Pemodelan Topik Ulasan Tidak Terstruktur TikTok Shop Seller Center Menggunakan LDA dan BERTopic Berbasis Coherence Score
DOI:
https://doi.org/10.30865/jurikom.v15i5.10101Keywords:
BERTopic, coherence score, LDA, pemodelan topik, TikTok Shop Seller CenterAbstract
Ulasan aplikasi social commerce di Google Play Store merupakan teks tidak terstruktur yang sulit dianalisis secara manual. Penelitian ini memodelkan topik ulasan aplikasi TikTok Shop Seller Center dengan Latent Dirichlet Allocation (LDA) dan BERTopic, lalu membandingkannya dengan tiga ukuran coherence score, yaitu C_V, UMass, dan C_NPMI. Kontribusi penelitian ini adalah perbandingan kedua metode dengan kriteria pemilihan parameter, data masukan, dan prosedur evaluasi yang sama. Sebanyak 2.480 ulasan diambil dengan google-play-scraper pada 14 Juli 2026 (tanggal ulasan 13 Juni 2022 sampai 13 Juli 2026). Setelah case folding, cleaning, tokenisasi, penghapusan stopword, dan stemming dengan Sastrawi, tersisa 2.234 dokumen. Pencarian jumlah topik LDA pada k = 2 sampai 15 memilih k = 3 dengan C_V 0,6107, sedangkan pengujian min_cluster_size BERTopic pada 10, 15, 20, 25, dan 30 memilih nilai 15 dengan lima topik dan C_V 0,6011. Pada evaluasi akhir dengan 10 kata teratas per topik, LDA memperoleh C_V 0,6107, UMass -2,0906, dan C_NPMI 0,0133, sedangkan BERTopic memperoleh 0,6011, -4,1687, dan 0,0040. LDA lebih tinggi pada ketiga ukuran, tetapi selisih C_V dan C_NPMI kecil, sedangkan selisih UMass lebih jelas. Topik yang muncul berkaitan dengan jual-beli dan pengelolaan toko, pesanan, pengiriman, potongan biaya, serta akun dan kemudahan penggunaan. Interpretasi topik belum divalidasi oleh pakar atau penilai manusia dan perlu dilakukan pada penelitian selanjutnya.
References
[1] We Are Social, “Digital 2025: Indonesia.” We Are Social, Feb. 2025. [Online]. Available: https://wearesocial.com/wp-content/uploads/2025/02/Digital_2025_Indonesia_v02.pdf
[2] W. L. Roldan-Baluis, N. A. Zapata, and M. S. M. Vasquez, “The Effect of Natural Language Processing on the Analysis of Unstructured Text: A Systematic Review,” IJACSA, vol. 13, no. 5, 2022, doi: 10.14569/IJACSA.2022.0130507.
[3] D. M. Blei, A. Y. Ng, and M. I. Jordan, “Latent Dirichlet Allocation,” Journal of Machine Learning Research, vol. 3, pp. 993–1022, 2003, doi: 10.1162/jmlr.2003.3.4-5.993.
[4] G. Rosalinda, R. Santoso, and P. Kartikasari, “PEMODELAN TOPIK ULASAN APLIKASI NETFLIX PADA GOOGLE PLAY STORE MENGGUNAKAN LATENT DIRICHLET ALLOCATION,” J.Gauss, vol. 11, no. 4, pp. 554–561, Feb. 2023, doi: 10.14710/j.gauss.11.4.554-561.
[5] M. Grootendorst, “BERTopic: Neural topic modeling with a class-based TF-IDF procedure,” Mar. 11, 2022, arXiv: arXiv:2203.05794. doi: 10.48550/arXiv.2203.05794.
[6] M. D. Pratiwi and K. D. Tania, “Knowledge Discovery Through Topic Modeling on GoPartner User Reviews Using BERTopic, LDA, and NMF,” JAIC, vol. 9, no. 1, pp. 1–7, Jan. 2025, doi: 10.30871/jaic.v9i1.8782.
[7] O. Babalola, B. Ojokoh, and O. Boyinbode, “Comprehensive Evaluation of LDA, NMF, and BERTopic’s Performance on News Headline Topic Modeling,” J. Comput. Theor. Appl., vol. 2, no. 2, pp. 268–289, Nov. 2024, doi: 10.62411/jcta.11635.
