Klasifikasi Tingkat Urgensi Pengaduan Masyarakat Menggunakan Long Short-Term Memory (Lstm) (Studi Kasus: Website Lapak Aduan Banyumas)
Abstrak
Penggunaan website pengaduan masyarakat sudah diterapkan di berbagai daerah, termasuk Lapak Aduan Banyumas milik Pemerintah Kabupaten Banyumas. Website ini memfasilitasi masyarakat untuk menyampaikan informasi, keluhan, pertanyaan, dan usulan terkait pelayanan daerah. Peningkatan jumlah aduan pada Desember 2023 (950 aduan) dan Januari 2024 (1.032 aduan) memperlambat proses penanganan, dan tanpa sistem skala prioritas penanganan menjadi tidak tepat sasaran. Penelitian ini bertujuan untuk mengimplementasikan sistem klasifikasi tingkat urgensi pengaduan masyarakat menggunakan metode Long Short-Term Memory (LSTM). Pada website Lapak Aduan Banyumas, pengaduan yang masuk diklasifikasikan ke dalam kategori “Urgent” berlaku jika kondisinya sangat memprihatinkan dan berdampak serius dan “Not Urgent” berlaku jika kondisinya serius tetapi tidak memerlukan penanganan segera. Penelitian ini menggunakan data yang diambil dari website Lapak Aduan Banyumas, terdiri dari 19.240 data pengaduan selama periode 2 Januari 2024 hingga 27 April 2025. Proses penelitian meliputi tahapan Preprocessing Data, Pelabelan Data, Feature Extraction, Pembuatan Model Klasifikasi, dan Deployment. Berdasarkan hasil penelitian, model berhasil mengklasifikasikan pengaduan ke dalam dua kategori dengan rata-rata akurasi sebesar 99.51%. Nilai precision, recall, dan F1-score juga tinggi dan seimbang di kedua kategori, yaitu 0,99 untuk Urgent maupun Not Urgent. Macro dan weighted average sebesar 0.99 menunjukkan bahwa model mampu menangani kedua kategori dengan sangat konsisten. Kata kunci — Lapak Aduan Banyumas, Pengaduan, LSTM, Urgent, Not Urgent
Referensi
[1] E. Sahadi. Urgensi Peningkatan Kualitas Pelayanan Publik Dalam Mewujudkan Tata Kelola Pemerintahan Yang Baik Perspektif Siyasah Idariyah (Studi Kasus Di Desa Sukaraja Kecamatan Kedurang Ilir Kabupaten Bengkulu Selatan). Thesis (Diploma), UIN Fatmawati Sukarno, Bengkulu, 2021. [Online]. Available: http://repository.iainbengkulu.ac.id/id/eprint/6840.
[2] I. Amirrosyad. Efektivitas Aplikasi Lapak Aduan Dalam Pelayanan Pengaduan Masyarakat Di Kabupaten Banyumas (Studi Kasus Pada Dinas Komunikasi Dan Informatika Kabupaten Banyumas). Thesis, Institut Pemerintahan Dalam Negeri, 2023. [Online]. Available: http://eprints.ipdn.ac.id/id/eprint/13531.
[3] F. Rozi, V. N. Wijayaningrum, and N. Khozin. “Klasifikasi Teks Laporan Masyarakat Pada Situs Lapor! Menggunakan Recurrent Neural Network,” SISTEMASI: Jurnal Sistem Informasi, vol. 9, no. 3, pp. 633–645, 2020. doi: https://doi.org/10.32520/stmsi.v9i3.977.
[4] S. Ramadhanti, D. P. Rini, and D. Rodiah. “Klasifikasi Emosi Pada Kalimat Di Twitter Menggunakan Algoritma Long Short-Term Memory”. Thesis, Universitas Sriwijaya, 2023. [Online]. Available: http://repository.unsri.ac.id/id/eprint/137933.
[5] B. Arief, H. Kholifatullah, and A. Prihanto. “Penerapan Metode Long Short Term Memory Untuk Klasifikasi Pada Hate Speech,” Journal of Informatics and Computer Science, vol. 4, no. 3, pp. 292–297, 2023. doi: https://doi.org/10.26740/jinacs.v4n03.p292-297.
[6] E. Dwi Pratama. “Implementasi Model Long-Short Term Memory (LSTM) pada Klasifikasi Teks Data SMS Spam Berbahasa Indonesia,” The Journal on Machine Learning and Computational Intelligence (JMLCI), vol. 1, no. 2, pp. 38–42, Jul. 2022. doi: https://doi.org/10.26740/vol1iss2y2022id12.
[7] H. Sabeni and E. D. Setiamandani. “Pengelolaan Pengaduan Masyarakat Dalam Upaya Meningkatkan Kualitas Pelayanan Publik,” Jurnal Ilmu Sosial dan Ilmu Politik, vol. 9, no. 1, pp. 43–52, 2020. doi: https://doi.org/10.33366/jisip.v9i1.2214.
[8] Ananto, M. Ihsan, and W. S. Winanhju. “Klasifikasi Kategori Pengaduan Masyarakat Melalui Kanal LAPOR! Menggunakan Artificial Neural Network,” INFERENSI, vol. 2, no. 2, pp. 71–79, 2019. doi: http://dx.doi.org/10.12962/j27213862.v2i2.6821.
[9] M. S. Fani, R. Santoso, and Suparti. “Penerapan Text Mining untuk Melakukan Clustering Data Tweet Akun Blibli Pada Media Sosial Twitter Menggunakan K-Means Clustering,” JURNAL GAUSSIAN, vol. 10, no. 4, pp. 583–593, 2021. doi: https://doi.org/10.14710/j.gauss.10.4.583-593.
[10] A. Hanifa, S. A. Fauzan, M. Hikal, and M. B. Ashfiya. “Perbandingan Metode LSTM dan GRU (RNN) untuk Klasifikasi Berita Palsu Berbahasa Indonesia,” DINAMIKA REKAYASA, vol. 17, no. 1, pp. 33–39, 2021. doi: http://dx.doi.org/10.20884/1.dr.2021.17.1.436.
[11] D. Normawati and S. A. Prayogi. “Implementasi NaÔve Bayes Classifier Dan Confusion Matrix Pada Analisis Sentimen Berbasis Teks Pada Twitter,” Jurnal Sains Komputer & Informatika (J-SAKTI), vol. 5, no. 2, pp. 697–711, 2021. doi: http://dx.doi.org/10.30645/j-sakti.v5i2.369.
[12] D. Febri Kuncoro, U. Juniarti, J. Syahputra, R. Bagus, B. Sumantri, and R. Suryani. “Rancang Bangun Sistem Pengaduan Masyarakat Berbasis Web Dengan Metode Waterfall,” Jurnal Sistem Informasi dan Teknologi Peradaban (JSITP), vol. 3, no. 2, pp. 14–19, 2022. doi: https://doi.org/10.58436/jsitp.v3i2.1259.
[13] P. T. L. Dewi, F. Dewata, and M. A. Nugroho. Implementasi Machine Learning Model Deployment Pada Website Pemantauan Kondisi Sungai Citarum Menggunakan Platform As-A-Service. Thesis, Telkom University, 2022. ISSN : 2355-9365 e-Proceeding of Engineering : Vol.12, No.4 Agustus 2025 | Page 6827
[14] M. Romzi and B. Kurniawan. “Implementasi Pemrograman Python Menggunakan Visual Studio Code,” JIK, vol. 11, no. 2, pp. 1–9, 2020. [Online]. Available:
