PENERAPAN MODEL DEEP LEARNING BILSTM UNTUK KLASIFIKASI MULTI-KELAS PADA DATA ADUAN MASYARAKAT

Kautsa Adi Garda; Galuh Wilujeng Saraswati; Erba Lutfina

doi:10.24252/instek.v11i1.66293

Authors

Kautsa Adi Garda Universitas Dian Nuswantoro
Galuh Wilujeng Saraswati Universitas Dian Nuswantoro https://orcid.org/0009-0006-8566-8748
Erba Lutfina Universitas Dian Nuswantoro https://orcid.org/0009-0006-8299-1304

DOI:

https://doi.org/10.24252/instek.v11i1.66293

Keywords:

aduan, BiLSTM, klasifikasi, multiclass, random oversampling, word2vec

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.

Downloads

Download data is not yet available.

References

[1] D. Prihatono, “Penerapan Pelayanan Publik Berbasis E-Governance Pada Era Revolusi Industri 4.0,” Jurnal Ilmu Administrasi, vol. 14, no. 2, pp. 192–201, Jun. 2023.

[2] P. A. Lestari, A. Tasyah, A. Syofira, C. A. Rahmayani, R. D. Cahyani, and N. Tresiana, “Inovasi Pelayanan Publik Berbasis Digital (E-Government) Di Era Pandemi COVID-19,” Jurnal Ilmu Administrasi, vol. 18, no. 2, pp. 212–224, Dec. 2021.

[3] R. I. Arti, F. Dewi, and W. A. Nurtrisha, “Analisis Dan Perancangan Enterprise Architecture Pada Badan Pendapatan Daerah DKI Jakarta Untuk Mendukung Implementasi SPBE,” JIPI (Jurnal Ilmiah Penelitian dan Pembelajaran Informatika), vol. 10, no. 3, pp. 2550–2560, Sep. 2025, doi: 10.29100/jipi.v10i3.6620.

[4] P. Parisca, K. Khairul, and Z. Syahputra, “Platform Layanan Pengaduan Masyarakat Berbasis Web Pada Kantor Desa Helvetia,” Jurnal Minfo Polgan, vol. 14, no. 2, pp. 1550–1557, Jul. 2025, doi: 10.33395/jmp.v14i2.15065.

[5] M. Azis Suprayogi and R. Adrianti Supono, “Klasifikasi Helpdesk Menggunakan Metode K-Nearest Neighbor dan TF-ABS,” Techno.COM, vol. 20, no. 4, pp. 508–517, Nov. 2021, doi: 10.33633/tc.v20i4.5094.

[6] M. A. Rasyida and M. F. Rizal, “Optimalisasi Klasifikasi Disposisi Pengaduan Masyarakat melalui Kanal LAPOR Menggunakan Algoritma Naïve Bayes dan Integrasi Ekstensi Chrome,” Integrative Perspectives of Social and Science Journal, vol. 2, no. 3, pp. 4115–4121, Jun. 2025.

[7] P. Pan and Y. Chen, “Automatic Subject Classification of Public Messages in E-government Affairs,” Data Inf. Manag., vol. 5, no. 3, pp. 336–347, Sep. 2021, doi: 10.2478/dim-2021-0004.

[8] A. Oktarino, S. Defit, and Yuhandri, “Improving Accuracy Performance on CNN and BiLSTM Algorithms for Classification of Public Complaints Against Police Through WhatsAPP,” in 2024 8th International Conference on Information Technology, Information Systems and Electrical Engineering, ICITISEE 2024, Institute of Electrical and Electronics Engineers Inc., Aug. 2024, pp. 399–404. doi: 10.1109/ICITISEE63424.2024.10730082.

[9] A. Fatimah, B. Badieah, and S. F. C. Haviana, “Implementasi Bidirectional Long Short-Term Memory untuk Identifikasi Entitas Saham,” Jurnal Teknik Informatika dan Sistem Informasi, vol. 11, no. 1, pp. 78–90, Apr. 2025, doi: 10.28932/jutisi.v11i1.9775.

[10] S. Mutmainah, D. H. Fudholi, and S. Hidayat, “Analisis Sentimen dan Pemodelan Topik Aplikasi Telemedicine Pada Google Play Menggunakan BiLSTM dan LDA,” JURNAL MEDIA INFORMATIKA BUDIDARMA, vol. 7, no. 1, p. 312, Jan. 2023, doi: 10.30865/mib.v7i1.5486.

