COMPARATIVE ANALYSIS OF LATENT DIRICHLET ALLOCATION (LDA) AND NONNEGATIVE MATRIX FACTORIZATION (NMF) FOR TOPIC MODELING

Fadel Thariq Gifari, Dr. Nur Rokhman,S.Si., M.Kom ; Azhari, Drs., MT., Dr

2024 | Skripsi | ILMU KOMPUTER

Tekanan yang meningkat untuk mengendalikan pemanasan global dan kecepatan pengembangan teknologi energi terbarukan baru telah membuat perlu untuk mengorganisir dan mengekstrak informasi secara efisien dari jutaan artikel energi terbarukan. Penelitian ini menyelidiki penggunaan pemodelan topik sebagai sarana yang ampuh untuk menemukan tema laten dalam energi terbarukan. Studi ini berupaya membandingkan Latent Dirichlet Allocation (LDA) dengan Non-Negative Matrix Factorization (NMF) dengan mengidentifikasi tema-tema laten dan menganalisis waktu komputasi masing-masing. Hasil eksperimen ini menyatakan bahwa evaluasi LDA dengan NMF untuk pemodelan topik menemukan bahwa LDA secara konsisten berkinerja lebih baik daripada NMF dalam skor koherensi, dengan total perbedaan skor 3,23%. NMF menunjukkan peningkatan 19,0?lam efisiensi komputasi sedangkan LDA menunjukkan penurunan 50?lam waktu komputasi. LDA adalah pilihan yang direkomendasikan untuk pemodelan topik yang koheren karena mempertahankan koherensi yang lebih besar tanpa menimbulkan waktu komputasi yang besar.

The increasing pressure for controlling global warming and the speed at which new

renewable energy technologies are being developed has made it necessary to efficiently organize

and extract information from millions of renewable energy articles. This research investigates the

use of topic modeling as a potent means of finding latent themes in renewable energy. The study

seeks to compare Latent Dirichlet Allocation with Non-Negative Matrix Factorization by

identifying latent themes and analyzing its respective computational time. The results of this

experiment stated that the evaluation of LDA with NMF for topic modeling and discovered that

LDA consistently performed better than NMF in coherence scores, with a total score difference of

3.23%. NMF showed a 19.0% gain in computational efficiency whereas LDA showed a 50%

decrease in computing time. LDA is the recommended option for coherent topic modeling as it

preserves greater coherence without incurring a large computational time.

Kata Kunci : renewable energy, LDA, NMF, solutions, computational time, coherent