Topic Discovery and Sentiment Mapping from Indonesian User Reviews Using NLP and Clustering Techniques

The massive volume of unstructured user reviews in mobile games makes manual analysis impractical. Therefore, our study discovers dominant topics and maps sentiments from 8,000 Honor of Kings reviews using an integrated NLP and clustering pipeline. We combine TF-IDF vectorization, mini-batch k-means clustering, and LDA topic modeling, complemented by lexicon-based sentiment analysis. Results identify ten thematic segments reflecting player preferences and technical complaints. Clustering assessment yielded a silhouette score of 0.1071, typical for high-dimensional short-text and indicating soft boundaries, while a chi-square test confirmed a significant association between clusters and sentiment (p < 0.001, Cramér’s V = 0.242). These findings offer practical insights for developers, despite limitations regarding weak cluster separation and low sentiment accuracy in informal text. Volume umpan balik pengguna yang tidak terstruktur dan masif pada gim seluler membuat analisis manual menjadi tidak praktis. Oleh karena itu, penelitian ini menemukan topik dominan dan memetakan sentimen dari 8.000 ulasan Honor of Kings menggunakan pipeline NLP dan clustering terintegrasi. Kami menggabungkan vektorisasi TF-IDF, clustering mini-batch k-means, dan pemodelan topik LDA, dilengkapi analisis sentimen berbasis leksikon. Hasil mengidentifikasi sepuluh segmen tematik yang mencerminkan preferensi pemain dan keluhan teknis. Penilaian clustering menghasilkan silhouette score 0,1071, yang tipikal untuk teks pendek berdimensi tinggi dan mengindikasikan batas yang lunak, sementara uji chi-square mengonfirmasi asosiasi signifikan antara klaster dan sentimen (p < 0,001, Cramér’s V = 0,242). Temuan ini memberikan wawasan praktis bagi pengembang, meskipun terdapat keterbatasan berupa lemahnya pemisahan klaster dan rendahnya akurasi analisis sentimen pada teks informal.