El crowdsourcing se ha convertido gradualmente en un proceso efectivo de gobierno electrónico para recopilar quejas de los ciudadanos sobre la implementación de varios servicios públicos. En la práctica, las quejas recopiladas forman un conjunto de datos masivo, lo que dificulta que los funcionarios del gobierno analicen los grandes datos de manera efectiva. Por lo tanto, es vital utilizar algoritmos de minería de datos para clasificar los datos de quejas de los ciudadanos para acciones de seguimiento eficientes. Sin embargo, diferentes algoritmos de clasificación producen precisiones de clasificación variadas. Así, este estudio tuvo como objetivo comparar la precisión de varios algoritmos de clasificación en datos de quejas de ciudadanos obtenidos a través de crowdsourcing. Tomando el caso de la aplicación LAKSA en la ciudad de Tangerang, Indonesia, este estudio incluyó k-Vecinos más cercanos, Bosque Aleatorio, Máquina de Vectores de Soporte y AdaBoost para la evaluación de precisión. Los datos se tomaron de las quejas de ciudadanos obtenidas a través de crowdsourcing enviadas a la aplicación LAKSA, incluidas aquellas agregadas de canales oficiales de redes sociales, desde mayo de 2021 hasta abril de 2022. Los resultados mostraron que SVM con un núcleo lineal fue el más preciso entre los algoritmos evaluados (89.2%). En contraste, AdaBoost (aprendiz base: Árboles de Decisión) produjo la menor precisión. Aún así, los niveles de precisión de todos los algoritmos variaron en paralelo a la cantidad de datos de entrenamiento disponibles para las categorías de clasificación reales. En general, las evaluaciones de todos los algoritmos indicaron que sus precisiones eran insignificativamente diferentes, con una variación general del 4.3%. La clasificación basada en AdaBoost, en particular, mostró su gran dependencia de la elección de los aprendices base. Al observar el método y los resultados, este estudio contribuye a los discursos sobre gobierno electrónico, minería de datos y grandes datos. Esta investigación recomienda que los gobiernos realicen continuamente entrenamiento supervisado de algoritmos de clasificación sobre sus quejas de ciudadanos obtenidas a través de crowdsourcing para buscar la mayor precisión posible, allanando el camino para una gobernanza inteligente y sostenible.