ANALISIS PEMODELAN TOPIK UNTUK ULASAN TENTANG PEDULI LINDUNGI
Universitas Gunadarma
Indonesia
Universitas Gunadarma
Indonesia
Abstract
Pandemi COVID-19 yang berlangsung sejak awal tahun 2020 membuat berbagai negara menerapkan kebijakan protokol kesehatan mulai dari pencegahan, isolasi, hingga perawatan pasien. Pemerintah Republik Indonesia mengambil langkah pencegahan dengan mengembangkan sebuah aplikasi berbasis mobile dengan nama “PeduliLindungi”. Keberadaan aplikasi tersebut banyak mendapat reaksi dari masyarakat. Berbagai ulasan diunggah melalui berbagai media daring. Penelitian ini melakukan analisis pemodelan topik untuk ulasan-ulasan yang diunggah melalui Google Play Store. Metode yang diterapkan adalah metode Latent Dirichlet Allocation (LDA). Pemodelan topik menghasilkan nilai coherence sebesar 0.3963 untuk jumlah topik sebanyak 5.
Keywords
References
A. Fastyaningsih, D. Priyantika, F. T. Widyastuti, K.Kismartini dan A. R. Herawati. “Keberhasilan Aplikasi Pedulilindungi Terhadap Kebijakan Percepatan Vaksinasi dan Akses Pelayanan Publik di Indonesia,” Jurnal Manajemen dan Kebijakan Publik, vol. 6, no. 2, pp. 95-109, 2021.
Menteri Komunikasi dan Informatika, Keputusan Menteri Komunikasi dan Informatika Republik Indonesia Nomor 171, 2020.
Menteri Komunikasi dan Informatika, Keputusan Menteri Komunikasi dan Informatika Republik Indonesia Nomor 253, 2020.
Kominfo, Jumlah Pengguna PeduliLindungi Tembus 5% Pengguna Smartphone Indonesia, 30 Juni 2020, https://www.kominfo.go.id.
R. M. Snyder, “An Introduction to Topic Modeling as an Unsupervised Machine Learning Way to Organize Text Information,” In Proc. ASCUE, 2015, pp. 86-96.
P. Kherwa dan P. Bansal, “Topic Modeling: A Comprehensive Review,” ICST Transactions on Scalable Information Systems, vol. 7, no. 24, 2018.
T. Hua, C.-T. Lu, J. Choo, and C. K. Reddy, “Probabilistic Topic Modeling For Comparative Analysis of Document Collections,” ACM Transactions on Knowledge Discovery from Data, vol. 14, no. 2, pp. 1-27, 2020.
D. M. Blei, A. Y. Ng, and M. I. Jordan, “Latent Dirichlet Allocation,” The Journal of Machine Learning Research, vol. 3, pp. 993–1022, 2003.
M. A. Nugraha, dan L. C. Mungaran, “Pemodelan Topik Berita pada Portal Berita Online Berbahasa Indonesia Menggunakan Latent Dirichlet Allocation (LDA),” Jurnal Ilmiah Komputasi, vol. 20, no. 2, pp. 173-180, 2021.
D. Purwitasari, A. Muflichah, N. A. Hasanah, dan A. Z. Arifin, “Pemodelan Topik dengan LDA untuk Temu Kembali Informasi dalam Rekomendasi Tugas Akhir,” Jurnal Rekayasa Sistem dan Teknologi Informasi (RESTI), vol. 5, no. 3, pp. 421–428, 2021. [Online serial]. Available: https://doi.org/10.29207/resti.v5i3.3049. [Accessed March 17, 2022].
A. I. Alfanzar, Khalid, dan I. S. Rozas, “Topic Modelling Skripsi Menggunakan Metode Latent,” Jurnal Sistem Informasi (JSiI), vol. 7, no. 1, pp. 7–13, 2020.
E. P. A. Akhmad, dan C. L. Prawirosastro, “Pemodelan Topik Menggunakan Latent Dirichlet Allocation dan Pachinko Allocation Model Untuk Ekstraksi Berita Saham Online,” Laporan Hasil Penelitian, Surabaya: KPN, Universitas Hang Tuah, 2021.
Patmawati, dan M. Yusuf. “Analisis Topik Modelling Terhadap Penggunaan Sosial Media Twitter oleh Pejabat Negara,” Building of Informatics, Technology and Science (BITS), vol. 3, no. 3, pp. 122–129, 2021.
S. M. Weiss, N. Indurkhya, and T. Zhang, Fundamentals of Predictive Text Mining, Springer, 2010.
S. Vijayarani, J. Ilamathi, and Nithya, “Preprocessing Techniques for Text Mining - An Overview,” International Journal of Computer Science & Communication Networks, vol. 5, no. 1, pp. 7-16, 2015.
V. Gupta, and G. S. Lehal, “A Survey of Text Mining Techniques and Applications,” Journal of Emerging Technologies in Web Intelligence, vol. 1, no. 1, pp.60-76, 2009.
