Topic Modeling Tugas Akhir Mahasiswa Menggunakan Metode Latent Dirichlet Allocation Dengan Gibbs Sampling
DOI:
https://doi.org/10.70309/ticom.v13i1.140Keywords:
Pemodelan Topik, Latent Dirichlet Allocation, Nilai CoherenceAbstract
Penyusunan tugas akhir adalah kewajiban bagi seluruh mahasiswa Universitas Budi Luhur di semester akhir untuk mendapatkan gelar sarjana. Salah satu langkah penting dalam persiapan ini adalah memilih topik penelitian yang tepat dan relevan. Untuk mendapatkan topik yang tepat, mahasiswa biasanya membaca laporan tugas akhir dari angkatan sebelumnya, baik di perpustakaan fisik maupun melalui situs web repositori kampus. Akan tetapi, situs ini belum memiliki fitur pengelompokan topik, sehingga mahasiswa harus membaca laporan satu per satu untuk menemukan topik yang sesuai dengan minat mereka. Penelitian ini mengusulkan penggunaan metode pemodelan topik, Latent Dirichlet Allocation (LDA) dengan Gibbs Sampling, untuk mengidentifikasi tren topik dalam laporan tugas akhir secara otomatis. LDA dengan Gibbs Sampling dipilih karena efektif dalam menemukan pola topik utama dalam teks yang tidak terstruktur. Hasil penelitian menunjukkan bahwa LDA dapat mengidentifikasi topik tersembunyi dengan nilai coherence 0,56 pada iterasi ke-6 dari 10 iterasi yang dijalankan. Topik yang ditemukan meliputi: Web Service, Internet of Things, Sistem Pakar, Sentimen Analisis, Data Mining, dan Kriptografi. Penelitian ini juga menunjukkan bahwa vektorisasi Bag of Words efektif dalam LDA, memberikan distribusi topik yang akurat dan membantu mahasiswa dalam menentukan topik penelitian yang relevan dan menarik. Dengan demikian, penggunaan LDA dapat menjadi solusi untuk mempermudah mahasiswa dalam memilih topik tugas akhir yang sesuai dengan minat dan kebutuhan akademis mereka
References
W. A. N. Sari and H. D. Purnomo, “Topic Modeling Using the Latent Dirichlet Allocation Method on Wikipedia Pandemic Covid-19 Data in Indonesia,” J. Tek. Inform., vol. 3, no. 5, pp. 1223–1230, 2022.
Y. Matira, Junaidi, and I. Setiawan, “Pemodelan Topik pada Judul Berita Online Detikcom Menggunakan Latent Dirichlet Allocation,” Estimasi J. Stat. Its Appl., vol. 4, no. 1, pp. 53–63, 2023.
M. Y. Febrianta, S. Widiyanesti, and S. R. Ramadhan, “Analisis Ulasan Indie Video Game Lokal pada Steam Menggunakan Analisis Sentimen dan Pemodelan Topik Berbasis Latent Dirichlet Allocation,” J. Animat. Games Stud., vol. 7, no. 2, pp. 117–144, 2021.
N. Novarian, S. Khomsah, and A. B. Arifa, “Topic Modeling Tugas Akhir Mahasiswa Fakultas Informatika Institut Teknologi Telkom Purwokerto Menggunakan Metode Latent Dirichlet Allocation Nathanael,” LEDGER J. Inform. Inf. Technol., vol. 2, no. 1, pp. 14–27, 2023.
D. Purwitasari, A. Muflichah, N. A. Hasanah, and A. Z. Arifin, “Pemodelan Topik dengan LDA untuk Temu Kembali Informasi dalam Rekomendasi Tugas Akhir,” J. RESTI (Rekayasa Sist. dan Teknol. Informasi), vol. 5, no. 3, pp. 421–428, 2021.
W. Qiu and Z. Pan, “Polarimetric Synthetic Aperture Radar Ship Potential Area Extraction Based on Neighborhood Semantic Differences of the Latent Dirichlet Allocation Bag-of-Words Topic Model,” Remote Sens., vol. 15, no. 23, pp. 1–26, 2023.
A. I. Alfanzar, Khalid, and I. S. Rozas, “Topic Modelling Skripsi Menggunakan Metode Latent,” JSiI (Jurnal Sist. Informasi), vol. 7, no. 1, pp. 7–13, 2020.
F. N. Hikmah, S. Basuki, and Y. Azhar, “Deteksi Topik Tentang Tokoh Publik Politik Menggunakan Latent Dirichlet Allocation (LDA),” J. Repos., vol. 2, no. 4, pp. 415–426, 2020.
U. T. Setijohatmo, S. Rachmat, T. Susilawati, Y. Rahman, and K. Kunci, “Analisis Metoda Latent Dirichlet Allocation untuk Klasifikasi Dokumen Laporan Tugas Akhir Berdasarkan Pemodelan Topik,” Pros. 11th Ind. Res. Work. Natl. Semin., vol. 11, no. 1, pp. 402–408, 2020.
N. A. Sanjaya ER, “Implementasi Latent Dirichlet Allocation (LDA) untuk Klasterisasi Cerita Berbahasa Bali,” J. Teknol. Inf. dan Ilmu Komput., vol. 8, no. 1, pp. 127–134, 2021.
E. P. Laksono, A. Basuki, and F. A. Bachtiar, “Optimasi Nilai K pada Algoritma KNN untuk Klasifikasi Spam dan Ham Email,” J. RESTI (Rekayasa Sist. dan Teknol. Informasi), vol. 4, no. 2, pp. 377–383, 2020.
M. Lestandy, A. Abdurrahim, and L. Syafa’ah, “Analisis Sentimen Tweet Vaksin COVID-19 Menggunakan Recurrent,” J. RESTI (Rekayasa Sist. dan Teknol. Informasi), vol. 5, no. 10, pp. 802–808, 2021.
M. U. Albab, Y. Karuniawati, and M. N. Fawaiq, “Optimization of the Stemming Technique on Text preprocessing President 3 Periods Topic,” J. Transform., vol. 20, no. 2, pp. 1–10, 2023.
S. S. Tandiapa and G. C. Rorimpandey, “Analisis Sentimen Ulasan Pengguna Pada Aplikasi Threads Dengan Metode Lexicon Based dan Naive Bayes Classifier,” J. Cahaya Mandalika, vol. 3, no. 1, pp. 339–353, 2024.
S. Roiqoh, B. Zaman, and K. Kartono, “Analisis Sentimen Berbasis Aspek Ulasan Aplikasi Mobile JKN dengan Lexicon Based dan Naïve Bayes,” J. Media Inform. Budidarma, vol. 7, no. 3, pp. 1582–1592, 2023.
M. B. Mutanga and A. Abayomi, “Tweeting on COVID-19 pandemic in South Africa: LDA-based topic modelling approach,” African J. Sci. Technol. Innov. Dev., vol. 14, no. 1, pp. 163–172, 2020.
Downloads
Published
How to Cite
Issue
Section
License
CC BY-SA 4.0
Creative Commons Attribution-ShareAlike 4.0 International
This license requires that reusers give credit to the creator. It allows reusers to distribute, remix, adapt, and build upon the material in any medium or format, even for commercial purposes. If others remix, adapt, or build upon the material, they must license the modified material under identical terms.
BY: Credit must be given to you, the creator.
SA: Adaptations must be shared under the same terms.ng
