PEMODELAN PERSEPSI PEMBELAJARAN ONLINE MENGGUNAKAN LATENT DIRICHLET ALLOCATION
(1) Institut Agama Islam Negeri (IAIN) Kediri
(*) Corresponding Author
Abstract
Latent Dirichlet Allocation (LDA) merupakan metode untuk pemodelan topik adalah yang didasarkan kepada konsep probabilitas untuk mencari kemiripan suatu dokumen dan mengelompokkan dokumen-dokumen menjadi beberapa topik atau kelompok. Metode ini masuk dalam unsupervised learning karena tidak ada label atau target pada data yang dianalisis. Penelitian ini bertujuan untuk mengelompokkan persepsi tentang pembelajaran online ke dalam beberapa topik menggunakan metode LDA. Data penelitian ini adalah data primer yang dikumpulkan melalui formulir online. Hasil analisis menunjukkan bahwa pemodelan LDA menggunakan 6 topik memiliki coherence score paling besar. Hasil visualisasi data text menggunakan wordcloud didapatkan kata tidak memiliki frekuensi kemunculan terbesar. Penentuan jumlah topik yang optimal berdasarkan coherence score, didapatkan pemodelan LDA dengan 6 topik adalah yang paling optimal. secara garis besar terdapat beberapa kata yang saling beririsan dengan topik yang lain. Hasil pemodelan memberikan gambaran bahwa persepsi/pandangan mahasiswa terdapat pembelajaran online terkait pemahaman materi yang diberikan dosen, sinyal atau jaringan internet, kuota, dan tugas. Pada kata-kata terkait pemahaman materi, mahasiswa memberikan pandangan bahwa mereka tidak dapat memahami dengan baik materi yang diberikan oleh dosen.
Keywords
Full Text:
PDFReferences
H. A. Rigianti, “Kendala Pembelajaran Daring Guru Sekolah Dasar Di Kabupaten Banjarnegara,” Elem. Sch., vol. 7, no. Juli, pp. 297–302, 2020.
T. Kwartler, Text mining in practice with R, vol. 90, no. 13. 2017.
B. W. Arianto and G. Anuraga, “Topic Modeling for Twitter Users Regarding the ‘Ruanggguru’ Application,” J. ILMU DASAR, vol. 21, no. 2, p. 149, 2020, doi: 10.19184/jid.v21i2.17112.
Y. A. Singgalen, “Analisis Sentimen dan Pemodelan Topik dalam Optimalisasi Pemasaran Destinasi Pariwisata Prioritas di Indonesia,” J. Inf. Syst. Informatics, vol. 4, no. 1, pp. 459–470, 2021, [Online]. Available: http://journal-isi.org/index.php/isi/article/view/171.
H. Jaka, “Preprocessing Text untuk Meminimalisir Kata yang Tidak Berarti dalam Proses Text Mining,” Inform. UPGRIS, vol. 1, pp. 1–9, 2015.
D. Blei, L. Carin, and D. Dunson, “Probabilistic topic models,” IEEE Signal Process. Mag., vol. 27, no. 6, pp. 55–65, 2010, doi: 10.1109/MSP.2010.938079.
R. Bali, D. Sarkar, B. Lantz, and C. Lesmeister, R: Unleash Machine Learning Techniques. 2016.
F. Alattar and K. Shaalan, “Emerging Research Topic Detection Using Filtered-LDA,” AI, vol. 2, no. 4, pp. 578–599, 2021, doi: 10.3390/ai2040035.
Y. Sahria and D. H. Fudholi, “Analisis Topik Penelitian Kesehatan di Indonesia Menggunakan Metode Topic Modeling LDA,” J. Rekayasa Sist. dan Teknol. Inf., vol. 4, no. 2, pp. 336–344, 2020.
A. Syaifuddin, R. A. Harianto, and J. Santoso, “Analisis Trending Topik untuk Percakapan Media Sosial dengan Menggunakan Topic Modelling Berbasis Algoritme LDA,” J. Intell. Syst. Comput., vol. 2, no. 1, pp. 12–19, 2021, doi: 10.52985/insyst.v2i1.150.
Article Metrics
Abstract view : 768 timesPDF - 220 times
DOI: https://doi.org/10.26714/jsunimus.9.2.2021.79-85
Refbacks
- There are currently no refbacks.
Copyright (c) 2022 Jurnal Statistika Universitas Muhammadiyah Semarang
Editorial Office:
Department of Statistics
Faculty Of Mathematics And Natural Sciences
Universitas Muhammadiyah Semarang
Jl. Kedungmundu No. 18 Semarang Indonesia
Published by:
Department of Statistics Universitas Muhammadiyah Semarang
This work is licensed under a Creative Commons Attribution 4.0 International License