Pemodelan Topik Menggunakan BERTopic Pada Nama Produk Template Desain di Peterdraw Studio

Authors

  • Alvero Galen Gaviota Universitas Teknologi Yogyakarta
  • Farida Ardiani Universitas Teknologi Yogyakarta

DOI:

https://doi.org/10.24114/cess.v11i1.70335

Keywords:

BERTopic, Design Template, Digital Marketplace, Natural Language Processing, Topic Modelling

Abstract

Industri kreatif digital mengalami pertumbuhan yang pesat seiring meningkatnya permintaan terhadap produk desain di berbagai marketplace daring. Penelitian ini bertujuan untuk mengidentifikasi pola tematik dari kumpulan nama produk template desain guna memahami kecenderungan pasar dan tren desain yang diminati. Penelitian ini menggunakan Peterdraw Studio sebagai Studi Kasus, yakni studio desain yang aktif menjual berbagai produk template di beberapa marketplace digital. Metode yang digunakan adalah BERTopic, yang mengombinasikan embedding transformer BERT untuk representasi semantik, reduksi dimensi menggunakan Uniform Manifold Approximation and Projection (UMAP), pengelompokan menggunakan Hierarchical Density-Based Spatial Clustering of Applications with Noise (HDBSCAN), serta ekstraksi kata kunci topik melalui class-based TF-IDF dan KeyBERT. Data penelitian diperoleh dari empat marketplace digital, yaitu Creative Market, Framer, Envato Market, dan Envato Elements dengan total 3.217 entri nama produk. Hasil pemodelan menunjukkan bahwa setiap marketplace memiliki topik dominan yang berbeda, mencerminkan variasi kebutuhan pengguna seperti tema branding, presentation, dan UI/UX design. Evaluasi model menghasilkan nilai topic coherence tertinggi sebesar 0.86 dan topic diversity tertinggi sebesar 0.98, menandakan bahwa BERTopic mampu mengidentifikasi topik yang kohesif, beragam, serta relevan untuk menganalisis tren desain pada Peterdraw Studio.

Downloads

Download data is not yet available.

References

[1] R. Rofaida, A. Nur Aryanti, Y. Perdana, and F. Pendidikan Ekonomi dan Bisnis, “Strategi Inovasi pada Industri Kreatif Digital: Upaya Memperoleh Keunggulan Bersaing pada Era Revolusi Industri 4.0,” Jurnal Manajemen Dan Keuangan, vol. 8, no. 3, pp. 402–414, Dec. 2019, Accessed: Dec. 15, 2025. [Online]. Available: https://ejurnalunsam.id/index.php/jmk/article/view/1909

[2] A. Munthe, K. K. Abstrak, and K. Penulis, “Implementasi Algoritma Dynamic Markov Compression (DMC) Untuk Kompresi Templates Desain Grafis,” JIKTEKS : Jurnal Ilmu Komputer dan Teknologi Informasi, vol. 2, no. 01, pp. 23–34, Dec. 2023, Accessed: Dec. 15, 2025. [Online]. Available: https://jurnal.faatuatua.com/index.php/JIKTEKS/article/view/55

[3] P. Purwono, K. Nisa, J. Indriyanto, and D. Febri Kuncoro, “Jurnal Pengabdian dan Pemberdayaan Masyarakat Indonesia Digital Entrepreneurship Education and Mentoring for PGRI Gumelar High School Students to Enhance Entrepreneurial Skills in International Markets Using Digital Media,” vol. 3, no. 6, pp. 285–294, Oct. 2023, [Online]. Available: https://jppmi.journalptti.com/index.php/jppmi

[4] S. Jatmika, T. Aprilianto, B. Poernomo, and T. Prasetyo, “E-Marketing Dengan Media Jejaring Sosial Untuk Peningkatan Omset Penjualan,” Seminar Nasional Sistem Informasi, vol. 1, pp. 646–654, Sep. 2017, Accessed: Dec. 15, 2025. [Online]. Available: https://jurnalfti.unmer.ac.id/index.php/senasif/article/view/67

[5] Z. N. Muna, B. Darma Setiawan, and R. S. Perdana, “Fakultas Ilmu Komputer Penerapan Pemodelan Topik Komentar Melalui Media Sosial Twitter Menggunakan Latent Dirichlet Allocation (Studi Kasus: Pemerintah Kota Malang),” JPTIIK : Jurnal Pengembangan Teknologi Informasi dan Ilmu Komputer, vol. 01, no. 1, pp. 2548–964, Jan. 2017, [Online]. Available: http://j-ptiik.ub.ac.id

[6] M. Grootendorst, “BERTopic: Neural topic modeling with a class-based TF-IDF procedure,” ArXiv, vol. 2203, no. 05794, Mar. 2022, [Online]. Available: http://arxiv.org/abs/2203.05794

