Topic Modelling Pengalaman Pengguna Game Roblox Menggunakan Algoritma Non-Negative Matrix Factorization (NMF)

Kamarudin; Nuri Cahyono

doi:10.66785/fimerkom.v3i1.232

Authors

Kamarudin Program Studi S1 Informatika, Fakultas Ilmu Komputer, Universitas Amikom Yogyakarta, Sleman, Indonesia
Nuri Cahyono Program Studi S1 Informatika, Fakultas Ilmu Komputer, Universitas Amikom Yogyakarta, Sleman, Indonesia

DOI:

https://doi.org/10.66785/fimerkom.v3i1.232

Keywords:

Topic Modelling, Non-Negative Matrix Factorization, Roblox, Coherence Score

Abstract

Roblox merupakan salah satu platform permainan daring berbasis user-generated content yang memiliki jutaan pengguna aktif dan menghasilkan ulasan dalam jumlah besar di Google Play Store. Ulasan tersebut memuat berbagai pengalaman, kepuasan, maupun keluhan pengguna yang dapat dimanfaatkan sebagai masukan bagi pengembang. Namun, banyaknya data ulasan yang bersifat tidak terstruktur menyebabkan proses analisis secara manual menjadi tidak efektif. Penelitian ini bertujuan mengidentifikasi topik-topik utama yang terdapat pada ulasan pengguna aplikasi Roblox menggunakan metode topic modelling berbasis Non-Negative Matrix Factorization (NMF). Data penelitian diperoleh melalui proses scraping terhadap 10.000 ulasan terbaru berbahasa Indonesia di Google Play Store. Tahapan penelitian meliputi preprocessing berupa cleaning, case folding, normalisasi kata slang, stopword removal, dan penghapusan dokumen kosong sehingga diperoleh 9.835 ulasan yang siap dimodelkan. Selanjutnya dilakukan representasi teks menggunakan TF-IDF, evaluasi variasi jumlah topik menggunakan Coherence Score, serta pemodelan NMF dengan jumlah topik terbaik. Hasil penelitian menunjukkan bahwa nilai K=6 menghasilkan Coherence Score tertinggi sebesar 0,5111, sehingga dipilih sebagai jumlah topik optimal. Enam topik yang dihasilkan menggambarkan pengalaman pengguna terkait kualitas permainan, keseruan bermain, kepuasan pengguna, performa aplikasi, serta berbagai kendala teknis seperti fitur chat, map, dan jaringan. Temuan ini menunjukkan bahwa kombinasi algoritma NMF dan evaluasi Coherence Score mampu menghasilkan topik yang koheren dan mudah diinterpretasikan, sehingga dapat dimanfaatkan sebagai dasar pengambilan keputusan untuk meningkatkan kualitas layanan dan pengalaman pengguna aplikasi Roblox.

References

D. Kurniawan, Roblox: Dunia Permainan Ciptaan Anda. Afdan Rojabi Publisher, 2025.

A. H. Sutopo, Pengembangan Bahan Ajar Berbasis Metaverse. Topazart, 2022.

D. D. Alfaridzi, T. H. Pudjiantoro, and I. Santikarama, "Implementation of Aspect-Based Sentiment Analysis for Outdoor Gear Product Reviews on the Tokopedia E-Commerce Platform (Case Study: Eiger Adventure)," Holistic Science, vol. 5, no. 2, pp. 173–184, 2025.

N. Cahyono, Fundamental Topic Modelling: Memahami Tren & Topik dalam Text Mining. Mega Press Nusantara, 2024.

U. N. Khadijah and N. Cahyono, "Analisis Topic Modelling Pariwisata Yogyakarta Menggunakan Latent Dirichlet Allocation (LDA)," The Indonesian Journal of Computer Science, vol. 13, no. 4, 2024.

