Pengukuran Topik pada LinkedIn Telkom University dengan Metode Probabilistic Latent Semantic Analysis (PLSA)
Abstract
Abstrak- Saat ini, media sosial sangat diharapkan manusia untuk mencari atau memberi info. LinkedIn merupakan salah satu media sosial yang digunakan untuk saling bertukar informasi secara terbuka. LinkedIn adalah suatu wadah media sosial yang menampung identitas asal pengguna tersebut, sehingga orang yg membutuhkan info tadi dapat mencari ataupun mengunjungi akun profil yg diperlukan sesuai dengan informasinya. Universitas Telkom menggunakan media sosial LinkedIn untuk memberitahu apa saja berita yg terdapat di Universitas Telkom. Terdapat banyak informasi serta topik yang dibahas pada profil LinkedIn Universitas Telkom. Dipenelitian ini dilakukan pengukuran topik pada LinkedIn Universitas Telkom menggunakan metode Probabilistic Latent Semantic Analysis (PLSA). Pengukuran topik ini dilakukan supaya mengetahui efektifitas pengukuran topik di LinkedIn Universitas Telkom dan dengan adanya PLSA pula diketahui apa saja topik yg dibahas pada profil LinkedIn Universitas Telkom. Kemudian dilakukan juga pengukuran perbandingan pengukuran dengan adanya stemming dan stopword. Dari analisis yg dilakukan semakin banyak topik yang diterapkan semakin bagus nilai dari perhitungan log-likehood yg didapat. Dan dari pengukuran yang dilakukan, adanya penerapan stopword dan stemming adalah kondisi terbaik daripada tidak adanya stemming ataupun stopword.
Kata kunci- pengukuran topik, universitas telkom, linkedin, probabilistic latent semantic.
References
Rezza, Mohammad. (2019). Pemodelan Topik Pada Portal Berita Online Menggunakan Latent Dirichlet Allocation (LDA). Tesis. Universitas Gadjah Mada.
Kengken, Ruske Illa. (2014). Pemodelan Topik Untuk Media Sosial Menggunakan Latent Dirichlet Allocation. Skripsi. Universitas Gadjah Mada.
Kumar, A., Sanyal, S. (2010). Efect of Pronoun Resolution on Document Similarity. International Journal of Computer Application (0975-8887) volume 1-No. 16. India: Indian Institut of Information Technology Allahabad.
Jiang, Bo., Jianjun,Wu, And., Yi, Feng.(2020). Topic Modeling for Short Texts via Word Embedding and Document Correlation. IEEE, 30692-30705.
M. P. Arsya, C. Imam, and A. P. Putra. (2019). Tampilan Analisis Sentimen Tentang Opini Maskapai Penerbangan pada Dokumen Twitter Menggunakan Algoritme Support Vector Machine (SVM).
S.Vijayarani and R.Janani, “Text Mining: open Source Tokenization Tools –An Analysis,” Adv. Comput. Intell. An Int. J., vol. 3, no. 1, pp. 37–47, 2016, doi:
5121/acii.2016.3104.
E. B. Setiawan, D. H. Widyantoro, and K. Surendro, “Feature expansion using word embedding for tweet topic classification,” Proceeding 2016 10th Int. Conf. Telecommun. Syst. Serv. Appl. TSSA 2016 Spec. Issue Radar Technol., no. 2011, 2017, doi:
1109/TSSA.2016.7871085.
M. N. Dr. S. Vijayarani, Ms. J. Ilamathi, “Preprocessing Techniques for Text Mining Preprocessing Techniques for Text Mining,” Int. J. Comput. Sci. Commun. Networks, vol. 5, no. October 2014, pp. 7–16, 2015
T. Hofmann. (1999). Probabilistic latent semantic analysis. In UAI’99, pages 289–296. Morgan Kaufmann.
Hofmann, T. (2001). Unsupervised Learning by Probabilistic Latent Semantic Analysis. Machine Learning, 42, 177–196. USA: Department of Computer Science, Brown University.
Suhartono, D. (2014). Probabilistic Latent Semantic Analysis (PLSA) untuk Klasifikasi Dokumen Teks Berbahasa Indonesia.
