Identifikasi Topik Hangat di Media Berita Menggunakan Latent Dirichlet Allocation

Abstract

Akses informasi di era digital saat ini sebagian besar bersumber dari media daring. Namun, identifikasi topik aktual yang tengah hangat dibicarakan publik kian menjadi tantangan untuk menentukan topik berita yang relevan dan menarik perhatian pembaca. Pada studi ini, dikembangkan sistem cerdas berbasis pembelajaran mesin guna membantu portal berita online dalam memahami minat publik terhadap beragam topik. Memanfaatkan pendekatan natural language processing, model latent dirichlet allocation akan digunakan untuk analisis dan klasifikasi berita berdasarkan topiknya. Data teks digital yang digunakan berasal dari beragam portal berita nasional melalui akses application programming interface (API). Melalui text mining dan machine learning, ekstraksi topik utama secara otomatis dari data teks yang besar dan tidak terstruktur dapat dikenali secara cepat juga akurat. Metode ini memungkinkan pengenalan atas topik-topik yang mendominasi berita daring, sehingga memungkinkan pembaca, peneliti, hingga praktisi media untuk tetap terhubung dengan isu terkini. Hasil studi menunjukkan tiga topik terpopuler berdasarkan dominasi token secara berurutan adalah KPK (36.6%), cawapres (32.8%), dan jakarta (30.6%). Penelitian ini diharapkan dapat meningkatkan daya saing portal berita dalam menyajikan konten aktual sesuai preferensi pembaca. Selain itu, hasil studi dapat menjadi acuan bagi peneliti lain dalam bidang serupa di masa mendatang.