N. Cahyono, N. Nurcahyo, A. Fauzan, and R. Agung, "Analisa Perbandingan Latent Semantic Indexing (LSI) dan Latent Dirichlet Allocation (LDA) untuk Topic Modelling Aplikasi Identitas Kependudukan Digital (IKD)," Building of Informatics, Technology and Science, vol. 6, no. 3, pp. 1638–1647, 2024.

S. Saikin, S. Fadli, J. Akbar, and H. Fahmi, "Topic Modeling Judul Penelitian Menggunakan Metode Latent Dirichlet Allocation (LDA) dan Faktorisasi Matriks Non-Negatif (NMF)," JATI (Jurnal Mahasiswa Teknik Informatika), vol. 9, no. 2, pp. 3439–3445, 2025.

Y. M. Yolanda, D. Swanjaya, and D. P. Pamungkas, "Sistem Pencarian Dongeng Berbasis Topik Menggunakan Latent Dirichlet Allocation (LDA) pada Aplikasi Nusantara Panji Kediri," Rabit: Jurnal Teknologi dan Sistem Informasi Univrab, vol. 10, no. 2, pp. 394–407, 2025.

R. A. Kurniawan, P. Purwantoro, and I. Maulana, "Pemodelan Topik Ulasan Pengguna Honkai Star Rail Menggunakan BERTopic Berbasis IndoBERT," Blend Sains Jurnal Teknik, vol. 4, no. 4, pp. 872–881, 2026.

R. Hasanah, S. Sulistiani, N. Nurhikmayani, Z. Hasanah, S. A. Wijaya, D. Abdennasser, and A. N. Sharkawy, "Play Store Data Scrapping and Preprocessing Done as Sentiment Analysis Material," Indonesian Journal of Modern Science and Technology, vol. 1, no. 1, pp. 16–21, 2025.

M. Faza, M. R. Sanjaya, A. Ibrahim, and M. H. Syahbani, "Analisis Ulasan Sentimen pada Aplikasi Mobile BSB Menggunakan Algoritma Convolutional Neural Networks dan Support Vector Machine," MALCOM: Indonesian Journal of Machine Learning and Computer Science, vol. 6, no. 2, pp. 829–838, 2026.

A. T. Nasirah, H. T. Surbakti, and R. Kaban, "Klasifikasi Sentimen Tayangan Televisi dengan TF-IDF dan Naive Bayes," Jurnal Media Akademik (JMA), vol. 4, no. 7, 2026.

F. M. Hidayat, H. Sanjaya, D. Purnomo, and H. Wiranto, "Pemodelan Topik Berita Nasional Indonesia Menggunakan Latent Dirichlet Allocation," INFOTECH Journal, vol. 12, no. 1, pp. 33–39, 2026.

M. Hasanah and W. Yustanti, "Pengembangan Standarisasi Kategori Keluhan Aplikasi MyPelindo Berbasis Latent Dirichlet Allocation dan Klasifikasi," Jurnal Ilmu Teknologi Informasi Indonesia, vol. 2, no. 2, pp. 205–212, 2026.

D. Wang, P. Zhang, P. Deng, Q. Wu, W. Chen, T. Jiang, et al., "An Autoencoder-Like Deep NMF Representation Learning Algorithm for Clustering," Knowledge-Based Systems, vol. 305, Art. no. 112597, 2024.

N. Ramadhani, D. A. E. Aritonang, K. D. Tania, and A. Rifai, "Knowledge Discovery terhadap Informasi Kesehatan di Media X Menggunakan Topic Modeling Berbasis Non-Negative Matrix Factorization (NMF)," JATI (Jurnal Mahasiswa Teknik Informatika), vol. 10, no. 3, pp. 4040–4047, 2026.

G. I. Ratumbuysang and I. R. Tangkawarow, "Studi Literatur: Analisis Topik Otomatis Isu Pemilu Indonesia Menggunakan Algoritma LDA dan NMF," Edutik: Jurnal Pendidikan Teknologi Informasi dan Komunikasi, vol. 6, no. 1, pp. 382–393, 2026.