metode HybridRank
yaitu gabungan metode
TextRank dan KEA



Data berupa abstrak
jurnal berbahasa
Inggris
Menghasilkan daftar
kata kunci kualitas
tinggi untuk artikel
pendek.



4

5

Guangyi Li & Houfeng
Wang

Salman Al Farizi

2014

2015

Metode Textrank
menggunakan domain
pengetahuan
(pengetahuan terhadap
panjang kata
kunci,komponen kata
kunci, frekuensi kata
kunci)



Metode TF-IDF untuk
proses penghitungan
bobot dan collaborative
tagging untuk
mengukur persentase
kemiripan tag hasil
ekstraksi TF-IDF
dengan tag berita yang
telah dipublikasikan.









Data yang
digunakan yaitu
artikel ilmiah bahasa
Cina online
Menggunakan
metode DF-AV
untuk membentuk
kandidat katanya.
Hasil Pengujian
sistem
menggunakan data
berita berbahasa
Indonesia
Frase dibentuk
dengan melihat
apakah kata tersebut
diawali dengan
huruf kapital atau
tidak.
Akurasi yang
dihasilkan yaitu
79,9% untuk
relevansi tag
terhadap isi berita

Universitas Sumatera Utara

17

dan 80,6% untuk
relevansi rata-rata
menggunakan
collaborative
tagging.

Tabel 2.2 Penelitian Terdahulu (Lanjutan)
No

Peneliti

Tahun

Metode

Keterangan

6

Seyyede Fateme
Paymard

2015

Metode neural network





7

Kensuke Horita,
Fuminori Kimura &
Akira Maeda

2016

Metode Top

Consecutive Nouns
Cohesion(TCNC) untuk
ekstraksi kandidat kata
kunci dan untuk
meranking kata kunci
hasil ekstraksi

menggunakan Dice
coefficient atau
Keyphraseness.

Data yang
digunakan yaitu
artikel bahasa
Persia
Menggunakan
tahapan training
data
Pada penelitian ini
digunakan artikel
wikipedia bahasa
Jepang dimana
jumlah data ujinya
yaitu 296 link teks
TCNC dan
keyphraseness
menghasilkan
akurasi lebih tinggi
dibandingkan
TCNC dan Dice
coefficient.

Berdasarkan beberapa penelitian sebelumnya tersebut, maka pada penelitian
ini penulis memanfaatan algoritma textrank untuk diuji pada teks berbahasa Indonesia
dengan memodifikasi pada tahapan preprocessing-nya dimana pada tahapan ekstraksi
kandidat kata kuncinya akan menggunakan aturan multiword expression candidate.
Pada penelitian ini juga untuk setiap kata kunci yang diekstraksi kemudian akan
diperhitungkan komponen katanya yang akan dijalankan pada tahapan postprocessing. Diharapkan dengan menggunakan metode ini dapat menghasilkan
rekomendasi kata kunci untuk teks bahasa Indonesia dengan akurasi yang baik.

Universitas Sumatera Utara