Article Per Year (5 Year)
p-Index From 2021 - 2026
0.23
P-Index
This Author published in this journals
All Journal JURNAL INSTEK (Informatika Sains dan Teknologi)
Garda, Kautsa Adi
Unknown Affiliation
Computer Science & IT Control & Systems Engineering Electrical & Electronics Engineering Engineering

Published : 1 Documents Claim Missing Document
Claim Missing Document
Check
Articles

Found 1 Documents
Search

 1 
PENERAPAN MODEL DEEP LEARNING BILSTM UNTUK KLASIFIKASI MULTI-KELAS PADA DATA ADUAN MASYARAKAT Garda, Kautsa Adi; Saraswati, Galuh Wilujeng; Lutfina, Erba
Jurnal INSTEK (Informatika Sains dan Teknologi) Vol 11 No 1 (2026): APRIL
Publisher : Department of Informatics Engineering, Faculty of Science and Technology, Universitas Islam Negeri Alauddin, Makassar, Indonesia

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.24252/instek.v11i1.66293

Abstract

Layanan Pengaduan Masyarakat merupakan suatu kanal layanan yang dipergunakan masyarakat untuk melaporkan suatu kejadian pelanggaran dan masalah yang tidak sesuai dengan aturan tertulis maupun tidak tertulis. Pemerintah Kota Kediri melalui Dinas Komunikasi dan Informatika mempunyai suatu sistem layanan pengaduan online untuk menampung keluhan, saran, serta aspirasi masyarakat. Keberagaman dan tingginya volume aduan menuntut operator untuk meneruskan laporan kepada banyak pilihan instansi terkait sekaligus. Oleh karena itu, perlu adanya sistem yang mampu melakukan klasifikasi otomatis terhadap teks aduan masyarakat. Penelitian ini bertujuan untuk otomatisasi klasifikasi teks aduan menggunakan algoritma Bidirectional Long Short-Term Memory (BiLSTM) dengan skema multiclass sebanyak 21 kelas. Pembagian data dilakukan dengan rasio 80:20 untuk data training dan testing, kemudian 10% dari data pelatihan digunakan sebagai data validation. Penelitian ini menggunakan Word2Vec untuk pembobotan kata, Random Oversampling untuk balancing data serta membandingkan uji parameter batch size dan optimizer. Berdasarkan hasil dari 8 skenario pengujian, diperoleh skenario model dengan akurasi tertinggi sebesar 0,6977 (70%). Nilai tersebut tergolong cukup baik mengingat jumlah kelas yang relatif banyak dan variasi penggunaan bahasa daerah dan slang pada data aduan. Secara keseluruhan, BiLSTM menunjukkan kinerja yang memadai untuk klasifikasi teks multiclass.
Co-Authors Lutfina, Erba Saraswati, Galuh Wilujeng