<![CDATA[Penelitian merupakan salah satu aspek penting dalam Tri Dharma Perguruan Tinggi yang berkontribusi dalam pengembangan ilmu pengetahuan melalui eksplorasi dan pemecahan masalah. Salah satu tantangan dalam analisis penelitian dosen adalah mengelompokkan tema penelitian berdasarkan judul yang tersedia agar dapat mengidentifikasi tren topik yang sedang berkembang. Permasalahan utama dalam penelitian ini adalah bagaimana mengelompokkan judul penelitian dosen ke dalam topik yang lebih terstruktur secara otomatis. Oleh karena itu, penelitian ini bertujuan untuk menerapkan metode Latent Dirichlet Allocation (LDA) dan Non-Negative Matrix Factorization (NMF) dalam topic modeling guna mengidentifikasi tren penelitian berdasarkan judul penelitian dosen. Metode yang digunakan dalam penelitian ini melibatkan tahap pengumpulan data, pra-pemrosesan teks, pemodelan topik menggunakan LDA dan NMF, serta evaluasi hasil. LDA dan NMF dipilih karena kemampuannya dalam mengidentifikasi distribusi kata dalam suatu korpus dan mengelompokkan dokumen berdasarkan pola kemunculan kata. Hasil penelitian menunjukkan bahwa model LDA menghasilkan lima topik utama dengan distribusi kata tertinggi pada Topik 0 (10.389 kata), diikuti oleh Topik 1 (2.517 kata), Topik 2 (2.432 kata), Topik 3 (2.286 kata), dan Topik 4 (2.247 kata). Sementara itu, model NMF menghasilkan distribusi data tertinggi pada Topik 0 (9.980 data), diikuti oleh Topik 2 (3.765 data), Topik 3 (2.275 data), Topik 1 (2.202 data), dan Topik 4 (1.649 data). Dari hasil tersebut, terlihat bahwa metode LDA dan NMF memiliki perbedaan dalam pemetaan topik, namun keduanya dapat digunakan untuk analisis tren penelitian dosen.]]>
Copyrights © 2025
