Implementasi Algoritma Machine Learning untuk Pengelolaan Laporan pada Website Dinas Penanaman Modal dan Pelayanan Terpadu Satu Pintu (DPMPTSP) Kota Surabaya

Implementation of Machine Learning Algorithms for Report Management on the Website of the Surabaya City Investment and One-Stop Integrated Service Office (DPMPTSP)

Dinas Penanaman Modal dan Pelayanan Terpadu Satu Pintu (DPMPTSP) Kota Surabaya menghadapi tantangan dalam pengelolaan laporan perizinan akibat tingginya volume data dan proses manual yang kurang efisien. Penelitian ini mengimplementasikan algoritma Machine Learning dalam sistem pengelolaan laporan berbasis web guna mengotomatisasi proses klasifikasi dan prediksi secara cerdas. Algoritma Naive Bayes digunakan untuk memprediksi jenis layanan, sedangkan Regresi Linear digunakan untuk memprediksi durasi layanan. Dataset yang digunakan terdiri dari 3.434 entri laporan perizinan bulan November 2024 yang telah melalui proses preprocessing. Hasil pelatihan model Naive Bayes menunjukkan akurasi sebesar 95–96%, dengan presisi tertinggi 97% pada skenario pembagian data 70:30 serta F1-Score yang stabil pada angka 96%. Model Regresi Linear menunjukkan performa terbaik pada skenario 85:15 dengan Mean Absolute Error (MAE) sebesar 0,38 hari dan Mean Absolute Percentage Error (MAPE) sebesar 8,42%. Sistem ini terbukti mampu mengurangi kesalahan manual, mempercepat pemrosesan laporan, dan meningkatkan keandalan hasil prediksi. Antarmuka sistem yang interaktif dan mudah digunakan telah diuji oleh 18 responden, dengan tingkat kepuasan mencapai 100%. Hasil ini menunjukkan bahwa implementasi algoritma Machine Learning secara signifikan dapat meningkatkan efisiensi dan akurasi pelayanan publik, serta berpotensi menjadi model rujukan bagi pengembangan sistem serupa di instansi pemerintahan lainnya.

Kata Kunci: Machine Learning, Naive Bayes, Regresi Linear, Laporan Perizinan, DPMPTSP Surabaya

    The Investment and One-Stop Integrated Services Office (DPMPTSP) of Surabaya City faces challenges in managing licensing reports due to the high volume of data and inefficient manual processes. This study implements Machine Learning algorithms in a web-based reporting management system to automate intelligent classification and prediction tasks. The Naive Bayes algorithm is used to predict the type of service, while Linear Regression is applied to estimate service duration. The dataset consists of 3,434 licensing report entries from November 2024 that have undergone thorough preprocessing. The Naive Bayes model achieved an accuracy of 95–96%, with a maximum precision of 97% under a 70:30 train-test split, and a stable F1-score of 96%. The Linear Regression model performed best under an 85:15 split, achieving a Mean Absolute Error (MAE) of 0.38 days and a Mean Absolute Percentage Error (MAPE) of 8.42%. The system effectively reduces manual errors, accelerates report processing, and improves output reliability. The interactive and user-friendly interface was evaluated by 18 respondents, all of whom expressed 100% satisfaction. These findings demonstrate that the implementation of Machine Learning algorithms significantly enhances the efficiency and accuracy of public service delivery and can serve as a model for developing similar systems in other government agencies.

Keywords: Machine Learning, Naive Bayes, Linear Regression, Licensing Reports, DPMPTSP Surabaya