PERPUSTAKAAN UNTIDAR Repositori Mahasiswa Untidar

  • Beranda
  • Informasi
  • Berita
  • Bantuan
  • Pustakawan
  • Area Anggota
  • Pilih Bahasa :
    Bahasa Arab Bahasa Bengal Bahasa Brazil Portugis Bahasa Inggris Bahasa Spanyol Bahasa Jerman Bahasa Indonesia Bahasa Jepang Bahasa Melayu Bahasa Persia Bahasa Rusia Bahasa Thailand Bahasa Turki Bahasa Urdu

Pencarian berdasarkan :

SEMUA Pengarang Subjek ISBN/ISSN Pencarian Spesifik

Pencarian terakhir:

{{tmpObj[k].text}}
No image available for this title
Penanda Bagikan

Text

SKRIPSI PERANCANGAN SISTEM MACHINE LEARNING UNTUK KLASIFIKASI TIKET ADUAN PADA PORTAL LAPORAN PENGADUAN ONLINE PROVINSI JAWA TENGAH

ABDAN SUBEKTI - Nama Orang;

Pengelolaan aduan publik pada portal LaporGub! Provinsi Jawa Tengah
menghadapi tantangan inefisiensi dan inkonsistensi akibat proses klasifikasi
manual. Masalah ini diperburuk oleh tingginya ambiguitas topik dan tumpang
tindih makna pada struktur kategori awal yang terdiri dari banyak kelas. Penelitian
ini berfokus pada perancangan sistem machine learning untuk mengklasifikasikan
tiket aduan secara otomatis ke departemen pemerintah yang relevan. Proses utama
dalam penelitian ini adalah kurasi dan pra-pemrosesan dataset. Dataset awal yang
memiliki 56 kelas direduksi menjadi 14 kelas dinas yang lebih spesifik dan koheren
untuk mengatasi masalah ambiguitas. Teks aduan yang beragam kemudian
dinormalisasi melalui proses stopword removal. Model klasifikasi dibangun
menggunakan arsitektur Bidirectional Long Short-Term Memory (Bi-LSTM),
sebuah pengembangan dari Recurrent Neural Network (RNN), yang terbukti efektif
dalam memahami konteks sekuensial. Vektor kata (word embedding) dilatih dari
awal (from scratch) untuk menghasilkan representasi fitur yang spesifik terhadap
domain aduan. Model yang telah dilatih diintegrasikan ke dalam antarmuka web
berbasis Flask untuk demonstrasi klasifikasi secara langsung. Hasil pengujian pada
data validasi menunjukkan bahwa model yang diusulkan berhasil mencapai
confidence score sebesar 89%. Analisis metrik evaluasi weighted average juga
menunjukkan performa dengan nilai precision, recall, dan F1-score masing-masing
sebesar 89%. Hasil ini membuktikan bahwa pemilihan kelas yang tepat dan
penggunaan model Bi-LSTM mampu menghasilkan sistem klasifikasi aduan yang
akurat.


Ketersediaan
#
Ruang Skripsi ELEKTRO SUB P 2025
73-UN57.U1-STE-XI-2025
Tersedia
Informasi Detail
Judul Seri
-
No. Panggil
ELEKTRO SUB P 2025
Penerbit
MAGELANG : UNIVERSITAS TIDAR., 2025
Deskripsi Fisik
XVI;105 HLM;29 CM
Bahasa
Indonesia
ISBN/ISSN
-
Klasifikasi
621.38
Tipe Isi
-
Tipe Media
-
Tipe Pembawa
-
Edisi
-
Subjek
PRODI_S1_TEKNIK_ELEKTRO
FAKULTAS_FT
Info Detail Spesifik
-
Pernyataan Tanggungjawab
-
Versi lain/terkait

Tidak tersedia versi lain

Lampiran Berkas
  • FULL TEXT
Komentar

Anda harus masuk sebelum memberikan komentar

PERPUSTAKAAN UNTIDAR Repositori Mahasiswa Untidar
  • Informasi
  • Layanan
  • Pustakawan
  • Area Anggota

Tentang Kami

As a complete Library Management System, SLiMS (Senayan Library Management System) has many features that will help libraries and librarians to do their job easily and quickly. Follow this link to show some features provided by SLiMS.

Cari

masukkan satu atau lebih kata kunci dari judul, pengarang, atau subjek

Donasi untuk SLiMS Kontribusi untuk SLiMS?

© 2025 — Senayan Developer Community

Ditenagai oleh SLiMS
Pilih subjek yang menarik bagi Anda
  • Karya Umum
  • Filsafat
  • Agama
  • Ilmu-ilmu Sosial
  • Bahasa
  • Ilmu-ilmu Murni
  • Ilmu-ilmu Terapan
  • Kesenian, Hiburan, dan Olahraga
  • Kesusastraan
  • Geografi dan Sejarah
Icons made by Freepik from www.flaticon.com
Pencarian Spesifik
Kemana ingin Anda bagikan?