KLASIFIKASI TEKS LAPORAN MASYARAKAT PADA SITUS LAPOR! MENGGUNAKAN RECURRENT NEURAL NETWORK

Imam Fahrur Rozi, Vivi Nur Wijayaningrum, Nur Khozin

Abstract


ABSTRACT
The existence of public dissatisfaction with public services causes the public to be provided with facilities to make complaints. One of the sites that can be used to make complaints is the Public Service Complaint Management System (SP4N LAPOR!). With this site, complaints made by the public can be handled quickly, transparently and accountably in accordance with the authority of each organizer. However, the large number of complaints that had to be processed caused the process of data verification and sorting of reports by respective departments to take quite a long time, so the report classification process was needed to speed up the handling and follow-up of a report. The purpose of this research is to classify each complaint report from the public in preparation for the verification process of each public report document, which is expected to have an impact on the accelerated process of handling and follow-up of each related institution or agency. In this study, Long Short-Term Memory Recurrent Neural Network was used to perform the classification process for each public report document. The learning model is evaluated using k-fold cross-validation of 10 parts of data. The evaluation results show that the average f-measure percentage is 85.69% for the balanced dataset and 79.44% for the unbalanced dataset, while the highest evaluation value of all evaluations results in an f-measure of 88.82%. The high accuracy of the modeling indicates that the proposed method can be used to classify public report documents.

Keywords: classification, complaint, , long short-term memory, recurrent neural network, report

ABSTRAK
Adanya ketidak puasan masyarakat terhadap layanan publik menyebabkan masyarakat perlu disediakan fasilitas untuk melakukan pengaduan. Salah satu situs yang dapat digunakan untuk melakukan pengaduan adalah Sistem Pengelolaan Pengaduan Pelayanan Publik (SP4N LAPOR!). Dengan adanya situs ini, aduan yang dilakukan oleh masyarakat dapat ditangani dengan cepat, transparan, dan akuntabel sesuai dengan kewenangan masing-masing penyelenggara. Namun, banyaknya aduan yang harus diproses menyebabkan proses verifikasi data dan pemilahan laporan berdasarkan instansi masing-masing membutuhkan waktu yang cukup lama, sehingga proses klasifikasi laporan sangat dibutuhkan untuk mempercepat penanganan dan tindak lanjut dari sebuah laporan. Tujuan dari penelitian ini adalah mengklasifikasikan setiap laporan pengaduan dari masyarakat untuk persiapan proses verifikasi setiap dokumen laporan masyarakat, yang nantinya diharapkan dapat berdampak pada proses percepatan penanganan dan tindak lanjut dari setiap Lembaga atau instansi yang terkait. Pada penelitian ini, Long Short-Term Memory Recurrent Neural Network digunakan untuk melakukan proses klasifikasi setiap dokumen laporan masyarakat. Model pembelajaran dievaluasi menggunakan k-fold cross-validation sebanyak 10 bagian data. Hasil evaluasi menunjukkan rata-rata persentase f-measure sebesar 85,69% untuk dataset seimbang dan 79,44% untuk dataset tidak seimbang, sedangkan nilai evaluasi tertinggi dari semua evaluasi menghasilkan f-measure sebesar 88,82%. Akurasi pemodelan yag cukup tinggi menunjukkan bahwa metode yang diusulkan dapat digunakan untuk mengklasifikasikan dokumen laporan masyarakat.

Kata Kunci: klasifikasi, pengaduan, long short-term memory, recurrent neural network, lapor


Full Text:

PDF

References


LAPOR!, "Tentang LAPOR!," Kantor Staf Presiden, 2019. [Online]. Available: https://www.lapor.go.id/tentang. [Accessed 23 December 2019].

LAPOR!, "Beranda LAPOR!," Kantor Staf Presiden, 2019. [Online]. Available: https://www.lapor.go.id/. [Accessed 23 December 2019].

A. Sofyan and S. Santosa, "Text Mining Untuk Klasifikasi Pengaduan Pada Sistem Lapor Menggunakan Metode C4.5 Berbasis Forward Selection," Jurnal Teknologi Informasi, pp. 74-83, 2016.

A. A. Prasanti, M. A. Fauzi and M. T. Furqon, "Klasifikasi Teks Pengaduan Pada Sambat Online Menggunakan Metode NGram dan Neighbor Weighted K-Nearest Neighbor (NW-KNN)," Jurnal Pengembangan Teknologi Informasi dan Ilmu Komputer, pp. 594-601, 2018.

I. Habibie, "Identifikasi Judul Berita Clickbait Berbahasa Indonesia Dengan Algoritma Long Short Term Memory (LSTM) Recurrent Neural Network," Universitas Sumatera Utara, Medan, 2018.

C. Megawati, "Analisis Aspirasi Dan Pengaduan Di Situs LAPOR! Dengan Menggunakna Text Mining," Universitas Indonesia, Depok, 2015.

D. Yuliana, Purwanto and C. Supriyanto, "Klasifikasi Teks Pengaduan Masyarakat DenganMenggunakan Algoritma Neural Network," KomTekInfo, vol. V, pp. 92-116, 2019.

A. F. Hidayatullah and M. R. Ma’arif, "Penerapan Text Mining dalam Klasifikasi Judul Skripsi," Seminar Nasional Aplikasi Teknologi Informasi, pp. 33-36, 2016.

F. Handayani and F. S. Pribadi, "Implementasi Algoritma Naive Bayes Classifier dalam Pengklasifikasian Teks Otomatis Pengaduan dan Pelaporan Masyarakat melalui Layanan Call Center 110," Jurnal Teknik Elektro, pp. 19-24, 2015.

E. Indrayuni, "Klasifikasi Text Mining Review Produk Kosmetik Untuk Teks Bahasa Indonesia Menggunakan Algoritma Naive Bayes," Khatulistiwa Informatika, vol. VII, pp. 29-36, 2019.

D. Wahyudi, T. Susyanto and D. Nugroho, "Implementasi Dan Analisis Algoritma Stemming Nazief & Adriani Dan Porter Pada Dokumen Berbahasa Indonesia," Jurnal Ilmiah SINUS, pp. 49-56, 2017.

C. Olah, "Understanding LSTM Networks," Github, 27 August 2015. [Online]. Available: https://colah.github.io/posts/2015-08-Understanding-LSTMs/. [Accessed 15 December 2019].

P. N. Rena, "Penerapan Metode Convolutional Neural Network Pada Pendeteksi Gambar Notasi Balok," UIN Syarif Hidayatullah, Jakarta, 2019.

A. Oktora, "Implementasi Web Scraping Pada Indexing E-journal Universitas Islam Negeri (UIN)," Universitas Islam Negeri Sultan Syarif Kasim Riau, Pekan Baru, 2018.

Silvin, "Analisis Sentimen Media Twitter Menggunakan Long Short-Term Memory Recurrent Neural Network (Studi Kasus: Prediksi Polling Kandidat Presiden Indonesia 2019)," Universitas Multimedia Nusantara, Tangerang, 2019.




DOI: https://doi.org/10.32520/stmsi.v9i3.977

Article Metrics

Abstract view : 134 times
PDF - 44 times

Refbacks

  • There are currently no refbacks.


Creative Commons License
This work is licensed under a Creative Commons Attribution-ShareAlike 4.0 International License.