Pemodelan Topik pada Media Berita Online Menggunakan Latent Dirichlet Allocation (Studi Kasus Merek Somethinc)
Topic Modeling on Online News Media Using Latent Diriclet Allocation (Case Study Somethinc Brand)
DOI:
https://doi.org/10.57152/malcom.v4i2.1204Keywords:
Berita Online, Latent Dirichlet Allocation, Media Promosi, Pemodelan TopikAbstract
Somethinc merupakan salah satu merek kosmetik lokal di Indonesia yang aktif memanfaatkan media, seperti berita online untuk menyampaikan informasi terkini seputar merek. Dari banyaknya berita online mengenai merek Somethinc, sering kali topik dan tren yang sedang dibahas tidak menggambarkan informasi secara keseluruhan. Untuk menganalisis topik yang paling sering dibahas dalam berita online mengenai merek Somethinc, peneliti menggunakan metode topic modeling, yaitu Latent Dirichlet Allocation, yang dinilai lebih unggul dalam menghasilkan topik secara terstruktur. Penelitian ini memanfaatkan nilai coherence untuk menganalisis dan mengevaluasi jumlah topik terbaik, selanjutnya pendekatan human judgement digunakan untuk menginterpretasikan topik. Hasil analisis kemudian divisualisasikan secara interaktif menggunakan pyLDAvis, untuk mengetahui persebaran kata dari setiap topik. Berdasarkan hasil penelitian, jumlah topik terbaik terdapat pada topik 6 dengan nilai coherence sebesar 0.404. Keenam topik tersebut diinterpretasikan berdasarkan pendekatan human judgement, menghasilkan topik-topik meliputi produk skincare untuk kulit berjerawat, penghargaan brand kecantikan terbaik, kolaborasi produk, produk perawatan kulit dan kecantikan, kampanye pemasaran produk, dan brand lokal dengan produk perawatan kecantikan. Dapat disimpulkan bahwa jumlah topik 6 menghasilkan topik-topik yang relevan mengenai merek Somethinc.
References
Kementerian Perindustrian Indonesia, “Rencana Induk Pembangunan Industri Nasional 2015 - 2035,” 2015. [Online]. Available: https://kemenperin.go.id/ripin.pdf
Kementerian Perindustrian Republik Indonesia, “Perkembangan Industri Kosmetik Nasional.” http://ikft.kemenperin.go.id/perkembangan-industri-kosmetik-nasional/ (accessed Nov. 15, 2023).
N. Amberg and C. Fogarassy, “Green consumer behavior in the cosmetics market,” Resources, vol. 8, no. 3, pp. 1–19, 2019, doi: 10.3390/resources8030137.
M. Ferdinand and W. S. Ciptono, “Indonesia’s Cosmetics Industry Attractiveness, Competitiveness and Critical Success Factor Analysis,” J. Manaj. Teor. dan Terap. | J. Theory Appl. Manag., vol. 15, no. 2, pp. 209–223, 2022, doi: 10.20473/jmtt.v15i2.37451.
M. Arifiansyah Ayub, “Analisis Topik Ekonomi Dengan Algoritma K-Means Pada Media Online Era Pandemi Covid-19 Di Sulawesi Tenggara,” JIKO (Jurnal Inform. dan Komputer), vol. 4, no. 2, pp. 133–138, 2021, doi: 10.33387/jiko.v4i2.3235.
S. Kurniawan, W. Gata, D. A. Puspitawati, N. -, M. Tabrani, and K. Novel, “Perbandingan Metode Klasifikasi Analisis Sentimen Tokoh Politik Pada Komentar Media Berita Online,” J. RESTI (Rekayasa Sist. dan Teknol. Informasi), vol. 3, no. 2, pp. 176–183, 2019, doi: 10.29207/resti.v3i2.935.
M. D. R Wahyudi, A. Fatwanto, U. Kiftiyani, and M. Galih Wonoseto, “Topic Modeling of Online Media News Titles during COVID-19 Emergency Response in Indonesia Using the Latent Dirichlet Allocation (LDA) Algorithm,” Telematika, vol. 14, no. 2, pp. 101–111, 2021, doi: 10.35671/telematika.v14i2.1225.
