Pemodelan Topik Ulasan Pengguna Gim Apex Legends Menggunakan Deep Learning

Pamuji, Adinda Zahra (2024) Pemodelan Topik Ulasan Pengguna Gim Apex Legends Menggunakan Deep Learning. Other thesis, UNSPECIFIED.

Text 5025201175-Undergraduate_Thesis.pdf - Accepted Version Restricted to Repository staff only until 1 October 2026. Download (8MB)

Abstract

Perkembangan pesat dalam industri gim telah meningkatkan minat untuk memahami preferensi pengguna guna meningkatkan kualitas permainan. Dalam konteks gim Apex Legends, ulasan pengguna sangat penting dalam memandu pengembangan. Namun, mengekstraksi topik dari ulasan yang banyak dan tidak terstruktur merupakan tantangan. Meskipun metode pemodelan topik tradisional seperti Latent Dirichlet Allocation (LDA) dan Non-Negative Matrix Factorization (NMF) banyak digunakan, metode-metode ini sering kali memiliki keterbatasan dalam memahami konteks semantik yang lebih dalam dari kata-kata dalam teks. Akibatnya, topik yang dihasilkan mungkin tidak sepenuhnya merepresentasikan makna yang sebenarnya dari ulasan pengguna. Oleh karena itu, penelitian ini mengusulkan analisis pemodelan topik menggunakan pendekatan yang memanfaaatkan deep learning, seperti Top2Vec dan BERTopic, yang dapat lebih baik menangkap hubungan semantik dan konteks dalam data ulasan pengguna Apex Legends, dengan tujuan mengungkap preferensi pengguna yang tersembunyi dan area yang perlu perbaikan.
Dalam penelitian ini, dilakukan analisis ulasan pengguna gim Apex Legends melalui proses crawling data, diikuti dengan preprocessing data untuk membersihkan dan menyiapkannya. Data yang telah diproses kemudian dibagi menjadi data train dan test untuk pemodelan topik. Selanjutnya, dilakukan pemodelan topik menggunakan berbagai metode untuk mengidentifikasi topik-topik utama yang muncul. Hasil pemodelan dievaluasi untuk menentukan kualitas dan relevansi topik yang dihasilkan. Tahap akhir melibatkan interpretasi dan visualisasi topik untuk memberikan wawasan lebih mendalam tentang preferensi dan kritik pengguna, serta tren yang ada dalam ulasan tersebut.
Berdasarkan analisis, BERTopic dengan embedding all-MiniLM-L12-v2 dan 15 topik terbukti sebagai metode terbaik karena dapat menangkap konteks semantik dengan baik. Hyperparameter tuning pada BERTopic meningkatkan metrik evaluasi seperti koherensi topik, keanekaragaman topik, dan skor siluet, mengungguli metode tradisional seperti LDA dan NMF. Topik yang dihasilkan lebih koheren dan mudah diinterpretasikan, memberikan wawasan mendalam tentang pandangan dan pengalaman pengguna. Analisis lebih lanjut mengungkapkan bahwa banyak topik terkait masalah teknis, seperti "Permasalahan Server" dan "Pemblokiran Akun," menunjukkan ketidakpuasan pengguna, sementara topik seperti "Kesenangan Bermain" dan "Kesan Terhadap Karakter Loba" menunjukkan apresiasi. Penelitian ini memberikan panduan bagi pengembang untuk meningkatkan dan menyeimbangkan pengalaman bermain di Apex Legends.
============================================================
Rapid developments in the gaming industry have increased interest in understanding user preferences to improve the quality of games. In the context of the game Apex Legends, user reviews are crucial in guiding development. However, extracting topics from voluminous and unstructured reviews is challenging. Although traditional topic modeling methods such as Latent Dirichlet Allocation (LDA) and Non-Negative Matrix Factorization (NMF) are widely used, these methods often have limitations in understanding the deeper semantic context of words in the text. As a result, the generated topics may not fully represent the true meaning of user reviews. Therefore, this research proposes topic modeling analysis using deep learning approaches, such as Top2Vec and BERTopic, which can better capture semantic relationships and context in Apex Legends user review data, with the aim of uncovering hidden user preferences and areas for improvement.
In this research, user reviews of the game Apex Legends are analyzed through data crawling, followed by data preprocessing to clean and prepare them. The processed data is then divided into train and test data for topic modeling. Next, topic modeling was performed using various methods to identify the main topics that emerged. The modeling results are evaluated to determine the quality and relevance of the generated topics. The final stage involves topic interpretation and visualization to provide deeper insights into user preferences and criticisms, as well as trends present in the reviews.
Based on the analysis, BERTopic with all-MiniLM-L12-v2 embedding and 15 topics proved to be the best method as it can capture semantic context well. Hyperparameter tuning in BERTopic improves evaluation metrics such as topic coherence, topic diversity, and silhouette score, outperforming traditional methods such as LDA and NMF. The resulting topics are more coherent and easy to interpret, providing deep insights into users' views and experiences. Further analysis reveals that many topics related to technical issues, such as “Server Problems” and “Account Blocking,” indicate user dissatisfaction, while topics such as “Fun to Play” and “Impression of Loba Characters” indicate appreciation. This research provides guidance for developers to improve and balance the gaming experience in Apex Legends.

Item Type:	Thesis (Other)
Subjects:	Q Science > QA Mathematics > QA336 Artificial Intelligence Q Science > QA Mathematics > QA76.9.D343 Data mining. Querying (Computer science)
Divisions:	Faculty of Intelligent Electrical and Informatics Technology (ELECTICS) > Informatics Engineering > 55201-(S1) Undergraduate Thesis
Depositing User:	Adinda Zahra Pamuji
Date Deposited:	31 Jul 2024 12:54
Last Modified:	31 Jul 2024 12:54
URI:	http://repository.its.ac.id/id/eprint/110055

Actions (login required)

View Item