Perpustakaan Digital ITB

Pesatnya pertumbuhan media sosial menyebabkan meningkatnya jumlah percakapan dalam grup chat, yang menyulitkan pengguna untuk memahami informasi penting yang telah dibahas. Karakteristik unik teks chat—seperti bahasa informal, interupsi, dan tidak adanya pemisah topik yang jelas—menambah tantangan dalam analisis. Penelitian ini berfokus pada pemodelan topik percakapan menggunakan pendekatan modern berbasis representasi embedding. Penelitian ini menggunakan dataset dari grup Telegram “Python Indonesia” dan membandingkan tiga pendekatan pemodelan topik, yaitu BERTopic, Dynamic Embedded Topic Model (D-ETM), dan Topic Noise Discriminator (TND). Model dievaluasi menggunakan metrik coherence score, topic diversity, dan training time. Selain itu, hasil pemodelan divisualisasikan dalam berbagai bentuk seperti Intertopic Distance Map, Hierarchical Clustering, Keyword Relationship, hingga Topic Evolution per Time, untuk membantu pengguna memahami tren percakapan dan struktur topik dalam grup. Eksperimen menunjukkan bahwa TND unggul dalam koherensi dan efisiensi waktu pelatihan, sementara BERTopic lebih unggul dalam interpretabilitas topik melalui visualisasi yang intuitif. D-ETM juga memberikan keunggulan dalam melacak perubahan topik dari waktu ke waktu. Visualisasi yang dihasilkan, meskipun masih dalam tahap evaluasi menyeluruh, terbukti membantu memperkuat pemahaman topik dan relevansi kata kunci dalam konteks diskusi grup. Kombinasi ketiga model memberikan perspektif komplementer dalam analisis tematik teks percakapan.