[11] H. Ma’, A. Yudo Husodo, and B. Irmawati, “PERFORMANCE COMPARISON OF NAIVE BAYES AND BIDIRECTIONAL LSTM ALGORITHMS IN BSI MOBILE REVIEW SENTIMENT ANALYSIS,” Jurnal Teknik Informatika (JUTIF), vol. 6, no. 1, pp. 159–172, Feb. 2025, doi: 10.52436/1.jutif.2025.6.1.4178.

[12] A. Muhammad Huda, G. F. Shidik, and V. Praskatama, “COMPARATIVE ANALYSIS OF LSTM, BILSTM, GRU, CNN, AND RNN FOR DEPRESSION DETECTION IN SOCIAL MEDIA,” Jurnal Teknik Informatika (Jutif), vol. 5, no. 6, pp. 1723–1735, Dec. 2024, doi: 10.52436/1.jutif.2024.5.6.4060.

[13] R. Darja, M. Irwan, F. Sains dan Teknologi, U. Islam Negeri Alauddin Makassar Gowa, and S. Selatan, “Memprediksikan Harga Saham Bank Rakyat Indonesia (Persero) Tbk Menggunakan Metode Bidirectional Long Short Term Memory (Bi-LSTM),” vol. 10, no. 2, 2025, [Online]. Available: https://journal.uin-alauddin.ac.id/index.php/instek

[14] O. M. Alyasiri and Y. N. Cheah, “Multi-Class Text Classification using Machine Learning Techniques,” Engineering, Technology and Applied Science Research, vol. 15, no. 3, pp. 22598–22604, Jun. 2025, doi: 10.48084/etasr.9994.

[15] A. S. Rizky and E. Y. Hidayat, “Klasifikasi Emosi Pada Teks Bahasa Indonesia Menggunakan IndoBERT,” JIPI (Jurnal Ilmiah Penelitian dan Pembelajaran Informatika), vol. 10, no. 4, pp. 2963–2970, Nov. 2025, doi: 10.29100/jipi.v10i4.6602.

[16] D. A. Sani and M. Z. Sarwani, “A Random Oversampling and BERT-based Model Approach for Handling Imbalanced Data in Essay Answer Correction,” INFOTEL, vol. 16, no. 4, pp. 729–739, Nov. 2024, doi: 10.20895/INFOTEL.V16I3.1224.

[17] M. Wahyu, A. Pramana, D. Purnami, S. Putri, I. Ketut, and A. Purnawan, “Comparison of IndoBERT and Bi-LSTM Models for Indonesian Law Violation Text Classification,” Jurnal Informatika: Jurnal pengembangan IT, vol. 10, no. 4, pp. 2477–5126, 2025, doi: 10.30591/jpit.v10i4.8795.

[18] P. Koukaras and C. Tjortjis, “Data Preprocessing and Feature Engineering for Data Mining: Techniques, Tools, and Best Practices,” AI, vol. 6, no. 10, pp. 1–40, Oct. 2025, doi: 10.3390/ai6100257.

[19] M. Alkaff, A. Baskara Rizky, and I. Maulani, “Klasifikasi Laporan Keluhan Pelayanan Publik Berdasarkan Instansi Menggunakan Metode LDA-SVM,” Jurnal Teknologi Informasi dan Ilmu Komputer, vol. 8, no. 6, pp. 1265–1276, Dec. 2021.

[20] J. Saputra, L. Maryani, Rahmaddeni, D. Wulandari, and W. Eka, “Analisis Performa Naive Bayes dan SVM terhadap Sentimen Teks Media Sosial dengan Word2Vec dan SMOTE,” Informatika Sains dan Teknologi (INSTEK), vol. 10, no. 1, pp. 143–155, Apr. 2025, [Online]. Available: https://journal.uin-alauddin.ac.id/index.php/instek

[21] M. Rafly Gusmansyah, H. Hendrawan, Rahmaddeni, and Rohid, “Peningkatan Kinerja Analisis Sentimen pada Ulasan Aplikasi Identitas Kependudukan Digital (IKD) di Indonesia Menggunakan Algoritma Support Vector Machine (SVM) dan SMOTE,” Informatika Sains dan Teknologi (INSTEK), vol. 10, no. 1, pp. 185–196, Apr. 2025, [Online]. Available: https://journal.uin-alauddin.ac.id/index.php/instek

[22] D. Intan Af’idah, S. Febbi Handayani, R. Wijayatun Pratiwi, and Dairoh, “Pengaruh Parameter Word2Vec terhadap Performa Deep Learning pada Klasifikasi Sentimen,” Jurnal Pengembangan IT (JPIT), vol. 6, no. 3, pp. 156–161, Nov. 2021.

