Particle Swarm Optimization Untuk Optimasi Klasifikasi Tingkat Kepuasan Layanan Publik

Abstract

Tujuan dari penelitian ini adalah untuk mengetahui tingkat kepuasan terhadap pelayanan yang diberikan oleh pemerintah daerah sebagai penyedia layanan publik dengan mengklasifikasikan data yang diperoleh dari survei yang  dilakukan. Saat ini desa dan kelurahan telah memberikan pelayanan sesuai kebutuhan masyarakat, namun jika tidak sepenuhnya memberikan pelayanan yang optimal maka dapat menimbulkan ketidakpuasan dan merugikan masyarakat baik secara fisik maupun materil. Untuk meningkatkan kualitas layanan dan menyelesaikan keluhan  pengguna layanan secara efektif, mengidentifikasi pola dan memberikan umpan balik yang tepat waktu untuk meningkatkan produk dan layanan yang diberikan, diperlukan metode klasifikasi pengguna layanan. Metode pengumpulan data pada penelitian ini menggunakan metode survei dengan menyebarkan kuesioner kepada masyarakat pengguna layanan publik di desa dan kelurahan. Data yang diperoleh dianalisis menggunakan Excel untuk mengolah data terlebih dahulu untuk membuat model klasifikasi. Pada tahap prepROCessing, data dikelompokkan untuk mendapatkan label/target sehingga data tersebut dapat diolah menggunakan algoritma klasifikasi. Klasifikasinya menggunakan algoritma Decision Tree (DT), Naïve Bayes, Support Vector Machine (SVM), K-Nearest Neighbor (KNN). Tingkatkan klasifikasi dengan pengoptimalan fitur menggunakan Particle Pool Optimization (SPO). Penelitian ini menghasilkan nilai akurasi tertinggi pada klasifikasi pohon keputusan dengan mendapatkan nilai akurasi tertinggi sebesar 97,74%, disusul algoritma KKN memperoleh akurasi sebesar 77,90%, algoritma Naïve Bayes sebesar 64,4% dan algoritma yang memperoleh nilai akurasi terkecil adalah algoritma SVM. yaitu 59,90%. Setelah dilakukan optimasi, nilai akurasi tertinggi terdapat pada algoritma SVM dan algoritma KNN sebesar 98,3%, pohon keputusan sebesar 97,77%, dan akurasi terkecil pada algoritma Naïve Bayes sebesar 69,30%.