The outline of this paper is as fol

The outline of this paper is as follows: section 2 describes
the related work. Section 3 describes the methodology
of research. Section 4 describes the dataset and
shows the performance analysis of proposed approach.
Section 5 presents the conclusion and future work.
II. RELATED WORK
The aim of feature reduction is to speed up the time
processing of a system without decrease the accuracy.
Liu et al. [4] have compared document frequency (DF),
term contribution (TC), term variance (TV) and term
variance quality (TVQ) as unsupervised feature selection
on document clustering. No predefined label on document
clustering is the reason of using unsupervised feature
selection. The experiment shows that the unsupervised
feature selection can improve the accuracy of document
clustering.
Meng and Lin [5] used feature selection and Latent Semantic
Indexing (LSI) via Singular Vale Decomposition
(SVD) for text categorization. SVD as the second stage
of feature reduction is expected to discover the semantic
relationship among text in the collection of document.
Xiao-Yu et al. [6] have implemented automatic document
summarization on document classification. Automatic
document summarization is used to reduce the
dimensionality of vector space model and the complexity
of categorization. Experiment is carried out on several
news dataset. The result of the experiment shows the advantage
of automatic document summarization as feature
reduction in document classification.

Hasil (Bahasa Indonesia) 1:

Garis besar karya ini adalah sebagai berikut: Bab 2 menjelaskanpekerjaan yang terkait. Bab 3 menjelaskan metodologipenelitian. Bagian 4 menggambarkan dataset danmenunjukkan analisis kinerja pendekatan yang diusulkan.Bagian 5 menyajikan kesimpulan dan pekerjaan masa depan.II. TERKAIT KERJATujuan dari pengurangan fitur adalah untuk mempercepat waktupengolahan dari sebuah sistem tanpa penurunan akurasi.Liu et al. [4] telah membandingkan dokumen frekuensi (DF),Kontribusi jangka (TC), istilah varians (TV), dan istilahvarians kualitas (TVQ-nya) sebagai pilihan tanpa pengawasan fiturpada dokumen pengelompokan. Tidak ada standar label pada dokumenpengelompokan adalah alasan untuk menggunakan fitur tanpa pengawasanpilihan. Percobaan menunjukkan bahwa tanpa pengawasanpilihan fitur dapat meningkatkan akurasi dokumenpengelompokan.Meng dan Lin [5] yang digunakan pilihan fitur dan semantik latenPengindeksan (LSI) melalui dekomposisi tunggal Vale(SVD) untuk teks kategorisasi. SVD sebagai tahap keduaFitur pengurangan diharapkan untuk menemukan semantikhubungan antara teks dalam koleksi dokumen.Xiao-Yu et al. [6] telah menerapkan dokumen otomatissummarization klasifikasi dokumen. Otomatisdokumen summarization digunakan untuk mengurangidimensi ruang vector model dan kompleksitaskategorisasi. Percobaan dilakukan pada beberapadataset berita. Hasil percobaan menunjukkan keuntungandari summarization dokumen otomatis sebagai fiturpengurangan dalam klasifikasi dokumen.

Hasil (Bahasa Indonesia) 2:

Garis besar makalah ini adalah sebagai berikut: Bagian 2 menjelaskan
pekerjaan terkait. Bagian 3 menjelaskan metodologi
penelitian. Bagian 4 menjelaskan dataset dan
menunjukkan analisis kinerja pendekatan yang diusulkan.
Bagian 5 menyajikan kesimpulan dan pekerjaan di masa depan.
II. HUBUNGAN KERJA
Tujuan dari pengurangan fitur adalah untuk mempercepat waktu
pemrosesan sistem tanpa mengurangi akurasi.
Liu et al. Frekuensi [4] telah membandingkan dokumen (DF),
kontribusi jangka (TC), varians jangka (TV) dan jangka
kualitas varians (TVQ) sebagai pilihan fitur tanpa pengawasan
pada pengelompokan dokumen. Tidak ada label yang telah ditetapkan pada dokumen
pengelompokan adalah alasan menggunakan fitur tanpa pengawasan
seleksi. Percobaan menunjukkan bahwa tanpa pengawasan
seleksi fitur dapat meningkatkan akurasi dokumen
clustering.
Meng dan Lin [5] pilihan fitur yang digunakan dan Latent Semantic
Indexing (LSI) melalui Singular Vale Dekomposisi
(SVD) untuk teks kategorisasi. SVD sebagai tahap kedua
dari pengurangan fitur diharapkan untuk menemukan semantik
hubungan antara teks dalam koleksi dokumen.
Xiao-Yu et al. [6] telah menerapkan dokumen otomatis
summarization klasifikasi dokumen. Automatic
summarization dokumen digunakan untuk mengurangi
dimensi model ruang vektor dan kompleksitas
dari kategorisasi. Percobaan dilakukan pada beberapa
dataset berita. Hasil percobaan menunjukkan keuntungan
dokumen summarization otomatis sebagai fitur
pengurangan klasifikasi dokumen.