TOPIC MODELLING MENGGUNAKAN DATA TWITTER DENGAN METODE LATENT SEMANTIC ANALYSIS

Pandemi Covid-19 melanda seluruh dunia tanpa terkecuali Indonesia, dengan angka kematian yang tinggi maka hal ini menimbulkan banyak tanggapan dari masyarakat yang mereka sampaikan melalui sosial media selama pandemi. Twitter merupakan salah satu sosial media yang digunakan untuk menyampaikan tanggapan berupa tweet. Namun dengan banyaknya tanggapan, diperlukan waktu lebih untuk menentukan apa saja informasi penting didalamnya. Untuk itu pada penelitian ini dikembangkan sistem yang mengidentifikasi topik pada tweet, topik tersebut berupa tanggapan masyarakat dari sosial media twitter. Identifikasi topik dalam text mining disebut Topic Modelling, pada skripsi ini tahapan dari Topic Modeling terdiri dari Crawling Data, Text Preprocessing pada bagian Cleansing terdiri dari (Case Folding, Tokenizing, Stopword Removal, dan Stemming), pada bagian pembobotan kata menggunakan Term Frequency-Inverse Document Frequency (TF-IDF). Text Preprocessing pada bagian seleksi fitur menggunakan Pearson Correlation dengan threshold lebih dari 0.6 dengan tujuan untuk mengurangi jumlah term yang memiliki nilai korelasi dibawah 0.6. Topic Modeling dengan algoritma Latent Semantic Analysis dengan output berupa keyword yang dihasilkan kemudian diberi label oleh pakar, evaluasi topik menggunakan Topic Coherence semakin mendekati 1, maka semakin bagus kualitas topik yang dihasilkan. Dari skenario uji coba yang dilakukan terhadap nilai threshold 0.6 – 0.9 dengan data hasil crawling “vaksinasi” dan “kebijakan vaksinasi” ditemukan hanya satu topik dengan label “Politik” dan Coherence Score yang berbeda yaitu, untuk nilai threshold 0.6 dengan Coherence score 0.0004955403009978006, untuk nilai threshold 0.7 dengan Coherence score 0, sedangkan nilai threshold 0.8 dan 0.9 menghasilkan nilai Coherence score yang sama yaitu 0.