Clustering of Scientific Publications Based on Field of Expertise Using Latent Dirichlet Allocation and Normalized PSO-K-means

Salah satu cara untuk memvalidasi klaim kepakaran dosen adalah dengan meninjau dokumen publikasi ilmiah yang tersedia. Namun, menentukan kelompok kepakaran dari sejumlah dokumen memerlukan pengetahuan yang memadai dan waktu yang relatif lama, sehingga menjadi sulit dilakukan. Penelitian ini bertujuan untuk membangun suatu model yang dapat mengelompokkan dokumen berdasarkan bidang kepakaran. Penelitian ini menggunakan algoritma klasterisasi K-means untuk mengelompokkan dokumen berdasarkan bidang kepakaran dosen. Latent dirichlet allocation digunakan untuk mereduksi dimensi data, dan particle swarm optimization digunakan untuk menentukan centroid awal pada algoritma K-means. Hasil penelitian ini berhasil mengelompokkan dokumen publikasi ilmiah dengan nilai koefisien silhouette sebesar 0.42. Selain itu, penggunaan PSO sebagai penentu centroid optimal pada algoritma K-means dapat meningkatkan nilai koefisien silhouette sebesar 5.56%. Model yang dibangun dievaluasi dengan mencocokkan klaster yang dihasilkan dengan klaim yang diberikan. Hasilnya menunjukkan bahwa sebanyak 75% hasil pencocokan sesuai dan 25% tidak sesuai.Validating a lecturer's expertise claims often involves scrutinizing their scholarly publications. However, this process can be quite demanding, requiring significant knowledge and time due to the need to assess numerous documents. To address this challenge, this study endeavors to create a model that can categorize documents based on their areas of expertise. The study employs the K-means clustering algorithm to group documents according to the lecturers' fields of expertise. In order to enhance the efficiency of this process, Latent Dirichlet Allocation is utilized to reduce data dimensions. Additionally, Particle Swarm Optimization is used to determine the optimal initial cluster centers for the K-means algorithm. The research yielded promising results, successfully categorizing scholarly publications with a silhouette coefficient of 0.42. Furthermore, by using PSO to identify the optimal cluster centers, the silhouette coefficient was improved by 5.56%. The model's performance was evaluated by comparing the resulting clusters with the provided claims, showing a 75% matching rate and a 25% non-matching rate