Klasifikasi Pesan Pengaduan Masyarakat Berbasis Telegram Bot Menggunakan TF-IDF dan Support Vector Machine
Kata Kunci:
Klasifikasi Pengaduan Masyarakat, Telegram Bot, Text Mining, TF-IDF, Support Vector MachineAbstrak
Pengelolaan pengaduan masyarakat memerlukan mekanisme yang efisien untuk mengklasifikasikan dan mendistribusikan laporan kepada instansi yang relevan. Penanganan pengaduan secara manual sering menimbulkan keterlambatan dan kesalahan klasifikasi, terutama ketika pesan yang masuk memiliki struktur dan isi yang beragam. Penelitian ini bertujuan untuk mengembangkan sistem klasifikasi pengaduan masyarakat berbasis Telegram Bot menggunakan text mining, Term Frequency-Inverse Document Frequency (TF-IDF), dan algoritma Support Vector Machine (SVM). Dataset yang digunakan dalam penelitian ini terdiri dari 1.000 pesan pengaduan simulasi yang dikelompokkan ke dalam lima kelas instansi, yaitu PUPR, DLHK, DINKES, DINSOS, dan DISDIKBUD. Tahapan penelitian meliputi prapemrosesan teks, ekstraksi fitur, pelatihan model, evaluasi model, dan implementasi Telegram Bot. Prapemrosesan teks dilakukan melalui cleaning, case folding, tokenization, stopword removal, dan stemming menggunakan pustaka Sastrawi. Teks hasil prapemrosesan kemudian diubah menjadi fitur numerik menggunakan TF-IDF dengan representasi unigram dan bigram. Dataset dibagi menjadi 80% data latih dan 20% data uji, sedangkan model klasifikasi dibangun menggunakan SVM. Hasil evaluasi menunjukkan bahwa model memperoleh training accuracy sebesar 99,7%, testing accuracy sebesar 98,5%, precision sebesar 99%, recall sebesar 98%, dan F1-score sebesar 98%. Implementasi Telegram Bot menunjukkan bahwa sistem mampu menerima pesan pengaduan, melakukan klasifikasi secara otomatis, dan meneruskan laporan ke grup instansi yang sesuai. Hasil ini menunjukkan bahwa sistem yang diusulkan dapat meningkatkan efisiensi dan akurasi distribusi pengaduan masyarakat
Unduhan
Referensi
[1] S. D. Utomo, “Penanganan pengaduan Masyarakat mengenai pelayanan publik,” BISNIS & BIROKRASI: Jurnal Ilmu Administrasi dan Organisasi, vol. 15, no. 3, p. 8, 2011.
[2] Y. Sansena, “Implementasi Sistem Layanan Pengaduan Masyarakat Kecamatan Medan Amplas Berbasis Website,” Jurnal Ilmiah Teknologi Informasi Asia, vol. 15, no. 2, pp. 91–102, 2021.
[3] H. Stepanus and W. Subadi, “Efektivitas Sistem Pengelolaan Pengaduan Pelayanan Publik Nasional-Layanan Aspirasi Dan Pengaduan Online Rakyat (Sp4n-Lapor) Di Kabupaten Tabalong dalam Penanganan Pengaduan Masyarakat Terkait Pelayanan Publik,” JAPB, vol. 7, no. 2, pp. 1156–1167, 2024.
[4] M. Haekal and M. B. Z. Tjenreng, “Analisis Pengelolaan Pengaduan Masyarakat melalui Aplikasi JAKI dalam Rangka Pelayanan Publik di DKI Jakarta,” Jurnal PKM Manajemen Bisnis, vol. 5, no. 1, pp. 228–241, 2025.
[5] D. F. Kuncoro, U. Juniarti, J. Syahputra, R. B. B. Sumantri, and R. Suryani, “Rancang Bangun Sistem Pengaduan Masyarakat Berbasis Web Dengan Metode Waterfall: Array,” Jurnal Sistem Informasi Dan Teknologi Peradaban, vol. 3, no. 2, pp. 14–19, 2022.
[6] D. Antons, E. Grünwald, P. Cichy, and T. O. Salge, “The application of text mining methods in innovation research: current state, evolution patterns, and development priorities,” R&D Management, vol. 50, no. 3, pp. 329–351, 2020.
[7] K.-X. Han, W. Chien, C.-C. Chiu, and Y.-T. Cheng, “Application of support vector machine (SVM) in the sentiment analysis of twitter dataset,” Applied Sciences, vol. 10, no. 3, p. 1125, 2020.
[8] M. Jamaluddin and A. D. Wibawa, “Patient diagnosis classification based on electronic medical record using text mining and support vector machine,” in 2021 international seminar on application for Technology of Information and Communication (iSemantic), IEEE, 2021, pp. 243–248.
[9] Z. Amanda, I. Muslem, and F. Rizani, “Klasifikasi Kematangan Buah Pepaya Menggunakan Algoritma Support Vector Machine,” Jurnal Ilmu Komputer Aceh, vol. 3, no. 1, pp. 96–102, Feb. 2026.
