PEMODELAN PERSEPSI PEMBELAJARAN ONLINE MENGGUNAKAN LATENT DIRICHLET ALLOCATION

Jerhi Wahyu Fernanda(1*)


(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


Latent Dirichlet Allocation (LDA), unsupervised learning, pembelajaran online

Full Text:

PDF

References


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 : 770 times
PDF - 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

View My Stats

Creative Commons License

This work is licensed under a Creative Commons Attribution 4.0 International License