Topic modeling twitter Bahasa Indonesia dan Jawa menggunakan metode bertopic dengan model embeddings NusaBERT

Pertumbuhan pesat media sosial, khususnya Twitter, telah menghasilkan volume data teks yang sangat besar dalam berbagai bahasa lokal, termasuk Bahasa Indonesia dan Bahasa Jawa. Keragaman linguistik, penggunaan bahasa informal, serta fenomena code-switching menimbulkan tantangan dalam proses analisis teks dan ekstraksi informasi tematik. Penelitian ini bertujuan untuk menerapkan dan mengevaluasi metode BERTopic dengan model embeddings NusaBERT dalam melakukan pemodelan topik pada data Twitter berbahasa Indonesia dan Jawa, serta membandingkan kinerjanya dengan IndoSBERT. Data diperoleh dari platform Hugging Face dan melalui tahapan preprocessing yang meliputi case folding, penghapusan URL, mention, hashtag, escape sequence, tanda baca, serta normalisasi kata tidak baku. Representasi teks dibangun menggunakan embeddings dari NusaBERT dan IndoSBERT, kemudian direduksi dimensinya menggunakan UMAP dan dikelompokkan menggunakan HDBSCAN dalam kerangka BERTopic. Kualitas topik dievaluasi menggunakan metrik Topic Coherence, Topic Diversity, dan analisis visualisasi seperti intertopic distance map dan hierarchical clustering. Hasil penelitian menunjukkan bahwa kombinasi BERTopic–NusaBERT mampu menghasilkan topik yang lebih koheren dan beragam dibandingkan IndoSBERT, khususnya pada data yang mengandung variasi bahasa daerah dan bahasa informal. Hal ini membuktikan bahwa NusaBERT lebih adaptif dalam merepresentasikan karakteristik linguistik Bahasa Indonesia dan Jawa, sehingga lebih efektif untuk pemodelan topik pada data Twitter multibahasa. Penelitian ini diharapkan dapat menjadi referensi dalam pengembangan analisis topik berbasis transformer untuk bahasa lokal di Indonesia.