[23] I. Yanti and E. Utami, “SENTIMENT ANALYSIS OF INDONESIA’S CAPITAL RELOCATION USING WORD2VEC AND LONG SHORT-TERM MEMORY METHOD,” Jurnal Teknik Informatika (Jutif), vol. 6, no. 1, pp. 149–158, Sep. 2024, doi: 10.52436/1.jutif.2025.6.1.2712.

[24] H. Argretya and K. Kusnawi, “Impelementasi Random Oversampling pada Algoritma Random Forest untuk Klasifikasi Indeks Standar Udara di DKI Jakarta 2024,” Jurnal Informatika: Jurnal Pengembangan IT, vol. 10, no. 4, pp. 1189–1198, Sep. 2025, doi: 10.30591/jpit.v10i4.9466.

[25] P. Zahwa, S. Agustian, F. Yanto, and Novriyanto, “IMPLEMENTASI BI-DIRECTIONAL LONG SHORT TERM MEMORY TERHADAP KLASIFIKASI SENTIMEN DI TWITTER PADA DATASET TERBATAS,” Jurnal Sistem Informasi (ZONAsi), vol. 7, no. 1, pp. 11–5, Jan. 2025.

[26] D. V. Setiawan and U. D. Iswavigra, “Sentiment Analysis to Evaluate Public Service Perception among Surakarta City Residents Using the BiLSTM Model,” Journal Of Informatics and Telecommuniaction Engineering (JITE), vol. 9, no. 1, pp. 229–239, Jul. 2025, doi: 10.31289/jite.v9i1.15498.

[27] N. H. A. Rahman, Q. P. Yin, and H. S. Zulkafli, “OPTIMISING LSTM AND BILSTM MODELS FOR TIME SERIES FORECASTING THROUGH HYPERPARAMETER TUNING,” Journal of Quality Measurement and Analysis, vol. 21, no. 3, pp. 191–205, Sep. 2025, doi: 10.17576/jqma.2103.2025.12.

[28] E. Aurora Az Zahra, Y. Sibaroni, and S. Suryani Prasetyowati, “Classification of Multi-Label of Hate Speech on Twitter Indonesia using LSTM and BiLSTM Method,” JINAV: Journal of Information and Visualization, vol. 4, no. 2, pp. 170–178, Jul. 2023, doi: 10.35877/454ri.jinav1864.

[29] M. K. Najib, A. Irawan, F. N. Salsabilla, and S. Nurdiati, “Performance Comparison of Gradient-based Optimizer for Classification of Movie Genres,” Indonesian Journal of Mathematics and Applications, vol. 3, no. 1, pp. 1–18, Apr. 2025, doi: 10.21776/ub.ijma.2025.003.01.1.

[30] M. R. Raharjo, Indra Riyana Rahadjeng, M. N. H. Siregar, and P. Alkhairi, “Optimasi Fungsi Aktivasi pada Artificial Neural Network untuk Prediksi Gagal Jantung Secara Akurat,” Explorer (Hayward)., vol. 5, no. 1, pp. 42–51, Jan. 2025, doi: 10.47065/explorer.v5i1.1840.

[31] A. H. Putra and A. Salam, “A Comparative Performance of SMOTE, ADASYN and Random Oversampling in Machine Learning Models on Prostate Cancer Dataset,” Journal of Applied Informatics and Computing (JAIC), vol. 9, no. 3, pp. 603–610, Jun. 2025, [Online]. Available: http://jurnal.polibatam.ac.id/index.php/JAIC

[32] J. Homepage et al., “Implementation of the XGBoost Classifier Algorithm for Classifying Crowds of Hajj and Umrah Pilgrims,” Indonesian Journal of Machine Learning and Computer Science (MALCOM), vol. 6, no. 1, pp. 106–115, Jan. 2026, doi: 10.57152/malcom.v6i1.2245.