Deteksi Topik Tentang Tokoh Publik Politik Menggunakan Latent Dirichlet Allocation (LDA)

Main Article Content

Faizun Nuril Hikmah
Setio Basuki
Yufis Azhar

Abstract

Twitter merupakan salah satu Social Networking yang memperbolehkan pengguna untuk mengirim dan membaca sebanyak 140 karakter. Berdasarkan survey sekitar 500 juta tweet tiap harinya yang dikirim melalui twitter. Data-data tersebut dapat berupa opini-opini publik mengenai politik, tokoh publik, makanan, dan lain sebagainya. Data tersebut akan diolah dengan teknik Topic Detection untuk menghasilkan suatu topik yang sedang marak dibicarakan masyarakat tentang tokoh publik politik. Permasalahan dalam penulisan ini yaitu, bagaimana mengekstraksi suatu tweet tentang tokoh publik politik dari pengguna Twitter. Data tweet yang diambil tentang tokoh publik politik diantaranya yaitu mengenai Joko Widodo, Basuki Tjahaja Purnama (Ahok), Anies Baswedan, Sandiaga Uno, dan Habib Rizieq Shihab. Dengan adanya data atau tweet tentang tokoh publik politik dapat diolah menggunakan metode Agglomerative untuk mengcluster tiap data yang akan digunakan sebagai topik acuan, LDA (Latent Dirichlet Allocation) yang akan berfungsi sebagai pemodelan topik dari tweet-tweet yang telah tercluster, serta TF-IDF untuk mengetahui tweet mana saja yang mengandung kata-kata dalam LDA yang akan dijadikan sebagai topik acuan. Sehingga akan menghasilkan deteksi topik yang relevan berdasarkan tweet mengenai tokoh publik politik.

Downloads

Download data is not yet available.

Article Details

How to Cite
[1]
F. N. Hikmah, S. Basuki, and Y. Azhar, “Deteksi Topik Tentang Tokoh Publik Politik Menggunakan Latent Dirichlet Allocation (LDA)”, JR, vol. 2, no. 4, Jan. 2024.
Section
Articles

References

Jain AP. Sentiments Analysis Of Twitter Data Using Data Mining. 2015;807–10.

Alashri S, Ravi R, Smith KL, Desouza KC. An Analysis of Sentiments on Facebook during the 2016 U.S. Presidential Election. 2016;795–802.

Tembhurnikar SD, Patil NN. Topic Detection using BNgram Method and Sentiment Analysis on Twitter Dataset. 2015;

Alfina T, Santosa B, Barakbah R. Analisa Perbandingan Metode Hierarchical Clustering , K-means dan Gabungan Keduanya dalam Cluster Data ( Studi kasus : Problem Kerja Praktek Jurusan Teknik Industri ITS ). 2012;1.

Februariyanti H. Klastering Dokumen Menggunakan Hierarchical Agglomerative Clustering. 2009;

PTIIK-UB. Pengenalan Pola Hierarchical Clustering. 2014;

Agustina A. Analisis dan Visualisasi Suara Pelanggan Pada Pusat Layanan Pelanggan Dengan Pemodelan Topik Menggunakan Latent Dirichlet Allocation (LDA) Studi Kasus: PT. PETROKIMIA GRESIK. 2017;

Putung KD, Lumenta A, Jacobus A, Informatika T, Sam U, Manado R. PENERAPAN SISTEM TEMU KEMBALI INFORMASI PADA KUMPULAN DOKUMEN SKRIPSI. 2016;8(1).

Kurniawan AA. Implementasi Algoritma Agglomerative Hierarchical Clustering Untuk Mengelompokkan Capaian Belajar Siswa SD. 2017;

Hansen J V. Inside Latent Dirichlet Allocation : An Empirical Exploration Inside Latent Dirichlet Allocation : An Empirical Exploration.

Most read articles by the same author(s)

<< < 1 2 3 4 5 6 7 > >>