TOPIK KONTRAS BERBASIS LIFT POSITIF-NEGATIF: STRATEGI BARU REKOMENDASI KONTEN

Abstract

Pemetaan topik tradisional seperti Latent Dirichlet Allocation (LDA) sering kali berfokus pada distribusi global kata tanpa memperhatikan hubungan spesifik antar topik. Penelitian ini memperkenalkan strategi baru dalam rekomendasi konten berbasis Association Rule Learning (AR) dengan Lift positif dan negatif. Metode ini tidak hanya mampu menemukan asosiasi yang sering muncul bersama (Lift positif), tetapi juga mengungkap kontras antara topik-topik yang jarang muncul bersama (Lift negatif), memberikan wawasan lebih dalam yang tidak dapat diidentifikasi oleh LDA. Pendekatan ini diterapkan pada dataset berita politik Indonesia untuk membangun sistem rekomendasi konten yang lebih cerdas dan dinamis, yang mampu menawarkan topik-topik kontras yang menarik minat pengguna serta memperkaya pengalaman mereka. Hasil eksperimen menunjukkan bahwa metode ini lebih fleksibel dalam mengidentifikasi keterkaitan dan anomali antar topik, sehingga memberikan rekomendasi yang lebih relevan dan terarah..