PERBANDINGAN KINERJA LDA DAN KEYNMF DALAM PEMODELAN TOPIK DISKURSUS PUBLIK TERKAIT ISU LPDP PADA MEDIA SOSIAL

Abstract

Sebagai program pemerintah, beasiswa Lembaga Pengelola Dana Pendidikan (LPDP) menjadi salah satu program yang banyak diperbincangkan di media sosial, terutama setelah munculnya kontroversi alumni LPDP pada Februari 2026. Diskursus tersebut menghasilkan data teks dalam jumlah besar yang memerlukan metode topic modeling untuk mengidentifikasi topik-topik dominan secara efektif. Penelitian ini bertujuan membandingkan kinerja metode LDA dan KeyNMF dalam pemodelan topik pada data media sosial berbahasa Indonesia terkait LPDP serta mengidentifikasi dan menginterpretasikan topik-topik dominan menggunakan metode terbaik. Penelitian menggunakan 1709 tweet dari platform X dan 3800 komentar YouTube yang dikumpulkan melalui scraping pada periode 15 Februari hingga 28 Februari 2026. Tahapan penelitian meliputi prapemrosesan teks, pemodelan topik, serta evaluasi berdasarkan topic coherence, topic diversity, document coverage, dan interpretabilitas topik. Hasil penelitian menunjukkan bahwa LDA memberikan performa terbaik pada data platform X dengan nilai topic diversity sebesar 1 dan document coverage sebesar 0.809, sedangkan KeyNMF memberikan performa terbaik pada data YouTube dengan nilai topic coherence sebesar 0.506 dan interpretabilitas topik yang lebih baik. Jumlah topik optimal pada kedua data sama-sama berjumlah 7 topik yang secara garis besar berfokus pada 5 isu utama terkait kewarganegaraan penerima, pengelolaan dana publik, seleksi dan sasaran penerima, tata kelola dan kebijakan, serta komitmen alumni dan manfaat program.

As a government program, the Education Fund Management Agency (LPDP) scholarship has become one of the most talked-about topics on social media, particularly following the controversy involving LPDP alumni in February 2026. This discourse has generate large volume of text data that requires topic modeling methods to effectively identify dominant topics. This study aims to compare the performance of LDA and KeyNMF for topic modeling on Indonesian-language social media data related to LPDP and to identify and interpret the dominant topics using the best method. The dataset consists of 1709 tweetsfrom X and 3800 YouTube comments collected via scraping between February 15 and February 28, 2026. The research stages included text preprocessing, topic modeling, and evaluation based on topic coherence, topic diversity, document coverage, and topic interpretability. The results showed that LDA performed best on the X platform data, with a topic diversity score of 1 and a document coverage score of 0.809, while KeyNMF performed best on the YouTube data, with a topic coherence score of 0.506 and better topic interpretability. The optimal number of topics for both datasets is 7, broadly focusing on 5 issues related to recipients’ citizenship, public fund management, recipient selection and targeting, governance and policy, and alumni engagement and program benefits.