C. Naury, D. H. Fudholi, and A. F. Hidayatullah, “Topic Modelling pada Sentimen Terhadap Headline Berita Online Berbahasa Indonesia Menggunakan LDA dan LSTM,” J. Media Inform. Budidarma, vol. 5, no. 1, pp. 24–33, 2021, doi: 10.30865/mib.v5i1.2556.
P. Kherwa and P. Bansal, “Topic Modeling: A Comprehensive Review,” EAI Endorsed Trans. Scalable Inf. Syst., vol. 7, no. 24, pp. 1–16, 2020, doi: 10.4108/eai.13-7-2018.159623.
A. H. Marani and E. P. S. Baumer, “A Review of Stability in Topic Modeling: Metrics for Assessing and Techniques for Improving Stability,” ACM Comput. Surv., 2023, doi: 10.1145/3623269.
A. Farkhod, A. Abdusalomov, F. Makhmudov, and Y. I. Cho, “LDA-Based Topic Modeling Sentiment Analysis Using Topic/Document/Sentence (TDS) Model,” Appl. Sci., vol. 11, no. 23, pp. 1–15, 2021, doi: 10.3390/app112311091.
R. Albalawi, T. H. Yeap, and M. Benyoucef, “Using Topic Modeling Methods for Short-Text Data: A Comparative Analysis,” Front. Artif. Intell., vol. 3, no. July, pp. 1–14, 2020, doi: 10.3389/frai.2020.00042.
A. B. Dieng, F. J. R. Ruiz, and D. M. Blei, “Topic Modeling in Embedding Spaces,” Trans. Assoc. Comput. Linguist., vol. 8, pp. 439–453, 2020, doi: 10.1162/tacl_a_00325.
W. A. Nawang Sari and 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, pp. 1223–1230, 2022, doi: 10.20884/1.jutif.2022.3.5.321.
P. Patmawati and M. Yusuf, “Analisis Topik Modelling Terhadap Penggunaan Sosial Media Twitter oleh Pejabat Negara,” Build. Informatics, Technol. Sci., vol. 3, no. 3, pp. 122–129, 2021, doi: 10.47065/bits.v3i3.1012.
K. R. A. P. Santoso, A. Husna, N. W. Putri, and N. A. Rakhmawati, “Analisis Topik Tagar Covidindonesia pada Instagram Menggunakan Latent Dirichlet Allocation,” JISKA (Jurnal Inform. Sunan Kalijaga), vol. 7, no. 1, pp. 1–9, 2022, doi: 10.14421/jiska.2022.7.1.1-9.
Wiranto and M. R. Uswatunnisa, “Topic Modeling for Support Ticket using Latent Dirichlet Allocation,” J. RESTI (Rekayasa Sist. dan Teknol. Informasi), vol. 6, no. 6, pp. 998–1005, 2022, doi: 10.29207/resti.v6i6.4542.
E. A. Felix and S. P. Lee, “Systematic literature review of preprocessing techniques for imbalanced data,” IET Softw., vol. 13, no. 6, pp. 479–496, 2019, doi: 10.1049/iet-sen.2018.5193.
A. M. Grisales, S. Robledo, and M. Zuluaga, “Topic Modeling: Perspectives From a Literature Review,” IEEE Access, vol. 11, no. January, pp. 4066–4078, 2023, doi: 10.1109/ACCESS.2022.3232939.
M. R. A. Fahlevvi, “Topic Modeling on Online News Portal Using Latent Dirichlet Allocation (LDA),” IJCCS (Indonesian J. Comput. Cybern. Syst., vol. 16, no. 4, pp. 335–344, 2022, doi: 10.22146/ijccs.74383.
J. Chang, J. Boyd-Graber, S. Gerrish, C. Wang, and D. M. Blei, “Reading Tea Leaves: How Humans Interpret Topic Models,” in Advances in Neural Information Processing Systems 22 - Proceedings of the 2009 Conference, 2009, pp. 288–296.
C. Sievert and K. Shirley, “LDAvis: A method for visualizing and interpreting topics,” in Proceedings of the Workshop on Interactive Language Learning, Visualization, and Interfaces, 2014, pp. 63–70. doi: 10.3115/v1/w14-3110.
T. L. Griffiths and M. Steyvers, “Finding scientific topics,” in Proceeding of the National Academy of Sciences, 2004, pp. 5228–5235. doi: 10.1073/pnas.0307752101.
