<![CDATA[Roblox merupakan salah satu platform permainan daring berbasis user-generated content yang memiliki jutaan pengguna aktif dan menghasilkan ulasan dalam jumlah besar di Google Play Store. Ulasan tersebut memuat berbagai pengalaman, kepuasan, maupun keluhan pengguna yang dapat dimanfaatkan sebagai masukan bagi pengembang. Namun, banyaknya data ulasan yang bersifat tidak terstruktur menyebabkan proses analisis secara manual menjadi tidak efektif. Penelitian ini bertujuan mengidentifikasi topik-topik utama yang terdapat pada ulasan pengguna aplikasi Roblox menggunakan metode topic modelling berbasis Non-Negative Matrix Factorization (NMF). Data penelitian diperoleh melalui proses scraping terhadap 10.000 ulasan terbaru berbahasa Indonesia di Google Play Store. Tahapan penelitian meliputi preprocessing berupa cleaning, case folding, normalisasi kata slang, stopword removal, dan penghapusan dokumen kosong sehingga diperoleh 9.835 ulasan yang siap dimodelkan. Selanjutnya dilakukan representasi teks menggunakan TF-IDF, evaluasi variasi jumlah topik menggunakan Coherence Score, serta pemodelan NMF dengan jumlah topik terbaik. Hasil penelitian menunjukkan bahwa nilai K=6 menghasilkan Coherence Score tertinggi sebesar 0,5111, sehingga dipilih sebagai jumlah topik optimal. Enam topik yang dihasilkan menggambarkan pengalaman pengguna terkait kualitas permainan, keseruan bermain, kepuasan pengguna, performa aplikasi, serta berbagai kendala teknis seperti fitur chat, map, dan jaringan. Temuan ini menunjukkan bahwa kombinasi algoritma NMF dan evaluasi Coherence Score mampu menghasilkan topik yang koheren dan mudah diinterpretasikan, sehingga dapat dimanfaatkan sebagai dasar pengambilan keputusan untuk meningkatkan kualitas layanan dan pengalaman pengguna aplikasi Roblox.]]>
Copyrights © 2026
