Implementasi Algoritma Topic Modeling pada Abstrak Paper Ilmiah untuk Deteksi Tren Topik Penelitian
Article Sidebar
Main Article Content
Abstract
Memahami perkembangan dan fokus penelitian dalam bidang bahasa serta evaluasi sumber daya bahasa sangat penting untuk mendukung penelitian lebih lanjut. Penelitian ini bertujuan untuk mendeteksi tren topik penelitian menggunakan algoritma Topic Modeling pada abstrak paper ilmiah. Metode yang diterapkan adalah Latent Dirichlet Allocation (LDA), yang memungkinkan identifikasi topik secara otomatis dari kumpulan dokumen. Proses penelitian melibatkan beberapa tahap, termasuk pengumpulan data, preprocessing, pembobotan topik, dan analisis hasil model LDA. Model LDA kemudian digunakan untuk mengelompokkan data menjadi beberapa topik yang dominan. Hasil penelitian menunjukkan bahwa metode LDA efektif dalam mengidentifikasi tren topik penelitian. Pada model LDA dengan 3 topik, mencerminkan seberapa rumitnya proses pengolahan bahasa alami, dari sisi teknis hingga upaya pengembangan sumber daya dan penelitian linguistik. Sedangkan pada model LDA dengan 5 topik, memberikan gambaran tentang analisis teks dan bahasa. Penelitian ini diharapkan dapat memberikan kontribusi dalam bidang analisis teks dan pemodelan topik, serta mendukung peneliti dalam mengidentifikasi tren terbaru dalam literatur ilmiah.
Downloads
Article Details
This work is licensed under a Creative Commons Attribution-NonCommercial-NoDerivatives 4.0 International License.
References
M. K. M. Nasution, “Abstrak: Suatu karya ilmiah,” Researchgate, no. December, hal. 1–4, 2017, doi: 10.13140/RG.2.2.14333.26086.r
E. L. NAPITUPULU, “Kualitas Publikasi Ilmiah Internasional Indonesia Terus Didongkrak,” kompas.id, 2022, [Daring]. Tersedia pada: https://www.kompas.id/baca/humaniora/2022/11/17/publikasi-ilmiah-internasional-indonesia-terus-didongkrak
A. I. Alfanzar dan I. S. Rozas, “Topic Modelling Skripsi Menggunakan Metode Latent,” JSiI (Jurnal Sist. Informasi), vol. 7, no. 1, hal. 7–13, 2020.
N. A. S. ER, “lmplementasi Latent Dirichlet Allocation (LDA) untuk Klasterisasi Cerita Berbahasa Bali,” J. Teknol. Inf. dan Ilmu Komput., vol. 8, no. 1, hal. 127–134, 2021, doi: 10.25126/jtiik.202183556.
M. R. Fahlevvi dan A. SN, “Topic Modeling on Online News.Portal Using Latent Dirichlet Allocation (LDA),” IJCCS (Indonesian J. Comput. Cybern. Syst., vol. 16, no. 4, hal. 335, 2022, doi: 10.22146/ijccs.74383.
J. W. Fernanda, I. Agama, I. Negeri, dan I. Kediri, “PEMODELAN PERSEPSI PEMBELAJARAN ONLINE MENGGUNAKAN LATENT DIRICHLET ALLOCATION,” vol. 9, no. 2, 2021.
T. Informatika dan U. A. Yogyakarta, “Pengamatan tren ulasan hotel menggunakan pemodelan topik berbasis latent dirichlet allocation,” vol. 6, no. 2, hal. 169–175, 2022.
R. Sistem, “JURNAL RESTI Sentiment Analysis of Public Opinion Related to Rapid Test Using LDA,” no. 10, hal. 672–679, 2021.
I. Z. Rakhmat Kurniawan R, “Penerapan Text Mining Pada Sistem Penyeleksian Judul Skripsi Menggunakan Algoritma Latent Dirichlet Allocation (LDA),” vol. 11, hal. 1036, 2022, [Daring]. Tersedia pada: http://ijcs.stmikindonesia.ac.id/ijcs/index.php/ijcs/article/view/3120/84
Y. Sahria dan D. Hatta Fudholi, “Analisis Topik Penelitian Kesehatan di Indonesia Menggunakan Metode Topic Modeling LDA (Latent Dirichlet Allocation),” J. RESTI (Rekayasa Sist. dan Teknol. Informasi), vol. 1, no. 3, hal. 336–344, 2017.