[8] R. Egger and J. Yu, “A Topic Modeling Comparison Between LDA, NMF, Top2Vec, and BERTopic to Demystify Twitter Posts,” Front. Sociol., vol. 7, p. 886498, May 2022, doi: 10.3389/fsoc.2022.886498.
[9] Muhamad Gatot Supiadin and Arif Dwi Laksito, “Evaluating LDA and LSA for Topic Modeling in the Indonesian Natural Disaster,” ijcs, vol. 12, no. 6, Dec. 2023, doi: 10.33022/ijcs.v12i6.3478.
[10] D. L. C. Pardede and M. A. I. Waskita, “ANALISIS PEMODELAN TOPIK UNTUK ULASAN TENTANG PEDULI LINDUNGI,” infokom, vol. 28, no. 1, pp. 17–26, 2023, doi: 10.35760/ik.2023.v28i1.7925.
[11] T. Z. Ramadhani, N. Y. Setiawan, and B. Rahayudi, “Evaluasi Aplikasi Layanan Alfagift Berdasarkan Topik Ulasan Pengguna Menggunakan Latent Dirichled Allocation (LDA),” Jurnal Pengembangan Teknologi Informasi dan Ilmu Komputer, vol. 9, no. 6, Jun. 2025.
[12] Haris Tri Saputra, Alfath Damanik, M. Mayo Shaquille, Marini Adibah Rusydi, Muhammad Habib Riziq, and Naya Septia Zulva, “Analisis Modelling Pada Reviewes Lazada Indonesia Menggunakan Latent Dirichlet Allocation (LDA) Untuk Optimalisasi Strategi Bisnis,” JKN, vol. 5, no. 1, pp. 361–371, Feb. 2025, doi: 10.58794/jekin.v5i1.1325.
[13] D. S. A. Rizki, M. S. Khabib, N. Rahmayuna, and V. G. Utomo, “Klasifikasi Sentimen Ulasan Pengguna Aplikasi Layanan Publik Google Play Store Menggunakan NLP dan ML,” Jurnal Tekno Kompak, vol. 20, no. 1, pp. 51–64, 2025, doi: 10.33365/jtk.v20i1.586.
[14] C. I. Ratnasari, “Topic Modeling of Skincare Comments from Female Daily,” Journal of Applied Informatics and Computing (JAIC), vol. 9, no. 4, pp. 1394–1405, Aug. 2025.
[15] L. Ma et al., “AI-powered topic modeling: comparing LDA and BERTopic in analyzing opioid-related cardiovascular risks in women,” Exp. Biol. Med., vol. 250, p. 10389, Feb. 2025, doi: 10.3389/ebm.2025.10389.
[16] R. Albalawi, T. H. Yeap, and M. Benyoucef, “Using Topic Modeling Methods for Short-Text Data: A Comparative Analysis,” Front. Artif. Intell., vol. 3, p. 42, Jul. 2020, doi: 10.3389/frai.2020.00042.
[17] U. Khairani, V. Mutiawani, and H. Ahmadian, “Pengaruh Tahapan Preprocessing Terhadap Model Indobert Dan Indobertweet Untuk Mendeteksi Emosi Pada Komentar Akun Berita Instagram,” JTIIK, vol. 11, no. 4, pp. 887–894, Aug. 2024, doi: 10.25126/jtiik.1148315.
[18] N. Reimers and I. Gurevych, “Sentence-BERT: Sentence Embeddings using Siamese BERT-Networks,” in Proceedings of the 2019 Conference on Empirical Methods in Natural Language Processing and the 9th International Joint Conference on Natural Language Processing (EMNLP-IJCNLP), Hong Kong, China: Association for Computational Linguistics, 2019, pp. 3980–3990. doi: 10.18653/v1/D19-1410.
[19] M. Röder, A. Both, and A. Hinneburg, “Exploring the Space of Topic Coherence Measures,” in Proceedings of the Eighth ACM International Conference on Web Search and Data Mining, Shanghai China: ACM, Feb. 2015, pp. 399–408. doi: 10.1145/2684822.2685324.
[20] G. Bouma, “Normalized (Pointwise) Mutual Information in Collocation Extraction,” in Proceedings of the Biennial GSCL Conference 2009 (From Form to Meaning: Processing Texts Automatically), Tübingen, 2009, pp. 31–40.
[21] L. B. Hutama and D. Suhartono, “Indonesian Hoax News Classification with Multilingual Transformer Model and BERTopic,” IJCAI, vol. 46, no. 8, Nov. 2022, doi: 10.31449/inf.v46i8.4336.
