<![CDATA[Pemanfaatan Learning Management System (LMS) dalam proses pembelajaran menghasilkan data umpan balik siswa yang dapat digunakan sebagai sumber informasi dalam evaluasi manajemen pembelajaran. Namun, data umpan balik umumnya berbentuk teks tidak terstruktur sehingga membutuhkan pendekatan pemrosesan bahasa alami untuk mengidentifikasi tema-tema utama secara sistematis. Penelitian ini bertujuan mengevaluasi pemodelan topik umpan balik LMS menggunakan BERTopic dengan membandingkan algoritma Hierarchical Density-Based Spatial Clustering of Applications with Noise (HDBSCAN) dan K-Means. Penelitian menggunakan 4.358 dokumen umpan balik siswa berbahasa Indonesia. Tahapan penelitian meliputi prapemrosesan teks, pembentukan representasi semantik menggunakan model paraphrase-multilingual-MiniLM-L12-v2, reduksi dimensi menggunakan UMAP, pengelompokan dokumen, serta evaluasi kualitas topik. Penentuan jumlah klaster K-Means dilakukan menggunakan Silhouette Score, DaviesBouldin Index, dan Calinski-Harabasz Score, dengan K=26 dipilih berdasarkan Silhouette Score tertinggi sebesar 0,4999. Hasil penelitian menunjukkan bahwa HDBSCAN memperoleh nilai c_v sebesar 0,5953 dan c_npmi sebesar 0,0523, lebih tinggi dibandingkan K-Means yang memperoleh nilai 0,5885 dan 0,0428. Sebaliknya, K-Means menghasilkan Topic Diversity sebesar 0,5269 dan cakupan dokumen 100%, sedangkan HDBSCAN memperoleh Topic Diversity sebesar 0,5192 dengan cakupan dokumen 74,02% dan 25,98% dokumen teridentifikasi sebagai outlier. Hasil tersebut menunjukkan adanya perbedaan antara selektivitas pembentukan topik dan cakupan dokumen. HDBSCAN menghasilkan topik yang lebih selektif, sedangkan K-Means mampu mengalokasikan seluruh dokumen ke dalam klaster. Temuan penelitian dapat menjadi pertimbangan dalam pemilihan algoritma pengelompokan pada pemodelan umpan balik LMS untuk mendukung evaluasi manajemen pembelajaran.]]>
Copyrights © 2026
