<![CDATA[Perkembangan media sosial menghasilkan volume data aduan publik berbahasa Indonesia yang besar dan beragam sehingga diperlukan metode klasifikasi otomatis yang efektif dan efisien. Penelitian ini bertujuan membandingkan performa algoritma machine learning, yaitu Naive Bayes dan Support Vector Machine (SVM), dengan algoritma deep learning, yaitu Convolutional Neural Network (CNN), Long Short-Term Memory (LSTM), dan Generative Adversarial Network (GAN), dalam melakukan klasifikasi teks aduan publik. Kebaruan penelitian ini terletak pada evaluasi penggunaan GAN sebagai model klasifikasi melalui komponen Discriminator pada konteks aduan publik berbahasa Indonesia. Dataset yang digunakan terdiri atas 5.000 data teks yang diperoleh dari media sosial, dengan distribusi 2.127 data Complaint (42,5%) dan 2.873 data Not Complaint (57,5%). Tahapan penelitian meliputi preprocessing teks, pembagian data menggunakan stratified sampling dengan proporsi 80% data latih dan 20% data uji, serta evaluasi model menggunakan Accuracy, Precision, Recall, dan F1-Score berdasarkan rata-rata tiga kali pengujian. Hasil penelitian menunjukkan bahwa Naive Bayes menghasilkan performa terbaik dengan Accuracy sebesar 77,50%, Precision 77,41%, Recall 77,50%, dan F1-Score 77,31%. Model berikutnya adalah CNN dengan F1-Score 77,09%, SVM sebesar 74,67%, LSTM sebesar 73,66%, dan GAN sebesar 41,98%. Rendahnya performa GAN dipengaruhi oleh ketidakstabilan proses pelatihan adversarial, sedangkan LSTM mengalami kecenderungan overfitting pada dataset berukuran sedang. Penelitian ini menunjukkan bahwa Naive Bayes lebih efektif untuk klasifikasi aduan publik dengan jumlah data terbatas karena memiliki akurasi kompetitif dan kompleksitas komputasi yang lebih rendah. Penelitian selanjutnya dapat mengembangkan dataset yang lebih besar, memperluas kategori aduan, menerapkan teknik augmentasi data, serta mengeksplorasi model berbasis transformer seperti BERT dan IndoBERT]]>
Copyrights © 2026
