Penerapan Algoritma Latent Dirichlet Allocation (LDA) untuk Pemodelan Topik pada Komentar YouTube tentang KaburAjaDulu

Faizah Tri Rezeki (Universitas Mercu Buana Yogyakarta)
Irfan Pratama (Universitas Mercu Buana Yogyakarta)

Edutik : Jurnal Pendidikan Teknologi Informasi dan Komunikasi
Vol. 6 No. 3 (2026): EduTIK : Juni 2026

ABSTRAK  Fenomena ‘KaburAjaDulu’ memicu perdebatan mengenai cinta terhadap tanah air dan hilangnya optimisme masyarakat terhadap masa depan di Indonesia. Tren ini menunjukan perubahan pola pikir kritis untuk memperbaiki kualitas hidup yang lebih baik. Untuk menganalisis keresahan tersebut, penelitian ini bertujuan memetakan topik pada komentar YouTube menggunakan algoritma Latent Dirichlet Allocation (LDA) dengan membandingkan model Unigram dan Bigram. Tahapan penelitian meliputi preprocessing seperti case folding & cleansing, stopword removal, normalization, hingga stemming, kemudian dilanjutkan dengan evaluasi kualitas topik berdasarkan nilai Coherence serta visualisasi menggunakan pyLDAvis guna meminimalisir tumpang tindih antartopik. Hasil penelitian adalah LDA mampu memetakan 6 topik utama. Pendekatan Bigram terbukti lebih optimal dibandingkan Unigram. Distribusi topik didominasi oleh wacana Kerja Luar Negeri (23%), yang dipicu langsung oleh tekanan Beban Biaya Hidup (21%) dan Krisis Lapangan Kerja (18%). Selain faktor finansial, penelitian ini berhasil mengungkap kritikan masyarakat yaitu Kritik Pejabat Korup (15%), Dilema Nasionalisme (12%), serta Polemik Pindah Negara (12%). Kesimpulannya, pemodelan Bigram mampu memetakan komentar secara tajam, sekaligus membuktikan bahwa keinginan migrasi dipicu oleh faktor ekonomi dan krisis kepercayaan terhadap pemerintah. ABSTRACT  The “KaburAjaDulu” phenomenon has sparked a debate about patriotism and the public’s loss of optimism regarding Indonesia’s future. This trend reflects a shift in critical thinking aimed at improving the quality of life. To analyze these concerns, this study aims to map topics in YouTube comments using the Latent Dirichlet Allocation (LDA) algorithm by comparing the Unigram and Bigram models. The research stages include preprocessing such as case folding & cleansing, stopword removal, normalization, and stemming, followed by an evaluation of topic quality based on Coherence scores and visualization using pyLDAvis to minimize overlap between topics. The results show that LDA successfully identified 6 main topics. The Bigram approach proved more effective than the Unigram approach. The topic distribution was dominated by the “Kerja Luar Negeri” discourse (23%), directly driven by the pressures of the “Beban Biaya Hidup” (21%) and the “Krisis Lapangan Kerja” (18%). In addition to financial factors, this study successfully uncovered public criticism, namely “Kritik Pejabat Korup” (15%), “Dilema Nasionalisme” (12%), and “Polemik Pindah Negara” (12%). In conclusion, the Bigram model is capable of mapping comments with precision, while also proving that the desire to migrate is triggered by economic factors and a crisis of confidence in the government.