Implementasi LDA  untuk Pengelompokan Topik Tweet Akun Bot Twitter bertagar #covid-19

Muhammad Alif Noor Febriansyach; Faza Rashif; Goldio Ihza Perwira Nirvana; Nur Aini Rakhmawati

doi:10.31154/cogito.v7i1.299.170-181

Authors

Muhammad Alif Noor Febriansyach Institut teknologi Sepuluh Nopember http://orcid.org/0000-0002-5496-5620
Faza Rashif Institut teknologi Sepuluh Nopember http://orcid.org/0000-0003-3084-2594
Goldio Ihza Perwira Nirvana Institut teknologi Sepuluh Nopember http://orcid.org/0000-0002-0602-9061
Nur Aini Rakhmawati Institut teknologi Sepuluh Nopember http://orcid.org/0000-0002-1321-4564

DOI:

https://doi.org/10.31154/cogito.v7i1.299.170-181

Abstract

Twitter merupakan media sosial yang sedang mengalami perkembangan yang pesat, karena pengguna dapat berinteraksi satu sama lain menggunakan media komputer atau perangkat mobile. Perubahan tagar trending yang berubah dengan cepat sesuai sesuai dengan intensitas pengguna membicarakan hal tertentu. Sehingga media social twitter ini cocok untuk merumpi membicarakan hal-hal terkini, salah satunya masalah COVID-19. Hal ini tidak menutup kemungkinan ada oknum yang menggunakan predikat ini untuk membuat berita untuk menggiring opini public mengenai COVID-19 mengenai berita baik maupun berita yang tak bersumber yang dapat menyebar dengan cepat. Pada penelitian ini penulis ingin mengetahui macam-macam topik yang dibahas oleh akun bot terhadap penyebaran informasi menggunakan tagar #covid19. Penelitian ini dilakukan dengan menggunakan metode Latent Dirichlet Allocation (LDA ). Analisis dilakukan setelah melakukan text mining pada 162 Tweet dari 62 akun bot Twitter. Untuk menentukan jumlah topik yang optimal, yakni dengan melihat nilai perplexity dan topik coherence. Hasil yang didapatkan adalah 5 topik teratas antara lain tentang kondisi dan dampak pandemi saat ini, himbauan untuk menjaga jarak agar Kesehatan tetap terjaga, perkembangan penyebaran COVID 19 yang ada di Indonesia, vaksinasi yang terjadi di beberapa wilayah di Indonesia, dan cara menghadapi COVID-19.Kata kunci—Covid-19, Twitter, Akun Bot, LDA

References

D. Inayah dan F. L. Purba, “Implementasi Social Network Analysis Dalam Penyebaran Informasi Virus Corona (Covid-19) Di Twitter,” Semin. Nas. Off. Stat., vol. 2020, no. 1, hal. 292–299, 2021, doi: 10.34123/semnasoffstat.v2020i1.

J. Clement, “twitter: number of monthly active users 2010-2019,” statista.com, 2019, [Daring]. Tersedia pada: https://www.statista.com/statistics/282087/number-of-monthly-active-twitter-users/.

J. Sinuhaji, “Peneliti Sebut Persen dari 200 Juta Cuitan Virus Corona di Twitter Adalah Bot,” pikiran-rakyat.com, 2020. https://www.pikiran-rakyat.com/teknologi/prpeneliti-sebutpersen-dari-200-juta-cuitan-virus-corona-di-twitter-adalah-bot (diakses Apr 06, 2021).

F. F. Rachman dan S. Pramana, “Analisis Sentimen Pro dan Kontra Masyarakat Indonesia tentang Vaksin COVID-19 pada Media Sosial Twitter,” Heal. Inf. Manag. J., vol. 8, no. 2, hal. 100–109, 2020, [Daring]. Tersedia pada: https://inohim.esaunggul.ac.id/index.php/INO/article/view/223/

A. A. Amrullah, A. Tantoni, N. Hamdani, R. T. R. L. Bau, M. R. Ahsan, dan E. Utami, “Reviewatas Analisis Sentimen Pada Twitter Sebagai Representasi Opini Publik Terhadap Bakal Calon Pemimpin,” Pros. Semin. Nas. Multi Disiplin Ilmu Call Pap. Unisbank, vol. 2, no. 1, hal. 978–979, 2016.

I. Putra dan I. Dana, “Pengaruh Profitabilitas, Leverage, Likuiditas Dan Ukuran Perusahaan Terhadap Return Saham Perusahaan Farmasi Di Bei,” E-Jurnal Manaj. Univ. Udayana, vol. , no. 11, hal. 249101, 2016.

P. G. Pratama dan N. A. Rakhmawati, “Social bot detection on 2019 indonesiapresident candidates supporters tweets,” Procedia Comput. Sci. 161, hal. 813–820, 2019.

“Unsupervised Machine Learning: What is, Algorithms, Example,” Guru99. https://www.guru99.com/unsupervised-machine-learning.html (diakses Jun 27, 2021).

V. Sharma, “Unsupervised Learning an Angle for Unlabelled Data World,” TechTarget, 2018. https://www.datasciencecentral.com/profiles/blogs/unsupervised-learning-an-angle-for-unlabelled-data-world (diakses Jun 27, 2021).

M. Steyvers dan T. Griffiths, “Probalistic Topic Models,” Latent Semant. Anal. A Road To Mean., vol. 3, no. 3, hal. 993–1022, 2010, [Daring]. Tersedia pada: http://www.sciencedirect.com/science/article/pii/S0140366413001047ceas.cc/2004/167.pdfdoi.acm.org/101806338eprints.soton.ac.ukieeexplore.ieee.org/lpdocs/epic03/wrapper.htm?arnumber=7033160

Y. Sahria dan D. H. Fudholi, “Analisis Topik Penelitian Kesehatan di Indonesia Menggunakan Metode Topic Modeling LDA,” J. Rekayasa Sist. dan Teknol. Inf., vol. 4, no. 2, hal. 336–344, 2020, [Daring]. Tersedia pada: http://jurnal.iaii.or.id.

W. M. Darling, “A theoretical and practical implementation tutorial on topic modeling and gibbs sampling,” Proc. 49th Annu. Meet. Assoc. Comput. Linguist. Hum. Lang. Technol., hal. 1–10, 2011.

R. F. Rizki, “Mau Deteksi Akun Bot di Twitter? Gunakan Botometer,” Teknologi.id, 2020. https://teknologi.id/insight/mau-deteksi-akun-bot-di-twitter-gunakan-botometer (diakses Mar 30, 2021).

“Topic modeling,” cfss.uchicago.edu, 2021. https://cfss.uchicago.edu/notes/topic-modeling/#:~:text=Perplexity is a statistical measure,of words in your documents (diakses Apr 06, 2021).

F. Rashif, G. I. P. Nirvana, dan M. A. N. Febriansyach, “Dataset dari Akun Bot Twitter,” 2021. https://zenodo.org/record/4679107#.YHKM8OgzaUk.