Javascript must be enabled to continue!
Analisis Topic Modelling Pariwisata Yogyakarta Menggunakan Latent Dirichlet Allocation (LDA)
View through CrossRef
Pariwisata Yogyakarta sebagai destinasi yang kaya akan budaya dan sejarah, sering menjadi fokus diskusi di media sosial. Tujuan dari Penelitian ini adalah menelaah topik pariwisata Yogyakarta dari Twitter. Dataset yang diperoleh dalam penelitian ini dari crawling data menggunakan API key Twitter. Penelitian ini menggunakan tahapan dari pengumpulan data, text preprocessing, dan menerapkan metode Topic Modelling, khususnya Latent Dirichlet Allocation (LDA). Hasil penelitian ini pengujian kinerja pemodelan topik dengan metode LDA dapat dilihat dari nilai coherence score, semakin tinggi nilai coherence suatu topik, semakin mudah diinterprestasikan oleh manusia dan Perplexity merupakan salah satu standar pengukuran yang dapat digunakan untuk menilai kinerja model yang baik dari model tersebut ditunjukkan dengan nilai perplexity yang lebih rendah. Nilai coherence score yang ditunjukkan pada num topic ke-1 sebesar 0.331047, untuk nilai perplexity ditunjukkan dengan nilai yang tinggi terletak pada num topic ke-3 sebesar -8.830172565520245. diharapkan dapat memberikan wawasan mendalam tentang topik-topik yang sering dibahas dan berkonsentrasi pada penerapan sistem pemodelan topik untuk membangun sistem keputusan topik berita yang menggunakan metode Latent Dirichlet Allocation (LDA). Pada Penelitian ini efektif dalam menggunakan metode LDA untuk menentukan topik berita yang mencakup tiga kategori topik yang sering dibicarakan pada masing-masing kelas.
STMIK Indonesia Padang
Title: Analisis Topic Modelling Pariwisata Yogyakarta Menggunakan Latent Dirichlet Allocation (LDA)
Description:
Pariwisata Yogyakarta sebagai destinasi yang kaya akan budaya dan sejarah, sering menjadi fokus diskusi di media sosial.
Tujuan dari Penelitian ini adalah menelaah topik pariwisata Yogyakarta dari Twitter.
Dataset yang diperoleh dalam penelitian ini dari crawling data menggunakan API key Twitter.
Penelitian ini menggunakan tahapan dari pengumpulan data, text preprocessing, dan menerapkan metode Topic Modelling, khususnya Latent Dirichlet Allocation (LDA).
Hasil penelitian ini pengujian kinerja pemodelan topik dengan metode LDA dapat dilihat dari nilai coherence score, semakin tinggi nilai coherence suatu topik, semakin mudah diinterprestasikan oleh manusia dan Perplexity merupakan salah satu standar pengukuran yang dapat digunakan untuk menilai kinerja model yang baik dari model tersebut ditunjukkan dengan nilai perplexity yang lebih rendah.
Nilai coherence score yang ditunjukkan pada num topic ke-1 sebesar 0.
331047, untuk nilai perplexity ditunjukkan dengan nilai yang tinggi terletak pada num topic ke-3 sebesar -8.
830172565520245.
diharapkan dapat memberikan wawasan mendalam tentang topik-topik yang sering dibahas dan berkonsentrasi pada penerapan sistem pemodelan topik untuk membangun sistem keputusan topik berita yang menggunakan metode Latent Dirichlet Allocation (LDA).
Pada Penelitian ini efektif dalam menggunakan metode LDA untuk menentukan topik berita yang mencakup tiga kategori topik yang sering dibicarakan pada masing-masing kelas.
Related Results
Semantic clustering method using integration of advanced LDA algorithm and BERT algorithm
Semantic clustering method using integration of advanced LDA algorithm and BERT algorithm
The subject of the study is an in-depth semantic data analysis based on the modification of the Latent Dirichlet Allocation (LDA) methodology and its integration with the bidirecti...
Topics (Automated Content Analysis)
Topics (Automated Content Analysis)
Topics describe the main issue discussed in an article, for example: Does an article deal with politics, economics or sports?
Field of application/theoretical foundation:
In the co...
An Integrated Clustering and BERT Framework for Improved Topic Modeling
An Integrated Clustering and BERT Framework for Improved Topic Modeling
Abstract
Topic modelling is a machine learning technique that is extensively used in Natural Language Processing (NLP) applications to infer topics within unstructured text...
Improved Topic Modeling with Parallel-Supervised LDA
Improved Topic Modeling with Parallel-Supervised LDA
In the modern era of digitalization, our day-to-day life is entirely dependent on digital platform-from raising our voice in social media to online shopping. Our collective knowled...
Epidemiological, diagnostic and medical-social aspects of latent syphilis
Epidemiological, diagnostic and medical-social aspects of latent syphilis
Objective — to study epidemiological, clinical and medical-social aspects of latent syphilis in Ukraine over the past 40 years.
Materials and methods. Data of patients with latent ...
First Trimester Uterine Artery Doppler Screening for Preeclampsia
First Trimester Uterine Artery Doppler Screening for Preeclampsia
Background: Several screening strategies have been proposed to identify patients in early pregnancy at increased risk of preeclampsia who may benefit from low dose aspirin (LDA) to...
MFS-LDA: a multi-feature space tag recommendation model for cold start problem
MFS-LDA: a multi-feature space tag recommendation model for cold start problem
Purpose
Tags are used to annotate resources on social media platforms. Most tag recommendation methods use popular tags, but in the case of new resources that are as yet untagged (...
A Joint Model for Sentiment-Aware Topic Detection on Social Media
A Joint Model for Sentiment-Aware Topic Detection on Social Media
Joint sentiment/topic models are widely applied in detecting sentiment-aware topics on the lengthy review data and they are achieved with Latent Dirichlet Allocation (LDA) based mo...

