Memahami Topic Modeling

Apa itu Topic Modeling?

Topic modeling adalah teknik dalam Natural Language Processing (NLP) yang digunakan untuk menemukan pola tersembunyi atau “topik” dalam kumpulan dokumen teks yang besar.

Konsep topic modeling adalah cara komputer untuk membaca sekumpulan besar dokumen dan secara otomatis menemukan tema-tema atau “topik” utama

Intinya topic modeling adalah: kita ingin mendefinisikan sekumpulan teks itu secara topik

Analogi Sederhana Memahami Topic Modeling

Gambar Tumpukan Koran

• Setumpuk artikel koran yang tidak beraturan. mengelompokkannya berdasarkan subjek. TIDAK MUNGKIN KITA akan membaca setiap artikel kata per kata.

• Jika Anda melihat kata "saham" , "inflasi", dan "investasi", Anda akan menaruhnya di tumpukan “Ekonomi”.

Jika Anda melihat kata "gol", "liga", dan "pemain", Anda akan menaruhnya di tumpukan “Olahraga”.

• Topic modeling melakukan hal yang persis sama. Algoritme ini mencari kelompok kata yang sering muncul bersamaan di berbagai dokumen dan menyimpulkan bahwa kelompok kata tersebut membentuk sebuah “topik”.

Masalah yang Diselesaikan Topic Modeling

graph TD
    A[Ribuan Dokumen] --> B{Bagaimana mengetahui<br/>topik utama tanpa<br/>membaca satu per satu?}
    B --> C[💡 Topic Modeling<br/>sebagai solusi]
    
    A1[Artikel berita harian] --> A
    A2[Paper akademik] --> A
    A3[Review produk] --> A
    A4[Post media sosial] --> A
    
    C --> D1[🏷️ Topik Politik]
    C --> D2[🏷️ Topik Ekonomi] 
    C --> D3[🏷️ Topik Teknologi]
    C --> D4[🏷️ Topik Olahraga]
    
    style A fill:#e3f2fd
    style B fill:#fff3e0
    style C fill:#e8f5e8
    style D1 fill:#f3e5f5
    style D2 fill:#f3e5f5
    style D3 fill:#f3e5f5
    style D4 fill:#f3e5f5

---

Proses Umum Topic Modeling

flowchart LR
    subgraph Input ["📄 INPUT"]
        D1["Dokumen 1:<br/>Jokowi mengumumkan<br/>kebijakan ekonomi baru"]
        D2["Dokumen 2:<br/>Timnas Indonesia menang<br/>melawan Malaysia 3-1"]  
        D3["Dokumen 3:<br/>Startup AI Indonesia<br/>dapat funding $50M"]
        D4["Dokumen 4:<br/>Inflasi naik 2.5%<br/>bulan ini"]
    end
    
    subgraph Process ["⚙️ TOPIC MODELING"]
        TM[Algoritma mencari<br/>pola kata-kata<br/>yang sering muncul<br/>bersamaan]
    end
    
    subgraph Output ["🏷️ TOPIK DITEMUKAN"]
        T1["🏛️ POLITIK:<br/>jokowi, presiden,<br/>pemerintah, kebijakan"]
        T2["⚽ OLAHRAGA:<br/>timnas, menang,<br/>pertandingan, skor"]
        T3["💻 TEKNOLOGI:<br/>startup, AI, funding,<br/>artificial, intelligence"]
        T4["💰 EKONOMI:<br/>inflasi, ekonomi, pasar,<br/>kenaikan, persen"]
    end
    
    Input --> Process
    Process --> Output
    
    style Input fill:#e3f2fd
    style Process fill:#fff3e0
    style Output fill:#e8f5e8

Gali dengan Topic Modelling

1. Cocok untuk menganalisis kumpulan ulasan, artikel, berita, laporan
   
2. Tidak perlu tahu topiknya dulu, mesin akan “menemukan” topik secara otomatis

Perbedaan dengan Sentiment Analysis

Perbedaan utama antara Topic Modeling (Pemodelan Topik) dan Sentiment Analysis(Analisis Sentimen) terletak pada tujuan dan output yang dihasilkan.

flowchart LR
  A1[Topic Modeling] --> E1(Apa yang sedang dibicarakan?)
  A2[Sentiment Analysis] --> E2{Bagaimana perasaan mereka tentang itu?}

Algoritma Topic Modeling

Secara sederhana, Topic Modeling adalah prosesnya, sedangkan Algoritma adalah mesin yang menjalankan proses tersebut.

Beberapa algoritma Topic Modeling yang umum digunakan:

1. Latent Dirichlet Allocation (LDA)
2. Non-Negative Matrix Factorization (NMF)
3. BertTopic

Kesimpulan

Topic modeling adalah teknik yang powerful untuk:

1. Mengorganisir dokumen besar secara otomatis
2. Menemukan pola tersembunyi dalam teks
3. Memahami struktur konten tanpa membaca manual
4. Mendukung analisis di berbagai domain

ImportantPoin Penting

Topic modeling bukan magic solution! Hasil yang baik membutuhkan pemahaman domain, preprocessing yang tepat, dan interpretasi yang hati-hati.

---

Referensi Utama

1. Blei, D. M. (2012). Probabilistic topic models. Communications of the ACM, 55(4), 77-84.
2. Silge, J., & Robinson, D. (2017). Text Mining with R: A Tidy Approach. O’Reilly Media.
3. Kherwa, P., & Bansal, P. (2020). Topic modeling: A comprehensive review. EAI Endorsed Transactions on Scalable Information Systems, 7(24).