Klasifikasi Pengaduan Masyarakat pada Website LAPOR! berdasarkan Instansi Hasil Disposisi menggunakan Convolutional Neural Network dengan Word Embedding FastText

Hapsari, Nanda Novenia Shinta (2023) Klasifikasi Pengaduan Masyarakat pada Website LAPOR! berdasarkan Instansi Hasil Disposisi menggunakan Convolutional Neural Network dengan Word Embedding FastText. Other thesis, Institut Teknologi Sepuluh Nopember.

Text 06211940000008-Undergraduate_Thesis.pdf - Accepted Version Restricted to Repository staff only until 1 October 2025. Download (3MB) | Request a copy

Abstract

Layanan Aspirasi dan Pengaduan Online Rakyat (LAPOR!) adalah platform resmi untuk menyampaikan aspirasi, kritik, aduan, atau permohonan informasi kepada instansi pemerintah di Indonesia. Salah satu kemudahan aplikasi ini adalah pelapor tidak perlu pusing dalam menentukan instansi tujuan karena admin LAPOR! yang akan mendisposisikannya. Namun, hal ini membutuhkan waktu yang lama apabila dilakukan secara manual apalagi jumlah laporan masuk yang mencapai ratusan per harinya. Penelitian ini bertujuan untuk mengklasifikasikan laporan aduan secara otomatis berdasarkan instansi tujuan menggunakan Convolutional Neural Network dengan word embedding FastText. Variabel independen yang digunakan adalah kumpulan kata dasar pada isi laporan dan variabel dependennya adalah instansi hasil disposisi. Kelas yang digunakan hanya dibatasi sepuluh instansi. Data penelitian yang digunakan dari 1 April 2021 hingga 20 Februari 2023 dan memiliki jumlah kelas berbeda cukup jauh sehingga dilakukan Random Under Sampling. Berdasarkan data yang diperoleh, instansi dengan pengaduan terbanyak adalah Badan Kepegawaian Negara dan yang paling sedikit adalah BPJS Ketenagakerjaan. Pembagian data penelitian ini menggunakan stratified 10-fold cross validation, dengan model CNN arsitektur unigram dan bigram serta menggunakan 10 kombinasi learning rate. Model terbaik yang didapatkan adalah CNN bigram dengan learning rate 0,005 pada subset ke-6. Learning rate paling optimum yang didapatkan adalah 0,0005 hingga 0,05.
=================================================================================================================================
Public Complaints and Online Aspirations Service (LAPOR!) is an official platform that facilitate people to convey their aspirations, criticisms, complaints, or requests for information to government agency in Indonesia. One of the conveniences of this application is that in determining the government agency, people does not need to be hassle because the LAPOR! admin will distribute it to the right government agency. However, this takes a long time if done manually, especially since the number of incoming reports reaches hundreds per day. Therefore, this research aims to classify complaint reports automatically based on the destinated government agency using Convolutional Neural Network with word embedding FastText. The independent variable is base words in the report content and the dependent variable is the government institutions. The class used is only limited to ten government agencies. Data used in this research is from 1 April 2021 to 20 February 2023 and having imbalanced data so Random Under Sampling was used. Based on data, government agency with the highest number of complaints is National Civil Service Agency, while the smallest is Social Security Administrator for Employment (BPJS Ketenagakerjaan). Data was divided using Stratified 10-Fold Cross Validation. Classification using CNN will be conducted by comparing the used of unigram and bigram, also 10 combinations of learning rates. The best model was CNN model with bigram and a learning rate of 0,005 on the 6th subset. The optimal learning rate obtained ranges from 0,0005 to 0,05.

Item Type:	Thesis (Other)
Uncontrolled Keywords:	CNN, FastText, Stratified K-Fold Cross Validation, LAPOR, Random Under Sampling
Subjects:	Q Science > QA Mathematics > QA76.87 Neural networks (Computer Science)
Divisions:	Faculty of Science and Data Analytics (SCIENTICS) > Statistics > 49201-(S1) Undergraduate Thesis
Depositing User:	Nanda Novenia Shinta Hapsari
Date Deposited:	07 Dec 2023 05:01
Last Modified:	07 Dec 2023 05:01
URI:	http://repository.its.ac.id/id/eprint/104331

Actions (login required)

View Item