Analisis Pemodelan Topik Mengenai Negara Dengan Kecerdasan Buatan Terbaik Menggunakan Latent Dirichlet Allocation (LDA) di Orange Data Mining

Authors

  • I Made Mustika Kerta Astawa Program Studi Teknik Informatika S-2, Universitas Pamulang
  • Mega Suci Lestari Program Studi Teknik Informatika S-2, Universitas Pamulang
  • Efza Nur Agatya Program Studi Teknik Informatika S-2, Universitas Pamulang

Keywords:

Kecerdasan Artifisial, Topik Modeling, Latent Dirichlet Allocation (LDA), Analisis Teks, Orange Data Mining

Abstract

Penelitian ini bertujuan untuk mengidentifikasi dan mengelompokkan topik-topik utama dalam dokumen teks yang membahas negara-negara dengan penerapan kecerdasan artifisial (AI) terbaik. Dengan menggunakan pendekatan Latent Dirichlet Allocation (LDA) pada platform Orange Data Mining, data dikumpulkan dari 11 artikel daring yang relevan. Proses preprocessing dilakukan untuk membersihkan teks sebelum diubah menjadi representasi numerik menggunakan TF-IDF. Hasil analisis berhasil mengidentifikasi 10 topik utama, yang mencakup isu seperti pendidikan AI, peringkat universitas, kesiapan nasional, serta peluang kerja di bidang AI. Evaluasi model menunjukkan koherensi topik yang baik. Penelitian ini membuktikan bahwa pendekatan LDA dengan Orange efektif dalam mengeksplorasi informasi tematik tersembunyi dalam kumpulan dokumen teks AI..

References

[1] Buenaño-Fernandez, D., González, M., Gil, D., & Luján-Mora, S. (2020). Text Mining of Open-Ended Questions in Self-Assessment of University Teachers: An LDA Topic Modeling Approach. IEEE Access, 8, 295-310. https://doi.org/10.1109/ACCESS.2020.2974983

[2] Choirinnisa, D., Alzami, F., Indrayani, H., Rohmani, A., Nugraini, S. H., Zulfiningrumi, R., & Susanti, F. (2025). LDA Topic Modeling: Twitter-Based Public Opinion on Indonesian Ministry of Finance. Sinkron: Jurnal dan Penelitian Teknik Informatika, 9(2), 849-863. https://doi.org/10.33395/sinkron.v9i2.14719

[3] Polban. (2022). Penggunaan Software Orange Data Mining pada Implementasi Text Mining Dalam Analisis Sentimen Netizen di Twitter Terhadap Kelangkaan Minyak Goreng. Sigmamu, Politeknik Negeri Bandung. https://jurnal.polban.ac.id/sigmamu/article/view/4667

[4] Yuniarti, T., Astuti, J., Faujiyah, F., & Zaiyar, M. (2024). Pendekatan Text Mining dalam Menilai Sentimen Publik pada Baterai Kendaraan Listrik. Jurnal Sistem dan Elektronika, 9(4). https://jse.serambimekkah.id/index.php/jse/article/view/436

[5] Pretnar Žagar, A. (2022, March 18). LDAvis: Visualization for LDA Topic Modelling. Orange Data Mining Blog. https://orangedatamining.com/blog/ldavis-visualization-for-lda-topic-modelling/

[6] Onno Center. (n.d.). Orange: Topic Modelling. Onno Center Wiki. https://onnocenter.or.id/wiki/index.php/Orange:_Topic_Modelling

Downloads

Published

2025-07-28

How to Cite

I Made Mustika Kerta Astawa, Mega Suci Lestari, & Efza Nur Agatya. (2025). Analisis Pemodelan Topik Mengenai Negara Dengan Kecerdasan Buatan Terbaik Menggunakan Latent Dirichlet Allocation (LDA) di Orange Data Mining. Prosiding Seminar Kecerdasan Artifisial, Sains Data, Dan Pendidikan Masa Depan, 3(2), 15–25. Retrieved from https://openjournal.unpam.ac.id/index.php/PROKASDADIK/article/view/52219

Issue

Vol. 3 No. 2 (2025): Vol 3 No 2 (Edisi Juli 2025)

Section

Articles

License

Creative Commons License

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