I. N. Kabiru dan P. K. Sari, “Analisa Konten Media Sosial E-commerce Pada Instagram Menggunakan Metode Sentiment Analysis Dan Lda-based Topic Modeling (studi Kasus: Shopee Indonesia),” eProceedings Manag., vol. 6, no. 1, hal. 12–19, 2019, [Daring]. Tersedia pada: https://openlibrarypublications.telkomuniversity.ac.id/index.php/management/article/view/8498
B. W. Arianto dan G. Anuraga, “Topic Modeling for Twitter Users Regarding the ‘Ruanggguru’ Application,” J. ILMU DASAR, vol. 21, no. 2, hal. 149, 2020, doi: 10.19184/jid.v21i2.17112.
N. Cahyono dan Angga Reni Dwi Astuti, “Analisis Topic Modelling Persepsi Pengguna Internet Menggunakan Metode Latent Dirichlet Allocation,” Indones. J. Comput. Sci., vol. 12, no. 1, hal. 326–334, 2023, doi: 10.33022/ijcs.v12i1.3155.
H. Sagala dan H. Toba, “Penentuan Aspek yang Berpengaruh Terhadap Produk Smartphone Berdasarkan Ulasan Berbasis Tekstual,” J. Tek. Inform. dan Sist. Inf., vol. 7, no. 1, hal. 287–295, 2021, doi: 10.28932/jutisi.v7i1.3466.
Kamdan, Ivana Lucia Kharisma, Gina Purnama Insany, dan Paikun, “Research topic modeling in informatics engineering study program at Nusa Putra University using LDA method,” Int. J. Eng. Appl. Technol., vol. 5, no. 2, hal. 24–35, 2022, doi: 10.52005/ijeat.v5i2.76.
E. Gryaznova dan M. Kirina, “Defining Kinds of Violence in Russian Short Stories of 1900-1930: A Case of Topic Modelling With LDA and PCA,” CEUR Workshop Proc., vol. 3090, hal. 281–290, 2021.
W. A. Nawang Sari dan H. Dwi Purnomo, “Topic Modeling Using the Latent Dirichlet Allocation Method on Wikipedia Pandemic Covid-19 Data in Indonesia,” J. Tek. Inform., vol. 3, no. 5, hal. 1223–1230, 2022, doi: 10.20884/1.jutif.2022.3.5.321.
H. Fitri, W. Widyawan, dan I. Soesanti, “Topic Modeling in the News Document on Sustainable Development Goals,” IJITEE (International J. Inf. Technol. Electr. Eng., vol. 5, no. 3, hal. 82, 2021, doi: 10.22146/ijitee.67467.
O. Ozyurt, “Empirical research of emerging trends and patterns across the flipped classroom studies using topic modeling,” Educ. Inf. Technol., vol. 28, no. 4, hal. 4335–4362, 2023, doi: 10.1007/s10639-022-11396-8.
I. N. Switrayana, D. Ashadi, H. Hairani, dan A. Aminuddin, “Sentiment Analysis and Topic Modeling of Kitabisa Applications using Support Vector Machine (SVM) and Smote-Tomek Links Methods,” Int. J. Eng. Comput. Sci. Appl., vol. 2, no. 2, hal. 81–91, 2023, doi: 10.30812/ijecsa.v2i2.3406.
Janu Akrama Wardhana dan Yuliant Sibaroni, “Aspect Level Sentiment Analysis on Zoom Cloud Meetings App Review Using LDA,” J. RESTI (Rekayasa Sist. dan Teknol. Informasi), vol. 5, no. 4, hal. 631–638, 2021, doi: 10.29207/resti.v5i4.3143.
M. R. Irianto, A. Maududie, dan F. N. Arifin, “Implementation of K-Means Clustering Method for Trend Analysis of Thesis Topics (Case Study: Faculty of Computer Science, University of Jember),” Berk. Sainstek, vol. 10, no. 4, hal. 210, 2022, doi: 10.19184/bst.v10i4.29524.
M. Habibi, M. R. Ma’arif, dan D. Subekti, “The Development of Social Media Intelligence System for Citizen Opinion and Perception Analysis over Government Policy,” Telematika, vol. 19, no. 1, hal. 31, 2022, doi: 10.31315/telematika.v19i1.6447.
A. Mulia dan A. R. Dzikrillah, “Analisis Perbedaan Pendapat Netizen Indonesia tentang Presiden Jokowi sebelum dan sesudah Kenaikan Harga BBM Analysis of Indonesian Netizens ’ Dissent on President Jokowi before and after Fuel Price Increase,” J. Comput. Eng. Syst. Sci., vol. 8, no. July, hal. 318–328, 2023, [Daring]. Tersedia pada: https://doi.org/10.24114/cess.v8i2.45319