[10] B. Laoli, I. Muslem, and F. Rizani, “ Klasifikasi Tingkat Kematangan Buah Pisang Menggunakan Algoritma Support Vector Machine ,” Jurnal Ilmu Komputer Aceh, vol. 3, no. 1, pp. 142–151, Feb. 2026.
[11] M. Furqan, R. A. Putri, I. Agus, and M. Daulay, “IMPLEMENTASI TEXT MINING DALAM IDENTIFIKASI CYBER HATE,” vol. 8, no. 4, pp. 477–483, 2024.
[12] I. R. Muslem, “KLIK: Kajian Ilmiah Informatika dan Komputer Image Classification pada Kasus American Sign Language Menggunakan Support Vector Machine,” Media Online), vol. 4, no. 2, pp. 1184–1191, 2023, doi: 10.30865/klik.v4i2.1242.
[13] D. Z. Robert, A. B. Setiawan, and D. W. Widodo, “Implementasi Metode Support Vector Machine untuk Klasifikasi Otomatis Pengaduan Publik di Kabupaten Trenggalek,” vol. 9, pp. 1617–1626.
[14] D. Teknik, S. Vokasi, and U. G. Mada, “Implementasi Chatbot pada Telegram sebagai Monitoring Assistant dengan Analisis Teks Klasifikasi Menggunakan Metode Support Vector Machine,” vol. 5, no. 2, pp. 68–74, 2024.
[15] D. Siregar, F. Ladayya, N. Z. Albaqi, and B. M. Wardana, “Penerapan Metode Support Vector Machines ( SVM ) dan Metode Naïve Bayes Classifier ( NBC ) dalam Analisis Sentimen Publik terhadap Konsep Child-free di Media Sosial Twitter,” vol. 7, no. 1, pp. 93–104, 2023.
[16] J. Saputra, L. Maryani, D. Wulandari, W. Eka, P. T. Informatika, and P. T. Komputer, “Analisis Performa Naive Bayes dan SVM terhadap Sentimen Teks Media Sosial dengan Word2Vec dan SMOTE,” vol. 10, no. 1, pp. 143–155, 2025.
[17] A. Suharman, M. K. Sulaeman, T. Industri, U. Muhammadiyah, and P. Hamka, “Analisis Sentimen Pengguna Aplikasi Livin ’ by Mandiri Menggunakan Metode Support Vector Machine ( SVM ) dengan Ekstraksi Fitur TF-IDF dan Word2Vec User Sentiment Analysis of the Livin ’ by Mandiri Application Using the Support Vector Machine ( SVM ) Method with TF-IDF and Word2Vec Feature Extraction,” vol. 5, no. 8, pp. 2201–2212, 2025.
[18] A. Karami, M. Lundy, F. Webb, and Y. K. Dwivedi, “Twitter and research: A systematic literature review through text mining,” IEEE access, vol. 8, pp. 67698–67717, 2020.
[19] R. Antonius, A. R. Zulkarnain, and H. Irsyad, “Pendekatan TF-IDF , SMOTE , dan SVM dalam Klasifikasi Sentimen Masyarakat terhadap Pemblokiran Judi Online,” vol. 2, no. 3, pp. 115–122, 2024, doi: 10.58369/biit.v2i3.65.
[20] A. S. Putri, A. F. Rozi, U. Mercu, B. Yogyakarta, and D. I. Yogyakarta, “SENTIMENT ANALYSIS OF TELEGRAM APPLICATION USER SATISFACTION ON GOOGLE PLAY STORE USING NAÏVE BAYES , LOGISTIC REGRESSION AND SVM ANALISIS SENTIMEN KEPUASAN PENGGUNA APLIKASI TELEGRAM PADA GOOGLE PLAY STORE MENGGUNAKAN METODE NAÏVE BAYES , LOGISTIC REGRESSION DAN SVM,” vol. 10, no. 2, pp. 857–867, 2025.
[21] J. Riset, W. Silalahi, and A. Hartanto, “Klasifikasi Sentimen Support Vector Machine Berbasis Optimasi Menyambut Pemilu 2024 Support Vector Machine Sentiment Classification Based on Optimization Welcoming 2024 Election,” vol. 7, no. 2, pp. 245–255, 2024, doi: 10.30595/jrst.v7i2.18133.
[22] F. Romadoni, Y. Umaidah, and B. N. Sari, “Text Mining Untuk Analisis Sentimen Pelanggan Terhadap Layanan Uang Elektronik Menggunakan Algoritma Support Vector Machine,” vol. 09, pp. 247–253, 2020.
[23] I. Ayu and M. Cahya, “IMPLEMENTASI TEXT MINING UNTUK KLASIFIKASI OPINI ALUMNI PADA PERGURUAN TINGGI,” pp. 283–290, 2019.
[24] J. Informatika and S. Informasi, “INFORMASI (Jurnal Informatika dan Sistem Informasi) Volume 12 No.1 / Mei/ 2020,” vol. 12, no. 1, pp. 67–80, 2020.
Unduhan
Diterbitkan
Terbitan
Bagian
Lisensi
Hak Cipta (c) 2026 Shabira, Imam Muslem, Riyadhul Fajri
Artikel ini berlisensi Creative Commons Attribution 4.0 International License.
