Email this article Pemodelan Topik Menggunakan Latent Dirichlet Allocation pada Ulasan Aplikasi PeduliLindungi
Abstract
Pandemi covid-19 yang melanda seluruh dunia termasuk Indonesia, membutuhkan langkah-langkah pencegahan seperti penelusuran (tracing), pelacakan (tracking) dan pemberian peringatan (warning dan fencing). Salah satu langkah pencegahan yang dilakukan Pemerintah adalah melalui Keputusan Menteri Komunikasi dan Informatika Nomor 171 Tahun 2020 tentang Penetapan Aplikasi Pedulilindungi Dalam Rangka Pelaksanaan Surveilans Kesehatan Penanganan Coronavirus Disease 2019 (Covid-19), menetapkan aplikasi Pedulilindungi sebagai aplikasi surveilans kesehatan penanganan COVID-19. Berbagai komentar disampaikan masyarakat terhadap aplikasi pedulilindungi termasuk melalui kolom ulasan pada playstore. Pada penelitian ini akan dilakukan pemodelan topik menggunakan LDA terhadap ulasan masyarakat tentang aplikasi pedulilindungi. Jumlah data yang digunakan pada penelitian ini sebanyak 13.731 data yang didapatkan dengan melakukan scraping pada google play mulai tanggal 15 september s/d 6 desember 2021 menggunakan library google scrapping. Langkah-langkah yang dilakukan dalam penelitian ini adalah preprocessing dataset, melakukan proses word2vec, menghitung nilai coherence dan melakukan pemodelan topik. Berdasarkan perhitungan nilai coherence pembagian jumlah topik yang ideal adalah 5, kemudian setelah diproses menggunakan algoritma LDA kesimpulan dari ke 5 topik tersebut didefinisikan sebagai kendala pendaftaran, sertifikat vaksin, tanggal lahir yang tidak sesuai, kendala membuka aplikasi dan keluhan pengguna aplikasi.
Keywords
Full Text:
PDFReferences
WHO, “Coronavirus Disease,” Coronavirus Disease, 2022. .
Menteri Komunikasi Dan Informatika, “Keputusan Menteri Komunikasi Dan Informatika Republik Indonesia Nomor 171 Tahun 2020,” 2020.
D. Herdiana, “Aplikasi Peduli Lindungi: Perlindungan Masyarakat Dalam Mengakses Fasilitas Publik Di Masa Pemberlakuan Kebijakan Ppkm,” J. Inov. Penelit., vol. 2, no. 6, pp. 1685–1694, 2021.
H. Wijayanto and S. Nasiroh, “Analisis Forensik Pada Aplikasi Peduli Lindungi Terhadap Kebocoran Data Pribadi,” vol. 9, no. 2, 2021.
C. Eka Putri and H. Radja Erland, “Aplikasi Pedulilindungi Mitigasi Bencana Covid-19 Di Indonesia,” J. Pustaka Komun., vol. 4, no. 1, pp. 66–78, 2021, [Online]. Available: https://journal.moestopo.ac.id/index.php/pustakom/article/view/1321%0Ahttps://doi.org/10.32509/pustakom.v4i1.1321.
L. Hagen, “Content analysis of e-petitions with topic modeling: How to train and evaluate LDA models?,” Inf. Process. Manag., vol. 54, no. 6, pp. 1292–1307, 2018, doi: 10.1016/j.ipm.2018.05.006.
J. Marjanen, E. Zosa, S. Hengchen, L. Pivovarova, and M. Tolonen, “Topic modelling discourse dynamics in historical newspapers,” CEUR Workshop Proc., vol. 2865, pp. 63–77, 2020.
D. Kim, D. Seo, S. Cho, and P. Kang, “Multi-co-training for document classification using various document representations: TF–IDF, LDA, and Doc2Vec,” Inf. Sci. (Ny)., vol. 477, pp. 15–29, 2019, doi: 10.1016/j.ins.2018.10.006.
M. B. Mutanga and A. Abayomi, “Tweeting on COVID-19 pandemic in South Africa: LDA-based topic modelling approach,” African J. Sci. Technol. Innov. Dev., vol. 0, no. 0, pp. 1–10, 2020, doi: 10.1080/20421338.2020.1817262.
K. Bastani, H. Namavari, and J. Shaffer, “Latent Dirichlet allocation (LDA) for topic modeling of the CFPB consumer complaints,” Expert Syst. Appl., vol. 127, pp. 256–271, 2019, doi: 10.1016/j.eswa.2019.03.001.
D. Farrar and J. H. Hayes, “A comparison of stemming techniques in tracing,” Proc. - 2019 IEEE/ACM 10th Int. Work. Softw. Syst. Traceability, SST 2019, pp. 37–44, 2019, doi: 10.1109/SST.2019.00017.
B. Li, A. Drozd, Y. Guo, T. Liu, S. Matsuoka, and X. Du, “Scaling Word2Vec on Big Corpus,” Data Sci. Eng., vol. 4, no. 2, pp. 157–175, 2019, doi: 10.1007/s41019-019-0096-6.
D. Jatnika, M. A. Bijaksana, and A. A. Suryani, “Word2vec model analysis for semantic similarities in English words,” Procedia Comput. Sci., vol. 157, pp. 160–167, 2019, doi: 10.1016/j.procs.2019.08.153.
D. Maier et al., “Applying LDA Topic Modeling in Communication Research: Toward a Valid and Reliable Methodology,” Commun. Methods Meas., vol. 12, no. 2–3, pp. 93–118, 2018, doi: 10.1080/19312458.2018.1430754.
V. Gangadharan and D. Gupta, “Recognizing Named Entities in Agriculture Documents using LDA based Topic Modelling Techniques,” Procedia Comput. Sci., vol. 171, no. 2019, pp. 1337–1345, 2020, doi: 10.1016/j.procs.2020.04.143.
DOI: http://dx.doi.org/10.22441/incomtech.v13i1.15572
This work is licensed under a Creative Commons Attribution-NonCommercial 4.0 International License.
Publisher Address:
Magister Teknik Elektro, Universitas Mercu Buana
Jl. Meruya Selatan 1, Jakarta 11650
Phone (021) 31935454/ 31934474
Fax (021) 31934474
Email: [email protected]
Website of Master Program in Electrical Engineering
http://mte.pasca.mercubuana.ac.id
pISSN: 2085-4811
eISSN: 2579-6089
Jurnal URL: http://publikasi.mercubuana.ac.id/index.php/Incomtech
Jurnal DOI: 10.22441/incomtech
Ciptaan disebarluaskan di bawah Lisensi Creative Commons Atribusi-NonKomersial 4.0 Internasional
The Journal is Indexed and Journal List Title by:
