Penerapan Topic Modeling dengan Latent Dirichlet Allocation (LDA) dan Support Vector Machine (SVM) dalam Klasifikasi Artikel Jurnal (Studi Kasus : Jurnal Teknologi Informasi dan Ilmu Komputer)

Pertumbuhan publikasi ilmiah yang semakin pesat menimbulkan tantangan dalam proses pencarian dan pengelompokan artikel jurnal secara manual. Proses ini memerlukan waktu dan tenaga yang besar, serta berpotensi menghasilkan ketidaksesuaian dalam pengelompokan topik. Penelitian ini mengusulkan sistem otomatisasi klasifikasi artikel jurnal berbasis abstrak dan kata kunci dengan memanfaatkan pendekatan Latent Dirichlet Allocation (LDA) dan Support Vector Machine (SVM). LDA digunakan untuk melakukan pemodelan topik dan mengekstraksi distribusi probabilistik kata dalam dokumen, yang kemudian dimanfaatkan untuk pelabelan otomatis dokumen berdasarkan topik dominan. Hasil dari proses tersebut selanjutnya digunakan sebagai fitur dalam proses klasifikasi menggunakan algoritma SVM. Dataset yang digunakan berupa 1.164 artikel dari jurnal JTIIK yang diperoleh melalui proses web scraping. Hasil pemodelan topik menunjukkan bahwa jumlah topik optimal diperoleh sebanyak 9 topik pada data abstrak tanpa kata kunci dengan nilai coherence score sebesar 0,217, serta 7 topik pada data abstrak dengan kata kunci dengan nilai coherence score sebesar 0,229. Nilai pada kedua skenario tersebut termasuk dalam kategori kurang baik, yang menunjukkan bahwa topik yang dihasilkan masih kurang relevan untuk dijadikan representasi fitur meskipun memiliki keterkaitan kata yang cukup baik. Sementara itu, hasil klasifikasi menggunakan SVM menghasilkan akurasi sebesar 79% untuk klasifikasi data abstrak tanpa kata kunci dan sebesar 76% pada data abstrak disertai kata kunci. Perbedaan nilai akurasi ini menunjukkan bahwa penyertaan kata kunci meningkatkan performa klasifikasi meskipun tidak signifikan, karena kata kunci cenderung bersifat umum dan dapat mengurangi kekhususan fitur yang diekstraksi dari teks abstrak utama.