PEMODELAN TOPIK CHATGPT PADA ULASAN TWITTER MENGGUNAKAN METODE LATENT DIRICHLET ALLOCATION

Ricky Putra Sardika, Cerwyn Asyraq, Muhammad Rizky Pribadi, Wijang Widhiarso

Abstract


Maraknya tren penggunaan Artificial Intellience (AI) di era teknologi saat ini. Salah satu contoh nya yakni chatbot yang bernama chatgpt. Telah banyak topik  obrolan atau pertanyaan yang telah dilontarkan melalui chatgpt ini dari berbagai kalangan seperti orang biasa, pelajar, guru atau dosen, hingga tenaga peneliti. Hal tersebut dapat dideteksi untuk mengetahui tren topik  hangat yang paling dominan dibicarakan di twitter. Namun dengan ratusan metadata tersebut akan sulit dicari dan dibaca.  Oleh karena itu dibutuhkan metode Latent Dirichlet Allocation (LDA) untuk menyelesaikan masalah tersebut. LDA mampu melakukan analisis tentang tren topik hangat yang sedang dibahas di twitter mengenai chatgpt. Dari 202304 ulasan twitter mengenai chatgpt, didapat sejumlah 30 kata tren secara keseluruhan hasil dari topic modelling yang dilakukan dengan masing – masing 10 topik berdasarkan yang sudah dimodelkan.

References


Dewonoto Laut Santoso, P., Riski, I., Kholik, N., Raffi Akbar, M., & Saifudin, A. (2021). Penerapan Artificial Intelligence dalam Aplikasi Chatbot sebagai Media Informasi dan Pembelajaran mengenai Kebudayaan Bangsa. Jurnal Informatika Universitas Pamulang, 6(3), 579–589. http://openjournal.unpam.ac.id/index.php/informatika579

Feng, Y., Vanam, S., Cherukupally, M., Zheng, W., Qiu, M., & Chen, H. (n.d.). Investigating Code Generation Performance of ChatGPT with Crowdsourcing Social Data. 1–10.

Luvian chisni chilmi, M. (2021). Latent dirichlet allocation (LDA) untuk mengetahui topik pembicaraan warganet twitter tentang omnibus law. Universitas Islam Negeri Syarif Hidayatullah, 1–131.

Prasetiyanto, A. E., & Hartanto, A. D. (2022). Analisis Review Siswa Selama Pembelajaran pada Masa Pandemi Menggunakan Metode Topic Modelling LDA. 1, 241–246.

Raya, U. P., & Tengah, K. (2023). ChatGPT : Keuntungan , Risiko , Dan Penggunaan Bijak Dalam Era Kecerdasan Buatan. 2(1).

Sahria, Y., & Hatta Fudholi, D. (2017). Analisis Topik Penelitian Kesehatan di Indonesia Menggunakan Metode Topic Modeling LDA (Latent Dirichlet Allocation). Masa Berlaku Mulai, 1(3), 336–344.

Setijohatmo, U. T., Rachmat, S., Susilawati, T., Rahman, Y., & Kunci, K. (2020). Analisis Metoda Latent Dirichlet Allocation untuk Klasifikasi Dokumen Laporan Tugas Akhir Berdasarkan Pemodelan Topik. Prosiding The 11th Industrial Research Workshop and National Seminar, 402–408.

Taecharungroj, V. (2023). “What Can ChatGPT Do?” Analyzing Early Reactions to the Innovative AI Chatbot on Twitter. Big Data and Cognitive Computing, 7(1), 35. https://doi.org/10.3390/bdcc7010035

Vulić, I., De Smet, W., & Moens, M. F. (2011). Identifying word translations from comparable corpora using latent topic models. ACL-HLT 2011 - Proceedings of the 49th Annual Meeting of the Association for Computational Linguistics: Human Language Technologies, 2, 479–484.

Yoga, S., Nurul Isnaini, F., & Pamulatsih Dwi, O. (2020). Pemodelan Topik Penelitian Bidang Keperawatan Indonesia pada Repository Jurnal Sinta Menggunakan Metode Topic Modelling LDA (Latent Dirichlet Allocation). Seminar Nasional Teknologi Informasi & Ilmu Komputer, 1, 90–102.




DOI: https://doi.org/10.24853/justit.14.2.80-86

Refbacks

  • There are currently no refbacks.


This work is licensed under a Creative Commons Attribution-NonCommercial 4.0 International License

Statistik Pengunjung

Powered by Puskom-UMJ