PEMODELAN TOPIK SARAN MAHASISWA PADA SIMAK UNISMUH MENGGUNAKAN BERTOPIC

Abstrak

Penelitian ini mengkaji penggunaan algoritma BERTopic untuk pemodelan topik pada data saran mahasiswa yang dikumpulkan melalui SIMAK UNISMUH. Penelitian ini bertujuan untuk mengidentifikasi dan memvisualisasikan pola tematik dalam saran mahasiswa, dengan tujuan meningkatkan layanan akademik dan fasilitas kampus. Studi ini memanfaatkan teknik Natural Language Processing (NLP), khususnya BERTopic, yang menggabungkan keunggulan Bidirectional Encoder Representations from Transformers (BERT) dengan algoritma clustering untuk menghasilkan representasi topik yang kontekstual dan mudah diinterpretasikan. Data penenelitian terdiri dari 232.430 entri saran yang diproses untuk menghilangkan noise dan informasi yang tidak relevan, menghasilkan 26.009 entri valid. Entri-entri ini kemudian diproses menggunakan algoritma BERTopic, menghasilkan 9 topik yang berbeda terkait dengan berbagai aspek kehidupan akademik, termasuk metode pengajaran, fasilitas kampus, dan layanan adminstrasi. Coherence score sebesar 0.637 menunjukkan konsistensi internal yang kuat dalam topik-topik yang diidentifikasi sementara analisis mengungkapkan area utama di mana universitas dapat meningkatkan layanannya. Temuan dari penelitian ini memberikan wawasan yang dapat ditindaklanjuti bagi administrator universitas, memungkinkan mereka membuat keputusan dan kinerja akademik mahasiswa. Selain itu, penelitian ini berkontribusi pada bidang pemodelan topik dalam konteks pendidikan dan menunujukkan efektivitas BERTopic dalam mengolah data tekstual skala besar.