[7] J. Devlin, M.-W. Chang, K. Lee, and K. T. Google, “BERT: Pre-training of Deep Bidirectional Transformers for Language Understanding,” ArXiv, vol. 1810, no. 04805, May 2019, [Online]. Available: https://github.com/tensorflow/tensor2tensor

[8] L. McInnes, J. Healy, and J. Melville, “UMAP: Uniform Manifold Approximation and Projection for Dimension Reduction,” vol. 1802, no. 03426, Sep. 2020, [Online]. Available: http://arxiv.org/abs/1802.03426

[9] L. McInnes and J. Healy, “Accelerated Hierarchical Density Clustering,” ArXiv, vol. 1705, no. 07321, May 2017, doi: 10.1109/ICDMW.2017.12.

[10] K. M. Suryaningrum, “Comparison of the TF-IDF Method with the Count Vectorizer to Classify Hate Speech,” Engineering, MAthematics and Computer Science (EMACS) Journal, vol. 5, no. 2, pp. 79–83, May 2023, doi: 10.21512/emacsjournal.v5i2.9978.

[11] S. Ghosh and M. S. Desarkar, “Class Specific TF-IDF Boosting for Short-text Classification: Application to Short-texts Generated during Disasters,” in The Web Conference 2018 - Companion of the World Wide Web Conference, WWW 2018, Lyon: Association for Computing Machinery, Inc, Apr. 2018, pp. 1629–1637. doi: 10.1145/3184558.3191621.

[12] Q. Huang, “Research on Keywords Extraction of Film Reviews Based on the KeyBERT Model,” Transactions on Computer Science and Intelligent Systems Research, vol. 5, pp. 2960–2238, Aug. 2024.

[13] N. R. B. Listyawan, N. Y. Setiawan, and M. C. Saputra, “Fakultas Ilmu Komputer Topic Modelling Pada Aktivitas Pengembangan Perangkat Lunak Menggunakan BERTopic,” JPTIIK : Jurnal Pengembangan Teknologi Informasi dan Ilmu Komputer, vol. 1, no. 1, pp. 2548–964, Jan. 2017, [Online]. Available: http://j-ptiik.ub.ac.id

[14] A. Nanyonga, K. Joiner, G. Wild, and U. Turhan, “Is BERTopic Better than PLSA for Extracting Key Topics in Aviation Safety Reports?,” ArXiv, vol. 2506, no. 06328, May 2025, Accessed: Dec. 15, 2025. [Online]. Available: https://arxiv.org/abs/2506.06328

[15] D. Aryani, I. Lucia Kharisma, A. Sujjada, and K. Kamdan, “Topic Modeling of the 2024 Election Using the BERTopic Method on Detik.com News Articles,” Inform : Jurnal Ilmiah Bidang Teknologi Informasi dan Komunikasi, vol. 9, no. 2, pp. 171–180, Aug. 2024, doi: 10.25139/inform.v9i2.8429.

[16] U. Sri Sulistyawati, “Jurnal Manajemen dan Teknologi Decoding Big Data: Mengubah Data Menjadi Keunggulan Kompetitif dalam Pengambilan Keputusan Bisnis,” Jurnal Manajemen dan Teknologi (JMT), vol. 1, no. 2, pp. 58–71, Nov. 2024, doi: 10.35870/jmt.vxix.1114.

[17] Daphney, “Topic Modeling with LDA, NMF, BERTopic, and Top2Vec: Model Comparison, Part 2,” Nov. 2023, Medium. Accessed: Jul. 19, 2025. [Online]. Available: https://medium.com/%40daphycarol/topic-modeling-with-lda-nmf-bertopic-and-top2vec-model-comparison-part-2-f82787f4404c

[18] A. Riaz, O. Abdulkader, M. J. Ikram, and S. Jan, “Exploring topic modelling: a comparative analysis of traditional and transformer-based approaches with emphasis on coherence and diversity,” International Journal of Electrical and Computer Engineering (IJECE), vol. 15, no. 2, p. 1933, Apr. 2025, doi: 10.11591/ijece.v15i2.pp1933-1948.

Downloads

Published

2026-01-20

How to Cite

Gaviota, A., & Ardiani, F. (2026). Pemodelan Topik Menggunakan BERTopic Pada Nama Produk Template Desain di Peterdraw Studio. CESS (Journal of Computer Engineering, System and Science), 11(1), 27–40. https://doi.org/10.24114/cess.v11i1.70335

Issue

Vol. 11 No. 1 (2026): Januari 2026

Section

Articles

License

Copyright (c) 2026 CESS (Journal of Computer Engineering, System and Science)

Creative Commons License

This work is licensed under a Creative Commons Attribution 4.0 International License.