WABANG, Keszya and Nurhayati, Oky Dwi and Farikhin, Farikhin (2023) IMPLEMENTASI ALGORITMA NAÏVE BAYES CLASSIFIER (BERNOULLI NB, MULTINOMIAL NB, DAN GAUSSIAN NB) UNTUK MENGKLASIFIKASI PENGADUAN MASYARAKAT. Masters thesis, UNIVERSITAS DIPONEGORO.

	Text COVER.pdf Download (463kB)
	Text BAB I.pdf Download (72kB)
	Text BAB II.pdf Download (366kB)
	Text BAB III.pdf Restricted to Repository staff only Download (78kB)
	Text BAB IV.pdf Restricted to Repository staff only Download (1MB)
	Text BAB V.pdf Download (65kB)
	Text Daftar Pustaka.pdf Download (209kB)
	Text Lampiran.pdf Restricted to Repository staff only Download (222kB)

Abstract

Adanya pelayanan publik yang kurang memuaskan mendorong masyarakat untuk menyampaikan pengaduan/ laporan kepada penyelenggara pelayanan publik agar melakukan perbaikan layanannya. Masalah layanan publik yang dialami setiap masyarakat berbeda-beda sehingga setiap pengaduan/ laporan yang disampaikan bervariasi. Langkah awal dari proses penyelesaian pengaduan masyarakat adalah melakukan klasifikasi terhadap setiap pengaduan masyarakat yang masuk agar penanganan pengaduan menjadi lebih efektif dan efisien. Lembaga Ombudsman RI sebagai Lembaga Negara Pengawas Pelayanan Publik di Indonesia yang setiap tahunnya menerima minimal 10.000 pengaduan dengan rata-rata 300-500 laporan per provinsi per tahun melakukan klasifikasi terhadap data-data pengaduan/ laporan masyarakat untuk membaginya ke dalam tiga kelas, yaitu laporan sederhana, laporan sedang, dan laporan berat. Proses klasifikasi yang dilakukan menggunakan penilaian bobot terhadap setiap pengaduan/ laporan dengan menggunakan 5 (lima) atribut. Klasifikasi terhadap setiap pengaduan/ laporan yang masuk menjadi suatu pekerjaan besar apabila dikerjakan satu per satu secara manual apalagi jika dalam satu waktu jumlah pengaduan yang masuk sangat banyak. Hal ini berdampak pada kurang efisiennya waktu kinerja petugas pengelola pengaduan. Sebagai alternatif solusi, dalam penelitian ini diterapkan metode pembelajaran mesin (machine learning) dengan tiga tipe algoritma Naïve Bayes Classififer, yaitu Bernoulli Naïve Bayes, Multinomial Naïve Bayes, dan Gaussian Naïve Bayes untuk memudahkan proses klasifikasi pengaduan/ laporan masyarakat secara otomatis agar lebih efektif dan efisien. Hasil yang diperoleh menunjukkan, bahwa klasifikasi pengaduan/ laporan masyarakat dengan mengkombinasikan ketiga tipe algoritma Naïve Bayes Classififer menggunakan soft voting memberikan nilai akurasi yang tinggi sebesar 93,41%. Selain itu, rata-rata nilai presisi, recall, dan f1-score secara berturut-turut adalah 92,12%, 92,52%, dan 92,21%.
Kata kunci: Klasifikasi, Naïve Bayes Classifier, Pengaduan/ Laporan Masyarakat, Voting

Unsatisfactory public services encourage the public to submit complaints/ reports to public service providers to improve their services. However, each complaint/ report submitted varies. Therefore, the first step of the community complaint resolution process is to classify every incoming community complaint. The Ombudsman of The Republic of Indonesia annually receives a minimum of 10,000 complaints with an average of 300-500 reports per province per year, classifies complaints/ community reports to divide them into three classes, namely simple reports, medium reports, and heavy reports. The classification process is carried out using a weight assessment of each complaint/ report using 5 (five) attributes. It becomes a big job if done manually. This impacts the inefficiency of the performance time of complaint management officers. As an alternative solution, in this study, machine learning methods with the types of Naïve Bayes Classifier algorithm which are Bernoulli Naïve Bayes, Multinomial Naïve Bayes, and Gaussian Naïve Bayes were applied to facilitate the process of automatically classifying complaints/ community reports to be more effective and efficient. The results showed that by combining three types of Naïve Bayes Classifier algorithm using soft voting technique gives a high accuracy value of 93,41%. In addition, the average precision, recall, and f1-score values, respectively, are 92,12%, 92,52%, and 92,21%.
Keywords: Classification, Complaints/ Community Reports, Naïve Bayes Classifier, Voting

Actions (login required)

View Item