Topic Modelling Skripsi Menggunakan Metode Latent Diriclhet Allocation

Abstract

Surabaya (UINSA) telah ditemukan permasalahan bahwa belum ada yang melakukan clustering pada topik skripsi mahasiswa. Clustering tersebut digunakan dalam topic modelling untuk melihat tren dan kesuaian minat pada Program Studi Sastra Inggris UINSA. Metode Latent Dirichlet Allocation (LDA) merupakan salah satu metode topic modelling yang paling populer saat ini. Dalam penelitian ini mengambil sejumlah 584 abstact skirpsi dalam bahasa inggris sebagai dataset. Penggunaan dataset berbahasa inggris dikarenakan pada preprocessing data yang tersedia standartnya baru untuk bahasa inggris. Setelah melewati proses tersebut, setiap kata yang muncul akan dihitung menggunakan metode Bag of Word. Metode LDA mengklusterkan dengan menglihat jumlah kemunculan kata pada Bag of Word, kemudian menentukan jumlah cluster atau jumlah topik dan menentukan jumlah iterasi. LDA menandai setiap kata pada topik secara semi random distribution kemudian menghitung probabilitas topik pada dokumen dan menghitung probabilitas kata pada topik setiap iterasinya. Penelitian ini melakukan percobaan pemodelan topik sebanyak 5 kali uji iterasi dan jumlah topik yang berbeda. Berdasarkan percobaan tersebut telah didapatkan hasil kemudian dianalisis bahwa 3 adalah jumlah topik yang paling fit. Hasil tersebut diujikan secara kualitatif kepada pihak stakeholder Program Studi Sastra Inggris UINSA, dan dinyatakan sesuai dengan tren serta minat pada Program Studi Sastra Inggris UINSA.

Analisis Topik Modelling Terhadap Penggunaan Sosial Media Twitter oleh Pejabat Negara

“…Nilai jumlah kemunculan tersebut yang dijadikan untuk pemprosesan topik modelling. Bag of word dapat mempresentasikan setiap dokumen melalui pengabaian urutan kata-kata dalam dokumen dan struktur sintaksis dari dokumen serta kalimat [13].…”

Analisis Sentimen dan Pemodelan Topik Untuk Mengidentifikasi Topik Pandemi Covid-19 Pada Media Sosial Twitter menggunakan Naïve Bayes Classifier dan Latent Dirichleat Allocation

“…Pemodelan topik merupakan pengelompokan data teks berdasarkan suatu topik tertentu. Salah satu metode dalam pemodelan topik adalah latent dirichlet allocation (LDA) [5]. Metode ini merupakan unsupervised learning aatau tidak membutuhkan data berlabel.…”

“…Hasil pengujian penelitian ini 94,1% mengatakan sangat baik [9]. Penelitian terkait LDA oleh [5] pada data abstrak skripsi dipersiapkan melalui tahap preprocessing untuk mempermudah dalam topic modelling. Hasil dari preprocessing kemudian dihitung jumlah kemunculan setiap kata dengan model bag of words.…”

“…Untuk setiap dokumen dalam koleksi, algoritma LDA mengambil topik berdasarkan distribusi katakata multinomial dalam dokumen. Kemudian topik tersebut digunakan untuk menghasilkan kata itu sendiri berdasarkan distribusi multinomial topik dan mengulangi dua langkah ini untuk semua kata dalam dokumen [5]. Pada sampel sentimen yang diklasifikasi dengan NBC, sebuah tweet yang belum diketahui sentimennya, yakni kalimat "vaksin berhasil sembuh".…”

Analisis Topik Tagar Covidindonesia pada Instagram Menggunakan Latent Dirichlet Allocation

“…Berdasarkan uraian di atas, penelitian ini menawarkan solusi untuk melakukan analisis topic modelling terhadap topik covid-19 yang dibicarakan di Instagram. Topic modelling merupakan metode non-hierarchical clustering yang secara otomatis mengklusterkan ke dalam topik yang muncul dari pemodelan sehingga didapatkan topik cluster yang sesuai (Alfanzar et al, 2020). Penelitian ini akan mengambil data dari Instagram dengan menggunakan hashtag covidindonesia.…”