Nama :HamamWulan Ayu Program Studi : Ilmu Komputer Judul : Deteksi Kelengkapan Laporan Aduan pada Data Aduan Masyarakat di Pemerintah Provinsi Daerah Khusus Ibukota Jakarta Pemerintah Provinsi DKI Jakarta telah mengembangkan sistem Cepat Respon Masyara kat untuk mendukung partisipasi masyarakat dan optimalisasi kinerja pemerintah. Ma syarakat DKI Jakarta dapat menyampaikan keluhan non-darurat di 14 kanal yang terinte grasi dengan Cepat Respon Masyarakat dan memantau proses penyelesaiannya di portal yang tersedia. Namun, tidak semua aduan yang disampaikan masyarakat mempunyai ke terangan yang lengkap. Beberapa aduan tidak menyertakan deskripsi, lokasi, maupun waktu kejadian. Hal ini menyulitkan petugas Operasi Perangkat Daerah (OPD) dalam melakukan penyelesaian aduan. Dalam menangani permasalahan tersebut, diperlukan suatu sistem yang dapat digunakan untuk mendeteksi kelengkapan suatu aduan dari ma syarakat, sehingga dapat secara otomatis mengingatkan masyarakat untuk membuat la poran yang lengkap. Penelitian ini membahas performa model yang dapat mendeteksi ketidaklengkapan keterangan laporan aduan. Rangkaian metode yang diterapkan adalah deteksi kelengkapan keterangan deskripsi, deteksi kelengkapan keterangan lokasi, dan deteksi kelengkapan keterangan waktu. Deteksi kelengkapan keterangan deskripsi diuji dengan pendekatan machine learning menggunakan fitur Term Frequency-Inverse Docu ment Frequency (TF-IDF) dan N-gram. Algoritma machine learning yang diimplemen tasikan adalah Multinomial NaĻ ıve Bayes (MNB), Support Vector Machine (SVM), dan Random Forest Decision Tree (RDFT). Deteksi kelengkapan keterangan lokasi dan wak tu diuji menggunakan sistem Named Entity Recognition (NER) Wirawan (2020) dengan model pre-trained Bidirectional Encoder Representations from Transformers (BERT) dan basis data NERGRIT. Ekstraksi kata kunci keterangan deskripsi dilakukan menggunak an pendekatan LIME explainer. Hasil eksperimen menunjukan bahwa algoritma RFDT menggunakan fitur TF dan word unigram dengan balancing data menggunakan Synthe tic Minority Over-sampling Technique (SMOTE) menghasilkan performa tertinggi untuk klasifikasi kelengkapan keterangan deskripsi laporan aduan dengan nilai makro F1 sebe sar 07154. Deteksi kelengkapan keterangan lokasi dan waktu menggunakan model NER pre-trained BERT menghasilkan nilai makro F1 sebesar 08634 dan 06252. Hasil peme taan kata kunci keterangan deskripsi, lokasi dan waktu dievaluasi dengan metrik cosine similarity secara berurutan menghasilkan nilai sebesar 05890, 06252 dan 08487. Kata kunci: Klasifikasi Teks, Pemetaan Kata Kunci, Laporan Aduan Masyarakat, Cepat Respon Masyarakat, Pemerintah Provinsi DKI Jakarta