Adanya peningkatan jumlah jurnal dari tahun ke tahun, membuat para pihak peneliti dan profesional membutuhkan alat yang efektif guna menemukan jurnal yang relevan dengan riset yang sedang dilakukan. Topic modelling adalah jenis model statistik yang tidak memiliki pelabelan teks dengan tujuan untuk menemukan topik atau tema secara garis besar dari sekumpulan (korpus). LDA merupakan kumpulan dokumen sebagai topik campuran yang berisi kata-kata dengan probabilitas tertentu. Implementasi algoritma LDA mampu untuk mendeteksi topik yang ada pada suatu koleksi dokumen beserta besarnya kemunculan topik tersebut pada koleksi dokumen. K-Nearest Neighbors (KNN) adalah algoritma pembelajaran mesin yang mudah namun produktif, ini efektif untuk klasifikasi dan regresi. Implementasi metode Latent Dirichlet Allocation (LDA) dan K-Nearest Neighbors (KNN) pada sistem rekomendasi jurnal terindeks GARUDA ini berjalan dengan baik saat memodelkan topik dan memetakannya kedalam beberapa jenis topic_id dan doc_id.
Kata Kunci: Topic Modelling, LDA, K-NN, Sistem Rekomendasi, GARUDA