Implementasi Metode K-Means Dalam Analisis Teks Aduan Pelayanan Masyarakat
Keywords:
Aduan masyarakat, Text mining, K-MeansAbstract
Aduan masyarakat terhadap pelayanan publik merupakan sumber informasi penting dalam evaluasi kualitas layanan. Aduan umumnya disampaikan dalam bentuk teks tidak terstruktur, yang mana hal ini menyulitkan identifikasi pola permasalahan utama secara cepat di tengah volume data yang besar. Penelitian ini bertujuan untuk mengimplementasikan metode K-Means dalam analisis teks aduan pelayanan masyarakat untuk mengelompokkan aduan berdasarkan kemiripan isi. Tahapan penelitian meliputi text preprocessing berupa cleaning, tokenizing, normalization, stopword removal, dan stemming, kemudian dilakukan pembobotan kata menggunakan TF-IDF untuk mengubah data teks menjadi representasi numerik. Proses klasterisasi dilakukan menggunakan metode K-Means dengan penentuan jumlah klaster optimal menggunakan Variance Ratio Criterion (VRC). Evaluasi kualitas klaster dilakukan menggunakan silhouette coefficient dan Index Davies-Bouldin (IDB) untuk mengukur tingkat kekompakan dan pemisahan antar klaster. Hasil penelitian menunjukkan bahwa metode K-Means menghasilkan 3 klaster utama dengan nilai silhouette coefficient sebesar 0,49 dan nilai IDB sebesar 3,47. Klaster yang terbentuk mampu merepresentasikan pola aduan masyarakat berdasarkan topik keluhan yang dominan. Visualisasi wordcloud menunjukkan perbedaan karakteristik aduan pada setiap klaster, sedangkan analisis emosi mengungkap bahwa aduan masyarakat secara keseluruhan didominasi oleh emosi sedih. Implementasi metode K-Means pada analisis teks aduan masyarakat diharapkan dapat membantu proses pengelompokan data secara otomatis dan mendukung perumusan strategi peningkatan kualitas layanan publik.
References
W. Wardono, S. Sunarmi, dan M. R. Wirawan, “PENGELOMPOKKAN KABUPATEN/KOTA DI PROVINSI JAWA TENGAH BERDASARKAN INDIKATOR KESEJAHTERAAN DENGAN METODE KMEANS CLUSTER,” EDUSAINTEK, vol. 3, no. 0, 2019.
M. Afzali and S. Kumar, “Text Document Clustering: Issues and Challenges,” 2019 Int. Conf. Mach. Learn. Big Data, Cloud Parallel Comput., pp. 263–268, 2019.
P. A. Riyantoko, T. M. Fahrudin, D. A. Paceyta, Trimono, and T. D. Timur, “Analisis Sentimen Sederhana Menggunakan Algoritma LSTM dan BERT untuk Klasifikasi Data Spam dan Non-Spam,” PROSIDING SEMINAR NASIONAL SAINS DATA, vol. 2, pp. 103–111, 2022.
Nyoman Gede Yudiarta, Made Sudarma, and Wayan Gede Ariastina, “Penerapan Metode Clustering Text mining Untuk Pengelompokan Berita Pada Unstructured Textual Data,” Majalah Ilmiah Teknologi Elektro, vol. 17, no. 3, pp. 339–339, Dec. 2018.
C. Putra, K. Wahyu Megananda Kesuma Putra, K. Alit Arsani, A. Prabawa, and I. W. Kesumadana, “Gambaran Penyebab Infertilitas Pasangan Usia Subur di Rumah Sakit Kasih Ibu Denpasar Tahun 2021 - 2022”, jiwp, vol. 10, no. 12, pp. 371-385, Jun. 2024.
Muthahharah and A. Juhari, “A Cluster Analysis with Complete Linkage and Ward’s Method for Health Service Data in Makassar City”, Jurnal Varian, vol. 4, no. 2, pp. 109 - 116, Apr. 2021.
Devi Putri Isnarwaty and Irhamah Irhamah, “Text Clustering pada Akun TWITTER Layanan Ekspedisi JNE, J&T, dan Pos Indonesia Menggunakan Metode Density-Based Spatial Clustering of Applications with Noise (DBSCAN) dan K-Means,” Jurnal Sains dan Seni ITS, vol. 8, no. 2, Feb. 2020, doi:https://doi.org/10.12962/j23373520.v8i2.49094.
S. J. Angelina, Arif, and Hafiz Muhardi, “Analisis Pengaruh Penerapan Stopword removal Pada Performa Klasifikasi Sentimen Tweet Bahasa Indonesia,” Jurnal Aplikasi dan Riset Informatika, vol. 1, no. 2, pp. 165–173, 2023, doi: https://doi.org/10.26418/jari.v2i1.69680.
T. M. Fahrudin, A. R. F. Sari, A. Lisanthoni, and A. A. D. Lestari, “ANALISIS SPEECH-TO-TEXT PADA VIDEO MENGANDUNG KATA KASAR DAN UJARAN KEBENCIAN DALAM CERAMAH AGAMA ISLAM MENGGUNAKAN INTERPRETASI AUDIENS DAN VISUALISASI WORD CLOUD,” SKANIKA, vol. 5, no. 2, pp. 190–202, Jul. 2022, doi: https://doi.org/10.36080/skanika.v5i2.2942.
Dita Afida, E. D. Udayanti, and Etika Kartikadarma, “Aplikasi Text mining untuk Klasterisasi Aduan Masyarakat Kota Semarang Menggunakan Algoritma K-Means,” Jurnal Transformatika, vol. 18, no. 2, pp. 215–224, 2021.
D. A. Prasetya, A. P. Sari, M. Idhom, and A. Lisanthoni, “Optimizing Clustering Analysis to Identify High-Potential Markets for Indonesian Tuber Exports,” Indones. J. Electron. Electromed. Eng. Med. Informatics, vol. 7, no. 1, pp. 113–122, 2025, doi: 10.35882/skzqbd57.
