Peringkasan Artikel Jurnal Teknologi Pertanian Menggunakan Bi-LSTM dan Ekstraksi Fitur Kunci

Abstract

Teknologi pertanian adalah bidang yang terus berkembang dan penting untuk mendukung ketahanan pangan dunia. Dalam era informasi saat ini, jumlah artikel jurnal tentang teknologi pertanian semakin meningkat dan menyulitkan para peneliti untuk memilih artikel yang relevan. Oleh karena itu, perlu dikembangkan metode peringkasan artikel jurnal teknologi pertanian yang dapat menghasilkan ringkasan secara otomatis, efektif dan efisien. Tujuan dari penelitian ini adalah untuk membuat model peringkasan teks ekstraktif dengan melakukan rekayasa fitur untuk mengekstrak informasi semantik dari teks asli itu sendiri. Penelitian ini menggunakan metode pemrosesan bahasa alami (NLP), yaitu Bi-directional Long Short-Term Memory (Bi-LSTM) untuk mendapatkan kalimat yang paling relevan untuk disajikan sebagai ringkasan dikombinasikan dengan Latent Semantic Analysis (LSA) sebagai metode pelabelan ringkasan. Data yang digunakan dalam penelitian ini adalah artikel jurnal teknologi pertanian yang berasal dari basis data Scopus. Metode pembobotan kalimat berhasil mengekstraksi ciri-ciri kunci dalam teks, mempertahankan aspek-informasi penting dan meningkatkan kemampuan sistem dalam merangkum konten dengan presisi semantik. Hasil evaluasi menunjukkan bahwa model yang dikembangkan mencapai tingkat akurasi 97,84% dan loss sebesar 0,0029. Melalui analisis word cloud terhadap hasil ringkasan model, disimpulkan bahwa penelitian pada paper-paper teknologi pertanian tersebut fokus pada mengeksplorasi inovasi dan pengembangan teknologi pertanian. Fokus utama mencakup pemahaman area tanam, hubungan dengan petani, aplikasi teknologi pada tanah dan pengairan, pengembangan sistem, dan penanganan masalah kekeringan di lapangan.

Agricultural technology is a continually evolving field that plays a crucial role in supporting global food security. In the current information era, the growing number of journal articles on agricultural technology poses a challenge for researchers in selecting relevant ones. Therefore, there is a need to develop a method for summarizing agricultural technology journal articles that can generate summaries automatically, effectively, and efficiently. This research aims to create an extractive text summarization model by engineering features to extract semantic information from the original text. This study utilizes Natural Language Processing (NLP) methods, specifically Bi-directional Long Short-Term Memory (Bi-LSTM) for extracting the most relevant sentences to serve as summaries, combined with Latent Semantic Analysis (LSA) as a summarization labeling method. The data used in this research are agricultural technology journal articles retrieved from the Scopus database. The sentence weighting method successfully extracts key features in the text, preserving important informational aspects and enhancing the system's ability to summarize content with semantic precision. The evaluation results indicate that the developed model achieves an accuracy rate of 97.84% and a loss of 0,0029. Through word cloud analysis of the model's summary results, it is concluded that research in agricultural technology papers focuses on exploring innovation and the development of agricultural technology. The primary focus includes understanding crop areas, farmer relationships, technology applications in soil and irrigation, system development, and addressing field drought issues.