ABSTRACTIVE TEXT SUMMARIZATION PADA BERITA WEBSITE MEDIA CENTER PALANGKA RAYA MENGGUNAKAN TRANSFORMER MODEL

Perkembangan Deep Learning dalam bidang Natural Language Processing (NLP) memungkinkan peringkasan teks berita secara otomatis. Pendekatan abstraktif berbasis arsitektur Transformer terbukti lebih efektif dibandingkan metode RNN dan LSTM dalam menangkap konteks global teks, salah satunya melalui model IndoBART yang dirancang khusus untuk bahasa Indonesia. Kebutuhan akan penyajian informasi yang ringkas semakin penting pada website Media Center Palangka Raya yang memuat berita resmi pemerintah daerah dalam jumlah besar, sehingga penelitian ini memanfaatkan tambahan dataset dari Detik.com dan Multi media center untuk meningkatkan kemampuan generalisasi model.
Penelitian ini bertujuan menerapkan model Transformer IndoBART untuk abstractive text summarization pada berita Media Center Palangka Raya, Detik.com, dan Multi Media Center (MMC). Data dikumpulkan dari sekitar 6.000 URL berita dan melalui preprocessing diperoleh 5.678 data bersih, yang selanjutnya disertai gold summary serta dibagi menjadi data latih, validasi, dan uji. Model kemudian dilakukan fine-tuning dan dievaluasi menggunakan metrik ROUGE.
Hasil penelitian menunjukkan bahwa model IndoBART mampu menghasilkan ringkasan berita yang informatif dengan performa yang baik berdasarkan evaluasi ROUGE, dengan nilai ROUGE-1 sebesar 41,85 yang mencerminkan kemampuan model menangkap kata-kata penting dari ringkasan referensi, ROUGE-2 sebesar 17,92 yang menunjukkan koherensi pasangan kata dan struktur kalimat, serta ROUGE-L dan ROUGE-Lsum sekitar 29,96 yang menandakan kesesuaian alur dan struktur ringkasan dengan ringkasan manual. Selain itu, sistem berbasis web menggunakan Streamlit berhasil memfasilitasi proses peringkasan berita secara otomatis, sehingga IndoBART terbukti efektif untuk abstractive text summarization pada berita pemerintahan dan lokal berbahasa Indonesia.