GALIH, Muhamad (2026) Analisis Evolusi Topik Riset Skripsi Informatika Menggunakan Neural Topic Modeling (BERTopic) Berbasis Indobert Untuk Dynamic Topic Analysis. Skripsi thesis, Universitas Jenderal Soedirman.

	PDF (Cover) COVER-Muhamad Galih-H1D022052-Skripsi-2026.pdf Download (252kB)
	PDF (Legalitas) LEGALITAS-Muhamad Galih-H1D022052-Skripsi-2026.pdf Restricted to Repository staff only Download (616kB)
	PDF (Abstrak) ABSTRAK-Muhamad Galih-H1D022052-Skripsi-2026.pdf Download (279kB)
	PDF (BabI) BAB-I-Muhamad Galih-H1D022052-Skripsi-2026.pdf Restricted to Repository staff only until 5 May 2027. Download (379kB)
	PDF (BabII) BAB-II-Muhamad Galih-H1D022052-Skripsi-2026.pdf Restricted to Repository staff only until 5 May 2027. Download (857kB)
	PDF (BabIII) BAB-III-Muhamad Galih-H1D022052-Skripsi-2026.pdf Restricted to Repository staff only until 5 May 2027. Download (646kB)
	PDF (BabIV) BAB-IV-Muhamad Galih-H1D022052-Skripsi-2026.pdf Restricted to Repository staff only Download (3MB)
	PDF (BabV) BAB V-Muhamad Galih-H1D022052-Skripsi-2026.pdf Download (270kB)
	PDF (DaftarPustaka) DAFTAR PUSTAKA-Muhamad Galih-H1D022052-Skripsi-2026.pdf Restricted to Repository staff only Download (248kB)
	PDF (Lampiran) LAMPIRAN-Muhamad Galih-H1D022052-Skripsi-2026.pdf Restricted to Repository staff only Download (316kB)

Abstract

Repositori skripsi universitas menyimpan data historis yang berharga untuk memetakan perkembangan fokus penelitian mahasiswa, namun analisis manual terhadap ratusan dokumen tidak memungkinkan dilakukan. Penelitian ini mengimplementasikan BERTopic sebuah arsitektur Neural Topic Modeling yang memanfaatkan model embedding IndoSBERT (denaya/indoSBERT-large), yaitu varian arsitektur Sentence-BERT yang dibangun di atas fondasi IndoBERT dan dilatih khusus untuk menghasilkan representasi vektor kalimat Bahasa Indonesia berdimensi 256 untuk mengidentifikasi topik riset dan menganalisis evolusi temporalnya pada 473 dokumen skripsi Informatika Universitas Jenderal Soedirman periode 2018–2026. Kinerja BERTopic divalidasi terhadap baseline LDA melalui 48 skenario tuning menggunakan composite score gabungan. Hasil evaluasi menunjukkan BERTopic mengungguli LDA secara konsisten: Topic Coherence 0,5182 vs 0,3583 (+44,6%), Topic Diversity 0,8455 vs 0,6500 (+30,1%), dan composite score 0,8366 vs 0,5006 (+67,1%). BERTopic menghasilkan 11 topik koheren tanpa outlier, sementara LDA hanya menghasilkan 8 topik dengan satu topik generik mendominasi 28,8% korpus. Dynamic Topic Analysis menggunakan klasifikasi relative slope (±0,10) mengungkap 5 topik emerging (termasuk Deep Learning dan Machine Learning), 3 topik stable, serta 3 topik declining (termasuk Sistem Informasi Desa/UMKM). Temuan ini mengkonfirmasi pergeseran paradigma riset dari pengembangan sistem informasi konvensional menuju kecerdasan buatan pada periode 2022–2024. Hasil analisis disajikan melalui dashboard interaktif berbasis Laravel dan FastAPI yang terintegrasi dengan Google Gemini API.

Item Type:	Thesis (Skripsi)
Nomor Inventaris:	H26117
Uncontrolled Keywords:	BERTopic, IndoBERT, IndoSBERT, Dynamic Topic Analysis, pemodelan topik, LDA, analisis tren riset
Subjects:	P > P559 Programming languages
Divisions:	Fakultas Teknik > S1 Teknik Informatika
Depositing User:	Mr. Muhamad Galih
Date Deposited:	05 May 2026 07:02
Last Modified:	05 May 2026 07:02
URI:	http://repository.unsoed.ac.id:443/id/eprint/40929

Actions (login required)

View Item