Detail Cantuman Kembali
ANALISIS PERBANDINGAN PERFORMA NMF DENGAN LDA PADA TOPIK MODELING BERITA ONLINE INDONESIA
- Bagikan:
Pertumbuhan konten berita digital di Indonesia menciptakan tantangan dalam mengekstraksi topik-topik utama dari dataset berskala besar secara otomatis. Permasalahan utama adalah belum adanya kajian empiris komparatif yang secara khusus membandingkan metode topic modeling NMF dan LDA pada korpus berita online Indonesia. Penelitian ini bertujuan melakukan analisis komparatif performa Non-negative Matrix Factorization (NMF) dan Latent Dirichlet Allocation (LDA) dalam pemodelan topik berita online Indonesia, serta memetakan pola pemberitaan dari tiga media nasional: CNBC Indonesia, Kompas.com, dan Detik.com. Dataset terdiri dari 4.500 artikel berita dengan preprocessing meliputi tokenisasi, penghapusan stopwords, serta ekstraksi fitur menggunakan Term Frequency-Inverse Document Frequency (TF-IDF) untuk NMF dan Count Vectorizer untuk LDA. Evaluasi performa menggunakan coherence score (Cᵥ), topic diversity, silhouette score, dan uji chi-square. Hasil analisis menunjukkan NMF memberikan kualitas topik dan efisiensi komputasi yang lebih baik, ditunjukkan oleh nilai coherence score 34,7% lebih tinggi, topic diversity 11.9% lebih baik, silhouette score 48% lebih besar, serta waktu training (1.36 seconds vs. 86.11 seconds) yang 63,3× lebih cepat dibandingkan LDA. Analisis mengidentifikasi 10 topik utama dan mengonfirmasi perbedaan fokus editorial yang signifikan antar media (p < 0.001), dengan CNBC Indonesia mendominasi topik ekonomi-keuangan, sementara Kompas.com dan Detik.com lebih fokus pada isu sosial-kemasyarakatan. Kontribusi utama penelitian ini adalah menyediakan bukti empiris mengenai performa komparatif NMF dan LDA pada korpus berita Indonesia serta memetakan diferensiasi konten media nasional. Hasil penelitian menunjukkan bahwa NMF lebih sesuai digunakan untuk pemodelan topik berita Indonesia yang menekankan interpretabilitas topik dan efisiensi komputasi.
Kata Kunci: Topic Modeling; Non-negative Matrix Factorization; Latent Dirichlet Allocation; Natural Language Processing; Analisis Berita
HANDAYANI, LATIFAH NURROHMAH - 247110012 - Personal Name
Prof. Dr. L.N Harnaningrum, S.Si., M.T - Personal Name
Prof. Dr. L.N Harnaningrum, S.Si., M.T - Personal Name
008 HAN A R.1
NONE
Thesis
Indonesia
UNIVERSITAS TEKNOLOGI DIGITAL INDONESIA (UTDI)
2026
Yogyakarta
008 MTI 2026
LOADING LIST...
LOADING LIST...