ANALISIS TRENDING TOPIK MENGGUNAKAN TOPIC MODELLING PADA ARTIKEL BERITA POLITIK DI DETIK.COM MENGGUNAKAN LATENT DIRICHLET ALLOCATION (LDA)

Perkembangan teknologi informasi telah menyebabkan meningkatnya jumlah artikel berita politik yang dipublikasikan secara online, khususnya melalui portal Detik.com. Kondisi ini memunculkan tantangan baru, yaitu bagaimana mengelompokkan dan memahami isi berita dalam jumlah besar secara efisien tanpa harus membaca satu per satu. Permasalahan utama terletak pada proses identifikasi topik yang dilakukan secara manual, yang memakan waktu lama dan tidak efektif dalam menangkap tren isu secara menyeluruh. Untuk menjawab permasalahan tersebut, penelitian ini menggunakan metode Latent Dirichlet Allocation (LDA) untuk melakukan pemodelan topik pada artikel berita politik dalam rentang waktu Januari 2021 hingga Mei 2025. Proses pemodelan diawali dengan tahapan preprocessing teks seperti cleaning, stopword removal, normalisasi, tokenisasi, hingga pembentukan bag-of-words. Penelitian ini bertujuan untuk menganalisis pengaruh parameter pemodelan seperti jumlah topik, iterasi (passes), dan kualitas preprocessing terhadap hasil topik yang dihasilkan oleh model LDA. Hasil eksperimen menunjukkan bahwa konfigurasi terbaik diperoleh pada jumlah topik sebanyak 13 dan iterasi sebanyak 5, dengan nilai coherence score tertinggi sebesar 0.5250 dan perplexity sebesar 545,36. Nilai ini tergolong dalam kategori koherensi sedang hingga baik, yang berarti topik yang terbentuk cukup relevan dan mudah diinterpretasikan secara tematik. Pengujian dilakukan dengan variasi jumlah topik antara 2 hingga 15 dan jumlah iterasi sebanyak 4 kali, yaitu 5, 10, 15, dan 20. Peningkatan nilai coherence score secara bertahap diamati, dimulai dari 0.3374 dengan 2 topik dan 5 iterasi hingga mencapai nilai tertinggi 0.5250 dengan 13 topik dan 5 iterasi. Jumlah topik yang terlalu sedikit cenderung menghasilkan topik yang terlalu umum, sedangkan jumlah yang terlalu banyak menyebabkan tumpang tindih antar topik. Di sisi lain, tahapan preprocessing terbukti sangat penting dalam menyaring kata-kata tidak relevan dan meningkatkan kualitas distribusi kata dalam tiap topik. Dengan demikian, pemilihan parameter yang tepat berkontribusi besar dalam meningkatkan keberhasilan pemodelan topik terhadap data berita politik.