Perpustakaan Digital ITB

Peringkasan teks otomatis umumnya dilakukan dengan pembangunan model tanpa optimasi. Optimasi pada sebuah model peringkasan teks otomatis dapat dilakukan dengan menggunakan reinforcement learning. Reinforcement learning merupakan teknik pembelajaran yang berdasarkan pada reward dari lingkungan. Pada peringkasan teks otomatis, nilai reward diperoleh dari perhitungan metriks kinerjanya, Recall-Oriented Understudy for Gisting Evaluation (ROUGE). Salah satu jenis reinforcement learning yang dapat digunakan adalah Actor Critic. Untuk menambahkan reinforcement learning pada peringkasan ekstraktif, model peringkasan ekstraktif ditambahkan modul reinforcement learning. Peringkasan teks otomatis dengan metode ekstraktif yang dibangun dengan menggunakan modul reinforcement learning memiliki nilai F1 terbaik untuk ROUGE-1, ROUGE-2, dan ROUGE-L sebesar 0,689; 0,619; dan 0.681. Dari tugas akhir ini, dapat disimpulkan bahwa reinforcement learning dapat meningkatkan kinerja peringkasan ekstraktif dengan selisih ROUGE sekitar 0.02. Model terbaik dari tugas akhir ini terdiri dari model konvolusional dengan 8 ukuran kernel, model Bi-LSTM (Bidirectional LSTM), dan Pointer Network, serta optimasi menggunakan reinforcement learning.