120160503 - Nur Fitrianti Fahrudin, S.Kom., M.T. Dosen Pembimbing 1 0429088207 - Corry Caromawati, S.S., M.A. Dosen Pembimbing 2 WAFIE ABIYYA EL HANIF / 162021057 Penulis

Analisis data kualitatif manual, khususnya pada fase coding dalam metodologi seperti Grounded Theory, sering kali memakan waktu lama, membutuhkan banyak sumber daya, serta rentan terhadap bias subjektif, terlebih pada dataset yang besar. Perkembangan Natural Language Processing (NLP) dan Large Language Models (LLMs), seperti DECOTA, menunjukkan potensi besar dalam mengotomatisasi proses tersebut untuk meningkatkan efisiensi dan objektivitas. Penelitian ini bertujuan untuk mengembangkan serta membandingkan model otomasi berbasis NLP pada fase open coding dan axial coding dalam thematic analysis menggunakan pendekatan semantik (KeyBERT, BERTopic) dan ko-okurensi (RAKE, LDA). Data penelitian berupa transkrip wawancara yang telah melalui tahap preprocessing, kemudian diolah menggunakan KeyBERT dan RAKE untuk open coding, serta BERTopic dan LDA untuk axial coding. Evaluasi dilakukan dengan cosine similarity pada open coding dan coherence score (c_v) pada axial coding, dengan empat kombinasi model: KeyBERT+BERTopic, RAKE+BERTopic, KeyBERT+LDA, dan RAKE+LDA. Hasil penelitian menunjukkan bahwa pendekatan semantik memberikan kinerja yang lebih baik, di mana KeyBERT mencapai lebih dari 80% cosine similarity dan BERTopic memperoleh skor koherensi 0,80, sementara pendekatan ko-okurensi (RAKE+LDA) tetap menjadi alternatif yang layak dengan skor koherensi hingga 0,68. Kualitas dataset terbukti berpengaruh signifikan terhadap performa model; data yang lebih terstruktur menghasilkan hasil yang lebih tinggi. Kesimpulannya, model NLP berbasis semantik lebih efektif dalam mengotomatisasi open coding dan axial coding, sehingga mampu meningkatkan efisiensi dan objektivitas analisis. Penelitian selanjutnya disarankan untuk menyoroti heterogenitas data, karakteristik bahasa tertentu, serta mengeksplorasi potensi model generatif dalam menghasilkan ringkasan topik yang lebih deskriptif. Manual qualitative data analysis, particularly in the coding phases of methodologies such as Grounded Theory, is often time-consuming, resourceintensive, and prone to subjective bias, especially when dealing with large datasets. Recent advancements in Natural Language Processing (NLP) and Large Language Models (LLMs), such as DECOTA, have shown significant potential in automating these processes to improve both efficiency and objectivity. This study aims to develop and compare NLP-based automation models for the open coding and axial coding phases within thematic analysis, using semantic approaches (KeyBERT, BERTopic) and co-occurrence approaches (RAKE, LDA). The research data consisted of interview transcripts that underwent pre-processing, followed by implementation of KeyBERT and RAKE for open coding, and BERTopic and LDA for axial coding. Model evaluation was conducted using cosine similarity for open coding and coherence score (c_v) for axial coding, across four model combinations: KeyBERT+BERTopic, RAKE+BERTopic, KeyBERT+LDA, and RAKE+LDA. The results indicate that semantic approaches consistently outperformed co-occurrence approaches, with KeyBERT achieving over 80% cosine similarity and BERTopic reaching a coherence score of 0.80, while RAKE+LDA remained a viable alternative with coherence scores up to 0.68. Dataset quality was found to significantly influence performance, with more structured data yielding higher results. In conclusion, semantic-based NLP models proved more effective in automating open and axial coding, offering substantial improvements in efficiency and objectivity. Future research is encouraged to address data heterogeneity, language-specific characteristics, and to further explore the potential of generative models in producing more descriptive topic summaries.