Contoh Membuat Ringkasan Artikel Dengan OpenAI Client dengan bahasa Python

LLM (Large Language Model) dapat dipakai untuk membuat ringkasan suatu teks. Proses pekerjaan tersebut dapat dilakukan secara interaktif maupun secara otomatis menggunakan script. Pada tulisan ini diuraikan cara membuat program untuk membuat ringkasan artikel secara otomatis dengan menggunakan bahasa pemrograman Python dan model LLM menggunakan aplikasi LM Studio.

Spesifikasi sistem yang dibuat:

  • LLM dijalankan di komputer lokal berbasis Windows
  • Akselerator menggunakan GPU tipe RTX 3090
  • Client menggunakan bahasa Python

Berikut ini tahap pekerjaannya:

  • Persiapan Server, meliputi Install LM Studio, Download model LLM yang di LM Studio dan Aktifkan API server di LM Studio
  • Persiapan Client, meliputi Install Python (jika belum), Install library OpenAI di Python, dan Buat script python untuk akses API di LM Studio

LLM dapat menggunakan aplikasi online / cloud, dapat juga menggunakan LLM yang dijalankan sendiri di komputer lokal. Ada beberapa cara untuk menjalankan LLM sendiri, di antaranya: GPT4All, LM Studio, Jan, llama.cpp, llamafile, Ollama, and NextChat.

Persiapan Server

Instalasi LM Studio

LM Studio diunduh dari situs LM Studio. Pada waktu tulisan ini dibuat, versi terbaru LM Studio adalah 0.3.14

Download Model

Pilih model yang ingin dijalankan . Pada contoh ini menggunakan Gemma-3-27B dari Google.

Supaya yakin, bisa juga model LLM ini ditest di antar muka chat interaktif pada LM Studio.

API Server pada LM Studio secara default hanya dapat diakses dari komputer itu sendiri. Untuk dapat diakses dari komputer lain di jaringan, maka perlu mengaktifkan opsi “Serve on Local Network”

Setelah “Server on Local Network” diaktifkan, maka akan muncul alamat untuk mengakses API tersebut. Pada contoh ini, alamat akses API adalah http://192.168.0.203:1234 , artinya alamat IP 192.168.0.203 dengan nomor port 1234. Alamat IP adalah bawaan dari komputer yang menjalankan LM Studio, sedangkan nomor port dapat diubah-ubah di menu “Setting” tersebut. Default port adalah 1234.

Persiapan Client

Setelah siap, maka tahap selanjutnya adalah mengakses API tersebut dari client.

Contoh kode untuk mengakses LM Studio API dengan bahasa Python

import os
from openai import OpenAI

# Replace with your actual OpenAI API key
#os.environ["OPENAI_API_KEY"] = "YOUR_API_KEY"
client = OpenAI(base_url="http://localhost:1234/v1", api_key="lm-studio")

def get_summary(text):
  """Generates a summary of the given text using OpenAI."""
  response = client.chat.completions.create(
      model="gemma-3-27b-it",  # Choose the desired model
      messages=[
          {"role": "system", "content": "You are a helpful assistant that summarizes text."},
          {"role": "user", "content": f"Summarize the following text in Indonesian language:\n{text}"},
      ],
  )
  return response.choices[0].message.content

# Example usage:
text_to_summarize = """
Ketua PSSI Erick Thohir Minta Undian Liga 4 Diulang karena Tidak Transparan
Ketua Umum PSSI Erick Thohir menyampaikan keprihatinannya atas kejadian tersebut dan menekankan pentingnya integritas dalam kompetisi.
TEMPO.CO, Jakarta - Persatuan Sepak Bola Seluruh Indonesia (PSSI) menyoroti pelaksanaan undian atau drawing kompetisi Liga 4. Federasi menilai pengundian berlangsung secara tidak profesional dan tidak transparan.

Ketua Umum PSSI Erick Thohir menyampaikan keprihatinannya atas kejadian tersebut dan menekankan pentingnya integritas dalam setiap pelaksanaan kompetisi di semua level. “Kami menyesalkan pelaksanaan drawing Liga 4 yang berlangsung secara tidak profesional dan tidak transparan. Jangan pernah main-main dengan kompetisi Liga," ucap Erick Thohir dalam pernyataan resminya di Jakarta, Jumat.

PSSI menilai kejadian ini mencederai semangat fair play serta merusak kepercayaan terhadap sistem kompetisi sepak bola nasional. Erick meminta agar drawing ulang dilakukan demi menjunjung asas keadilan, transparansi, dan integritas kompetisi sepak bola Indonesia. "Kami mendesak agar dilakukan drawing ulang dengan prosedur yang jelas, adil, dan melibatkan semua pihak terkait,” ucap dia.


PSSI mengingatkan bahwa setiap jenjang kompetisi, termasuk Liga 4, merupakan bagian penting dari ekosistem sepak bola Indonesia yang sedang dibangun secara menyeluruh dan berkelanjutan. Proses dan tata kelola kompetisi harus dijaga dengan penuh tanggung jawab agar cita-cita menuju sepak bola Indonesia yang profesional dan berprestasi bisa tercapai. "PSSI juga akan melakukan evaluasi menyeluruh terhadap pihak penyelenggara drawing Liga 4 dan memastikan bahwa kejadian serupa tidak terulang kembali."

