Klasifikasi Topik Pembahasan Mahasiswa ITS dalam Bermedia Sosial Menggunakan Latent Dirichlet Allocation

Media sosial sudah menjadi bagian dari kehidupan sehari-hari masyarakat segala kalangan di era digital ini. Di tengah maraknya penggunaan media sosial ini mahasiswa Institut Teknologi Sepuluh Nopember (ITS) ikut serta dalam berdiskusi di berbagai media sosial mengenai topik seputar kampus. Salah satu platform yang populer di kalangan mahasiswa ITS adalah Twitter. Pada platform ini terdapat sebuah akun media sosial yaitu @its_fess. @its_fess adalah akun Twitter yang dikelola oleh mahasiswa ITS untuk berbagai pemikiran, cerita, dan topik-topik yang berkaitan dengan kehidupan di ITS secara anonim. Dengan fenomena ini dibutuhkan suatu pemodelan topik yang mampu mengklasifikasi topik pembahasan mahasiswa ITS di media sosial, khususnya pada akun @its_fess. Pemodelan topik dilakukan menggunakan metode Latent Dirichlet Allocation (LDA), sebuah algoritma text mining untuk mengidentifikasi topik utama yang terdapat pada sebuah dokumen. Eksperimen pemodelan topik dengan metode LDA menyimpulkan bahwa jumlah topik yang terdapat dalam twit @its_fess adalah 20 topik. twit dari akun @its_fess dikumpulkan menggunakan teknik scrapping. Hasil twit tersebut direprocessing untuk selanjutnya dianalisis dengan metode LDA. Hasil pemodelan topik dievaluasi menggunakan perhitungan nilai koherensi. Evaluasi model mendapatkan nilai koherensi sebesar 0.518712 untuk jumlah topik sebanyak 20. Nilai ini menunjukkan bahwa model yang digunakan baik untuk menganalisis topik dalam twit pada @its_fess. Kata Kunci— Mahasiswa, Twitter, Pemodelan Topik, Latent Dirichlet Allocation, Nilai Koherensi