ANALISIS PEMODELAN TOPIK ULASAN DANAU UNESA PADA GOOGLE MAPS MENGGUNAKAN METODE LATENT DIRICHLET ALLOCATION (LDA)

TOPIC MODELING ANALYSIS OF UNESA LAKE REVIEW ON GOOGLE MAPS USING LATENT DIRICHLET ALLOCATION (LDA) METHOD

Ulasan pengguna di platform digital menyimpan informasi berharga yang dapat dimanfaatkan untuk meningkatkan kualitas layanan. Penelitian ini bertujuan untuk mengeksplorasi topik yang muncul dalam ulasan pengunjung Danau UNESA berdasarkan kategori rating dengan pendekatan pemodelan topik menggunakan metode Latent Dirichlet Allocation (LDA). Proses analisis mengikuti tahapan dalam kerangka kerja Knowledge Discovery in Databases (KDD), dimulai dari seleksi data ulasan Google Maps, prapemrosesan teks (pembersihan, normalisasi huruf, tokenisasi, normalisasi kata, dan penghapusan stopword), serta transformasi data ke dalam representasi bag-of-words melalui pembentukan bigram-trigram dan pembuatan dictionary-corpus. Pemodelan topik dilakukan menggunakan LDA, dan hasil dievaluasi serta diinterpretasikan melalui visualisasi pyLDAvis dan wordcloud. Validasi model dilakukan melalui pengujian Word Intrusion Task dan Topic Intrusion Task, dengan tingkat akurasi masing-masing sebesar 0,91 dan 0,88.

Hasil menunjukkan bahwa LDA mampu mengidentifikasi topik secara optimal. Setiap kategori rating menghasilkan topik berbeda yang merepresentasikan persepsi pengunjung terhadap aspek-aspek seperti suasana, kebersihan, kuliner, dan fasilitas. Temuan ini diharapkan dapat memberikan wawasan berbasis data untuk mendukung pengembangan dan pengelolaan Danau UNESA secara lebih efektif.

Kata Kunci: Pemodelan Topik, Latent Dirichlet Allocation, Ulasan Pengguna, Google Maps, Danau UNESA, KDD Framework

User reviews on digital platforms store valuable information that can be used to improve service quality. This study aims to explore the topics that emerge in UNESA Lake visitor reviews based on rating categories with a topic modeling approach using the Latent Dirichlet Allocation (LDA) method. The analysis process follows the stages in the Knowledge Discovery in Databases (KDD) framework, starting from Google Maps review data selection, text preprocessing (cleaning, letter normalization, tokenization, word normalization, and stopword removal), and data transformation into bag-of-words representation through bigram-trigram formation and dictionary-corpus creation. Topic modeling is performed using LDA, and the results are evaluated and interpreted through pyLDAvis and wordcloud visualizations. Model validation is performed through Word Intrusion Task and Topic Intrusion Task testing, with accuracy levels of 0.91 and 0.88, respectively.

The results show that LDA is able to identify topics optimally. Each rating category produces different topics that represent visitor perceptions of aspects such as atmosphere, cleanliness, culinary, and facilities. These findings are expected to provide data-based insights to support the development and management of UNESA Lake more effectively.

Keywords: Topic Modeling, Latent Dirichlet Allocation, User Reviews, Google Maps, UNESA Lake, KDD Framework