Permodelan Topik Menggunakan Latent Dirichlet Allocation
•Download as PPTX, PDF•
0 likes•488 views
Topic Modeling adalah proses untuk secara otomatis mengidentifikasi topik yang ada dalam objek teks dan untuk mendapatkan pola tersembunyi yang ditunjukkan oleh korpus teks. Dengan demikian, membantu pengambilan keputusan yang lebih baik.
![Permodelan Topik
Topic Modeling adalah proses untuk
secara otomatis mengidentifikasi
topik yang ada dalam objek teks dan
untuk mendapatkan pola tersembunyi
yang ditunjukkan oleh korpus[1]
teks. Dengan demikian, membantu
pengambilan keputusan yang lebih
baik.
[1]Korpus (corpus) adalah bagian dari pustaka teks elektronik, tetapi korpus dibangun dengan
kreteria untuk tujuan khusus. Korpus dalam bentuk jamak disebut korpora (corpora)](data:image/gif;base64,R0lGODlhAQABAIAAAAAAAP///yH5BAEAAAAALAAAAAABAAEAAAIBRAA7)
Recommended
More Related Content
What's hot
What's hot (20)
Similar to Permodelan Topik Menggunakan Latent Dirichlet Allocation
Similar to Permodelan Topik Menggunakan Latent Dirichlet Allocation (18)
More from David Rigan
Recently uploaded
Recently uploaded (20)
Permodelan Topik Menggunakan Latent Dirichlet Allocation
- 1. Permodelan Topik Menggunakan Latent Dirichlet Allocation pada Tweet @kompas.com oleh 15.11.9382 | 15.11.9379 | 15.11.9353 | 15.11.9362
- 2. Permodelan Topik Topic Modeling adalah proses untuk secara otomatis mengidentifikasi topik yang ada dalam objek teks dan untuk mendapatkan pola tersembunyi yang ditunjukkan oleh korpus[1] teks. Dengan demikian, membantu pengambilan keputusan yang lebih baik. [1]Korpus (corpus) adalah bagian dari pustaka teks elektronik, tetapi korpus dibangun dengan kreteria untuk tujuan khusus. Korpus dalam bentuk jamak disebut korpora (corpora)
- 4. Latent Dirichlet Allocation (LDA) Latent Dirichlet Allocation atau LDA merupakan algoritma untuk mendeteksi topik melalui permodelan probabilistik dalam sekumpulan data. LDA mengasumsikan setiap dokumen memiliki topik dan dibentuk dari kata-kata yang berkaitan dengan topik tersebut, sehingga suatu dokumen dapat direpresentasikan sebagai campuran dari topik topik tersembunyi dengan proporsi yang berbeda-beda.
- 5. Latent Dirichlet Allocation Algoritme pertama adalah menginisiasi parameter, seperti: jumlah dokumen, banyak kata dalam sebuah dokumen, jumlah topik, jumlah iterasi, dan koefisien LDA.
- 6. Inisialisasi Parameter Langkah selanjutnya adalah menandai sebuah kata dengan topik yang telah ditentukan secara semi random distribution yang berdasarkan distribusi dirichlet. Dalam sebuah dokumen terdapat semua topik.
- 7. Inisialisasi pemberian topic secara acak Selanjutnya adalah tahap iterasi, di mana akan dihasilkan parameter yang dapat menentukan distribusi dari jumlah topik dalam dokumen dan juga distribusi kata dari topik. Hal inilah yang akan terus dievaluasi untuk mengukur seberapa lazim sebuah kata terhadap topik tersebut. Selain itu juga untuk melihat seberapa lazim topik tersebut berada dalam sebuah dokumen.
- 8. Demo
Editor's Notes
- Jika kita lihat, ada tiga karakteristik yaitu: Exploratory, dimana topic modeling dapat mencari apa yang ada dalam sebuah corpus besar. Karakteristik yang kedua adalah clustering, topic modeling dapat mengumpulkan dokumen-dokumen yang memiliki arti yang sama. Karakteristik ketiga adalah latent variables. Karakteristik ini dapat mengetahui struktur tematik dari sebuah corpus yang besar. Ketiga karakteristik tersebut memperlihatkan bagaimana topic modeling menghasilkan informasi tentang topik apa yang dibicarakan
- Algoritme pertama adalah menginisiasi parameter, seperti: jumlah dokumen, banyak kata dalam sebuah dokumen, jumlah topik, jumlah iterasi, dan koefisien LDA. Dalam LDA, jumlah topik harus ditentukan, jadi jika jumlah topik lebih banyak dari dari topik yang sesungguhnya, akan ada topik yang sama. Sebaliknya, jika jumlah topik lebih sedikit dari topik yang sesungguhnya maka ada satu topik yang mengandung lebih dari satu topik.