Undian Liga 4 viral setelah diduga ada yang janggal pada saat pengundian. Petugas pengundi tidak dengan jelas memperlihatkan kertasnya ke kamera.  Alih-alih membuka secara transparan, dia malah melakukannya di balik meja. Kertas yang biasanya terlipat karena berasal dari dalam bola, juga tampak lurus tanpa cela.

Kejanggalan ini mendapat sorotan luas dari berbagai kalangan, terutama suporter di media sosial. Mereka pun ramai-ramai mengecam. Banyak yang menilai undian tersebut tidak fair karena kemungkinan kertas hasil undian ditukar saat tertutup meja. Video pengundian itu menjadi sorotan di media sosial pada Jumat 11 April 2025.

SKOR.ID | ANTARA
"""

summary = get_summary(text_to_summarize)
print(summary)


Contoh outputnya adalah sebagai berikut:
Berikut ringkasan teks dalam Bahasa Indonesia:

**Erick Thohir, Ketua PSSI, meminta undian (drawing) Liga 4 diulang karena dianggap tidak transparan dan profesional.** PSSI menyoroti kejanggalan dalam proses pengundian, seperti petugas yang tidak memperlihatkan kertas undian dengan jelas dan dugaan adanya pertukaran kertas saat tertutup meja.

Erick Thohir menekankan pentingnya integritas, keadilan, dan transparansi dalam seluruh kompetisi sepak bola Indonesia. PSSI akan melakukan evaluasi terhadap penyelenggara drawing Liga 4 agar kejadian serupa tidak terulang kembali.  Undian yang dinilai janggal ini menuai kecaman dari berbagai pihak, terutama suporter di media sosial. Tujuan utama PSSI adalah membangun ekosistem sepak bola Indonesia yang profesional dan berprestasi.

Mengurangi Kemacetan dan Meningkatkan Efisiensi Lalu Lintas dengan Reinforcement Learning

100-an mobil dikendalikan dengan algoritma AI berbasis RL untuk meningkatkan efisiensi dan mengurangi kemacetan.

Artikel Populer: Scaling Up Reinforcement Learning for Traffic Smoothing: A 100-AV Highway Deployment

Literatur paper: Reinforcement Learning-Based Oscillation Dampening: Scaling Up Single-Agent Reinforcement Learning Algorithms to a 100-Autonomous-Vehicle Highway Field Operational Test

Bahan Wajan

Ada beberapa bahan yang biasa dipakai untuk membuat alat masak, yaitu:

  • Stainless steel (baja tahan karat)
  • Gelas
  • Besi cor
  • Teflon
  • Aluminium
  • Tembaga
  • Keramik

Stainless steel kualitasnya sangat baik. Panas dari kompor mudah menyebar merata. Dapat dipakai untuk berbagai macam cara. Tidak lengket jika sudah di’seasoning’. Perawatan mudah. Material dari wajan relatif tidak masuk ke makanan, kecuali chromium yang bisa bereaksi dengan makanan kalau dipakai memasak yang asam.

Wajan besi ada yang menggunakan besi saja, ada yang dilapis enamel. Besi bereaksi jika dipakai memasak makanan yang mengandung asam. Besi dari wajan dapat masuk ke makanan.

Wajan enamel adalah wajan besi yang dilapis dengan enamel.

Gelas bagus, namun mudah pecah. Konduktivitas panas kurang bagus dibandingkan wajan logam.

Tembaga sangat mudah menghantar panas. Kelemahannya adalah tembaga cukup reaktif dengan makanan.

Keramik tidak lengket. Kurang baik untuk panas tinggi. Tidak reaktif. Namun kadang diberi lapisan anti lengket teflon.

Teflon berpotensi melepas mikroplastik ke alam

Aluminium bersifat racun.

Carbon steel: lebih mudah berkarat dibandingkan baja stainless steel

Titanium lebih kuat dari baja dan lebih ringan. Namun harganya mahal sekali.

How DeepSeek is so cheap

Q: How did DeepSeek get around export restrictions? A: They didn’t. They just tinkered around with their chips to make sure they handled memory as efficiently as possibly. They lucked out, and their perfectly optimized low-level code wasn’t actually held back by chip capacity.

Q: How did DeepSeek train so much more efficiently? A: They used the formulas below to “predict” which tokens the model would activate. Then, they only trained these tokens. They need 95% fewer GPUs than Meta because for each token, they only trained 5% of their parameters.

Q: How is DeepSeek’s inference so much cheaper? A: They compressed the KV cache. (This was a breakthrough they made a while ago.)

Q: How did they replicate o1? A: Reinforcement learning. Take complicated questions that can be easily verified (either math or code). Update the model if correct.

Reference: https://x.com/wordgrammer/status/1883712727073607859