Nama : Sulisetyo Puji Widodo Program Studi : Magister Ilmu Komputer Judul : Table-to-text generation dengan penalaran numerik meng- gunakan pendekatan Graph2Seq dan R2RML Pembimbing : Adila Alfa Krisnadhi, S.Kom., M.Sc., Ph.D. Tabel merupakan bentuk menyajian data yang memiliki format ringkas, mudah dibaca, dan mudah diproses. Namun tabel tidak dapat menjelaskan datanya sendiri. Oleh karena itu, menginterpretasikan data pada tabel menjadi narasi merupakan hal yang penting untuk dilakukan. Namun selain itu ada kebutuhan menghasilkan narasi yang lebih analitik yang umumnya dibuat oleh manusia dari hasil penalaran numerik dengan cara membandingkan dan menyimpulkan data dari tabel. Pada banyak domain, table-to-text generation (T2XG) telah menunjukkan hasil yang baik dalam menghasilkan teks deskriptif daritabel. Sequence-to-sequence (Seq2Seq) menjadi struktur encoder-decoder yang paling banyak digunakan dalam menghasilkan narasi dari tabel. Seq2Seq memerlukan input berupa rangkaian teks sehingga tabel perlu dilinearisasi mengikuti format tertentu agar dapat diproses pada model. Namun linearisasi langsung dari tabel akan menghilangkan informasi struktural dan dapat mengalami masalah halusinasi sehingga narasi yang di- hasilkan tidak selaras dengan data pada tabel. Selain Seq2Seq, terdapat struktur encoder- decoder lain yaitu graph-to-sequence (Graph2Seq) yang memanfaatkan graph encoder seperti graph neural network (GNN) atau graph convolutional network (GCN) sebagai encoder. Pada beberapa penelitian Graph2Seq mampu mengungguli Seq2Seq karena graph encoder lebih baik dalam menangkap informasi penting pada data. Namun belum ada penelitian yang menerapkan Graph2Seq pada T2XG padahal pada dasarnya tabel mengandung informasi terstruktur yang dapat dipresentasikan dengan graf. Penelitian ini bermaksud untuk menerapkan Graph2Seq sebagai basis komponen utama untuk menyele-saikan masalah T2XG. Ide intuitifnya adalah struktur pada tabel direpresentasikan dahulu sebagai graf yang kemudian disematkan ke ruang vektor menggunakan graph encoder. Vektor tersebut kemudian diteruskan pada decoder berbasis sequence untuk menghasilkan teks. Karena belum ada penelitian yang menggunakan Graph2Seq pada T2XG, maka penelitian ini memulai dengan GCN-RNN, GGNN-RNN, dan Graphsage-RNN. Kata kunci: table-to-text generation, penalaran numerik, graph, graph neural network, graph convo-lutional network, recurrent neural network