English (United Kingdom)

https://curated-unify.zendy.io/wp-json/zendy-region/v1/featured_content/oa?rat=en

https://curated-unify.zendy.io/wp-json/zendy-region/v1/highlighted_journal/

Global: Zendy Plus annual

Presents the access of premium content as premium feature

Premium Content

Presents the keyphrase highlighting as premium feature

Keyphrase Highlighting

Presents the summarisation as premium feature

Summarisation

Insights

Presents the pdf analysis as premium feature

PDF Analysis

Presents the zaia usage as premium feature

ZAIA

Global: Zendy Tools annual

Global: Zendy Free Plan

Global: Zendy Tools monthly

Global: Zendy Plus monthly

Klasterisasi dokumen berdasarkan kemiripan topik memudahkan pencarian pada koleksi artikel ilmiah yang banyak dan pelabelan klaster diperlukan untuk memberikan gambaran topik bahasan dalam artikel. Beberapa kelompok dokumen yang masih memiliki kemiripan kontekstual atau topik bahasan perlu digabung untuk menghasilkan label klaster lebih baik. Relasi dari kata-kata dalam satu konteks dapat direpresentasikan sebagai model graf. Makalah ini mengusulkan pelabelan kelompok artikel ilmiah dengan kontribusi penggabungan klaster berbasis graf untuk memberikan label topik yang lebih representatif. Usulan metode diawali dari pengelompokan artikel ilmiah berdasarkan topik dengan K-Means ++. Kemudian, kandidat frasa kata dari kelompok dokumen hasil klasterisasi diekstraksi menggunakan adopsi algoritme Apriori yaitu Frequent Phrase Mining . Setiap klaster memiliki representasi graf dari kandidat frasa kata. Dari graf tersebut dihitung nilai indikator sebagai penanda adanya struktur node sama dengan Maximum Common Subgraph (MCS). Penggabungan klaster dilakukan jika terdapat kesamaan struktur graf representasi. Label topik bahasan adalah frasa kunci sebagai hasil ekstraksi dari graf klaster gabungan berdasarkan distribusi topik menggunakan algoritme TopicRank . Evaluasi usulan metode dilakukan berdasarkan koherensi topik label klaster yang dihasilkan. Hasil pengujian menunjukkan bahwa usulan metode dapat meningkatkan koherensi topik pada klaster hasil penggabungan dengan faktor yang memengaruhi, yaitu persentase ukuran graf MCS terhadap graf klaster. Pengamatan lebih lanjut menunjukkan bahwa terdapat konsistensi label klaster hasil penggabungan terhadap isi graf MCS.

Ekstraksi Frasa Kunci pada Penggabungan Klaster berdasarkan Maximum-Common-Subgraph