MODEL PERINGKASAN DOKUMEN RPM SMK MENGGUNAKAN TF-IDF UNTUK OPTIMALISASI SUPERVISI KURIKULUM

• SOFYAN
• 14000943

---

ABSTRAK

ABSTRAK

 

Nama : Sofyan

NIM : 14000943

Program Studi : Ilmu Komputer

Fakultas : Teknologi Informasi

Jenjang : Strata Dua (S2)

Peminatan : Management Information System

Judul Tesis : Model Peringkasan Dokumen RPM SMK Menggunakan TF-IDF Untuk Optimalisasi Supervisi Kurikulum

 

Penelitian ini mengembangkan Model Peringkasan Dokumen RPM SMK Berbasis TFIDF untuk mengatasi masalah inefisiensi waktu dan subjektivitas dalam supervise kurikulum. Model ekstraktif ini dirancang melalui tahapan preprocessing teks, pembobotan kata kunci dengan TF-IDF, dan pemeringkatan kalimat, dengan rasio kompresi 30%. Evaluasi kinerja menggunakan metrik ROUGE terhadap lima dokumen RPM menunjukkan hasil yang sangat memuaskan: rata-rata F1-Score ROUGE-1 mencapai 80,63%, ROUGE-2 72,35%, dan ROUGE-L 77,03%, melampaui target teknis yang ditetapkan. Temuan membuktikan model mampu menghasilkan ringkasan yang akurat dan representatif, sekaligus memberikan dampak praktis berupa penghematan waktu analisis hingga sekitar 70%, peningkatan objektivitas, serta focus yang lebih baik pada aspek pedagogis substantif, sehingga berkontribusi pada optimalisasi supervisi kurikulum di SMK.

Kata kunci: Peringkasan, TF-IDF, RPM SMK, Supervisi kurikulum, ROUGE

KATA KUNCI

Model Peringkasan,TF-IDF

---

DAFTAR PUSTAKA

DAFTAR PUSTAKA

 

[1] J. J. Sihombing, A. Arnita, S. I. Al Idrus, and D. Y. Niska, “Implementation of text summarization on indonesian scientific articles using textrank algorithm with TF-IDF web-based,” J. Soft Comput. Explor., vol. 5, no. 3, pp. 310–319, 2024, doi: 10.52465/joscex.v5i3.475.

[2] G. C. Megharaj and M. V. Jituri, “T FIDF Model b ased Text Summerization,” vol. 10, no. 12, pp. 74–76, 2022.

[3] V. I. Lim, F. Fitria, and M. Hafid, “Implementasi Text Summarization pada Ulasan Aplikasi Mobile JKN Menggunakan TF-IDF dan Cosine Similarity,” Konvergensi, vol. 21, no. 1, pp. 9–17, 2025, doi: 10.30996/konv.v21i1.12196.

[4] O. I. Gifari, M. Adha, F. Freddy, and F. F. S. Durrand, “Analisis Sentimen Review Film Menggunakan TF-IDF dan Support Vector Machine,” J. Inf. Technol., vol. 2, no. 1, pp. 36–40, 2022, doi: 10.46229/jifotech.v2i1.330.

[5] M. C. Rupa and K. Ramani, “Hybrid Approaches for Advanced Medical Text Summarization: Combining TF-IDF, BERT, and Seq2Seq Models,” Adv. Sustain. Sci. Eng. Technol., vol. 7, no. 3, pp. 1–10, 2025, doi: 10.26877/reh2an46.

[6] P. Jawab and H. Santosa, “Direktorat Jenderal Guru dan Tenaga Kependidikan Tentang BAHAN AJAR PENGANTAR SUPERVISI AKADEMIK”, [Online]. Available: https://gtk.kemdikbud.go.id/kemitraan/front/img/unduhan/Pengantar_Supervis i_Akademik.pdf

[7] A. Bahari and K. E. Dewi, “KOMPUTA?: Jurnal Ilmiah Komputer dan Informatika MENGGUNAKAN TRANSFORMER PADA TEKS BAHASA INDONESIA KOMPUTA?: Jurnal Ilmiah Komputer dan Informatika,” vol. 13, no. 1, 2024.

[8] Y. Maulidia Sari and N. Siti Fatonah, “JEPIN (Jurnal Edukasi dan Penelitian Informatika) Peringkasan Teks Otomatis pada Modul Pembelajaran Berbahasa Indonesia Menggunakan Metode Cross Latent Semantic Analysis (CLSA),” J. Edukasi dan Penelit. Inform., vol. 7, no. 2, pp. 153–159, 2021, [Online]. Available: www.kompas.com.

[9] D. Fitrianah and R. N. Jauhari, “Extractive text summarization for scientific 47 Program Studi Ilmu Komputer (S2) FTI Universitas Nusa Mandiri journal articles using long short-term memory and gated recurrent units,” Bull. Electr. Eng. Informatics, vol. 11, no. 1, pp. 150–157, 2022, doi: 10.11591/eei.v11i1.3278.

[10] A. Sentimen, M. Terhadap, U. U. Cipta, P. Media, and S. Twitter, “Swadharma (jris),” vol. 02, no. 01, 2022.

[11] M. F. A. Saputra, B. S. Rintyarna, and W. Suharso, “Peringkasan Teks Otomatis Pada Jurnal Berbahasa Indonesia Dengan Metode Term Frequency-Inverse Document Frequency ( TF-IDF ) Automatic Text Summarization in Indonesian Language Journals Using the Term Frequency-Inverse Document Frequency ( TF-IDF ) Method,” vol. 1, no. 1, pp. 1–8, 2022.

[12] D. Jena, “Summarization of Document using Feature Selection Method?: TFIDF,” pp. 27–32, 2023. [13] A. Prasetya and F. Kurniawan, “A survey of text summarization?: Techniques , evaluation and challenges,” Nat. Lang. Process. J., vol. 7, no. March, p. 100070, 2024, doi: 10.1016/j.nlp.2024.100070. [14] G. N. H, R. Siautama, A. C. I. A, and D. Suhartono, “Extractive Hotel Review Summarization based on TF / IDF and Adjective-Noun Pairing by Considering Annual Sentiment Trends,” Procedia Comput. Sci., vol. 179, no. 2020, pp. 558– 565, 2021, doi: 10.1016/j.procs.2021.01.040.

[15] I. M. Widiartha, R. Sari, D. Made, N. Putra, and L. Gede, “Multi-Document Summarization Using Tuna Swarm Optimization and Markov Clustering,” vol. 9, no. July, pp. 1563–1570, 2025.

[16] D. Metode, S. Vector, and M. Svm, “Inti nusa mandiri,” vol. 19, no. 2, pp. 325– 332, 2025.

[17] S. Kadagadkai, M. Patil, A. Nagathan, A. Harish, and A. Mv, “Summarization tool for multimedia data,” vol. 3, no. April, pp. 2–7, 2022, doi: 10.1016/j.gltp.2022.04.001.

[18] S. Pawar, H. M. Gururaj, and N. N. Chiplunar, “ScienceDirect ScienceDirect Text Summarization Using Document and Sentence Clustering Text Summarization Using Document and Sentence Clustering Method Method,” Procedia Comput. Sci., vol. 215, pp. 361–369, 2022, doi: 10.1016/j.procs.2022.12.038.