<![CDATA[Abstrak. Tujuan: Pengelolaan keluhan masyarakat dalam jumlah besar memerlukan proses klasifikasi yang efektif agar keluhan dapat dikelompokkan sesuai bidang layanan dan diteruskan kepada unit terkait. Penelitian ini bertujuan untuk mengembangkan dan mengevaluasi model IndoBERT dalam mengklasifikasikan keluhan masyarakat ke dalam lima kategori, yaitu infrastruktur, administrasi kependudukan, kesehatan, kebersihan, dan transportasi. Metode/Design/Pendekatan: Penelitian menggunakan 5.000 data keluhan masyarakat Kota XYZ dari SP4N-LAPOR pada periode 2021 - 2026 yang dibagi secara stratified menjadi 80% data training, 10% validation, dan 10% testing. Tahapan penelitian meliputi preprocessing, tokenisasi, fine-tuning IndoBERT, dan evaluasi menggunakan accuracy, precision, recall, F1-score, serta confusion matrix. Kinerja IndoBERT juga dibandingkan dengan model baseline Support Vector Machine (SVM) dan Naive Bayes menggunakan fitur TF-IDF. Hasil/Temuan: Hasil penelitian menunjukkan bahwa IndoBERT memperoleh accuracy sebesar 91% dan macro F1-score sebesar 90,6%, lebih tinggi dibandingkan SVM dengan accuracy 85% dan Naive Bayes sebesar 80%. Confusion matrix menunjukkan bahwa sebagian besar keluhan berhasil diklasifikasikan dengan benar, meskipun masih terdapat kesalahan pada kategori yang memiliki kemiripan konteks, terutama kebersihan dengan infrastruktur dan transportasi. Kebaharuan/Originalitas/Nilai: Nilai penelitian ini terletak pada penerapan IndoBERT untuk mengelompokkan keluhan masyarakat berbahasa Indonesia berdasarkan konteks teks serta memetakan hasil klasifikasi ke unit layanan terkait. Hasil penelitian dapat menjadi dasar pendukung pengelolaan dan analisis pengaduan masyarakat secara otomatis, meskipun penerapan langsung pada alur operasional pelayanan masih memerlukan pengujian lebih lanjut.]]>
