Analisis Perbandingan SVM dan Logistic Regression dalam Penentuan Prioritas Tiket Dukungan Pelanggan

Larasati Mya Mulyono; Najibah Aisyah Muhaa; Indira Fildah Fakhrana; Betha Nurina  Sari

doi:10.55382/jurnalpustakadata.v6i1.1467

Penulis

Larasati Mya Mulyono Universitas Singaperbangsa Karawang
Najibah Aisyah Muhaa Universitas Singaperbangsa Karawang
Indira Fildah Fakhrana Universitas Singaperbangsa Karawang
Betha Nurina Sari Universitas Singaperbangsa Karawang

DOI:

https://doi.org/10.55382/jurnalpustakadata.v6i1.1467

Kata Kunci:

text mining, SVM, logistic regression, prioritas tiket, dukungan pelanggan, klasifikasi

Abstrak

Otomatisasi penentuan prioritas tiket dukungan pelanggan menghadapi tantangan karena deskripsi teks antar tingkat urgensi memiliki pola yang mirip sehingga membatasi efektivitas model klasifikasi konvensional. Penelitian ini mengevaluasi kinerja Support Vector Machine (SVM) dan Logistic Regression dalam klasifikasi urgensi tiket menggunakan kerangka CRISP-DM. Dataset sekunder dari Kaggle yang terdiri dari 8.649 data dan 17 atribut digunakan dalam penelitian ini. Deskripsi tiket diproses melalui preprocessing dan direpresentasikan menggunakan TF-IDF, kemudian tingkat prioritas disederhanakan menjadi klasifikasi biner. Hasil menunjukkan performa yang relatif rendah, di mana Logistic Regression memperoleh akurasi 51,33% dan F1-score 0,508, sedangkan SVM memperoleh akurasi 48,80% dan F1-score 0,488. Temuan ini menunjukkan keterbatasan fitur berbasis TF-IDF dalam memprediksi urgensi tiket serta menegaskan perlunya integrasi representasi semantik dan metadata non-teks.

Unduhan

Data unduhan belum tersedia.

Referensi

S. Fuchs, C. Drieschner, and H. Wittges, “Improving Support Ticket Systems Using Machine Learning: A Literature Review,” in Proceedings of the 55th Hawaii International Conference on System Sciences, Jan. 2022, pp. 1893–1902. doi: https://scholarspace.manoa.hawaii.edu/10.24251/HICSS.2022.238.

A. Muzukasi, C. Rubino, E. Sutanto, and G. Anandha, “Menavigasi Dinamika Industri Hiburan: Strategi Inovatif PT EKIS MUDA BERKARYA dalam Menjawab Tantangan Event dan Ticketing Digital,” Ekopedia: Jurnal Ilmiah Ekonomi, vol. 1, Jun. 2025.

D. Franzely et al., “Sistem Pendukung Keputusan Penentuan Prioritas Pengerjaan Order Berdasarkan Penilaian dan Pengelompokan Pelanggan Pada PT Absolute Akustik Indonesia,” 2024.

A. Hermawan, I. Jowensen, J. Junaedi, and Edy, “Implementasi Text-Mining untuk Analisis Sentimen pada Twitter dengan Algoritma Support Vector Machine,” JST (Jurnal Sains dan Teknologi), vol. 12, no. 1, pp. 129–137, Apr. 2023, doi: 10.23887/jstundiksha.v12i1.52358.

A. R. Hanum et al., “Analisis Kinerja Algoritma Klasifikasi Teks BERT Dalam Mendeteksi Berita Hoaks,” vol. 11, no. 3, pp. 537–546, 2024, doi: 10.25126/jtiik938093.

A. Desiani, D. A. Zayanti, I. Ramayanti, F. F. Ramadhan, and Giovillando, “Perbandingan Algoritma Support Vector Machine (SVM) dan Logistic Regression Dalam Klasifikasi Kanker Payudara,” Jurnal Kecerdasan Buatan dan Teknologi Informasi, vol. 4, no. 1, pp. 33–42, Jan. 2025, doi: 10.69916/jkbti.v4i1.191.

S. Rabbani, D. Safitri, N. Rahmadhani, A. A. F. Sani, and M. K. Anam, “Perbandingan Evaluasi Kernel SVM untuk Klasifikasi Sentimen dalam Analisis Kenaikan Harga BBM,” MALCOM: Indonesian Journal of Machine Learning and Computer Science, vol. 3, no. 2, pp. 153–160, Oct. 2023, doi: 10.57152/malcom.v3i2.897.

O. S. D. Fadhillah, J. H. Jaman, and C. Carudin, “PERBANDINGAN NAIVE BAYES, SUPPORT VECTOR MACHINE, LOGISTIC REGRESSION DAN RANDOM FOREST DALAM MENGANALISIS SENTIMEN MENGENAI TIKTOKSHOP,” Jurnal Informatika dan Teknik Elektro Terapan, vol. 13, no. 1, pp. 840–847, Jan. 2025, doi: 10.23960/jitet.v13i1.5746.

S. G. Alengka, J. L. Putra, and T. Setiyorini, “Analisis Sentimen Ulasan Mobile Legend Menggunakan Algoritma Naive Bayes, SVM, Logistic Regression,” Jurnal Algoritme, vol. 5, no. 3, pp. 439–449, 2025, doi: 10.35957/algoritme.v5i3.12915.

R. A. KHOMEINI NOOR BINTANG and N. T. Romadloni, “Perbandingan Kinerja Algoritma Klasifikasi Pada Review Pengguna Aplikasi Netflix,” Jurnal Informatika dan Teknik Elektro Terapan, vol. 13, no. 2, Apr. 2025, doi: 10.23960/jitet.v13i2.6303.

K. W. Gusti, “Perbandingan Metode Support Vector Machine dan Logistic Regression Untuk Klasifikasi Bencana Alam,” Aug. 2023, [Online]. Available: https://t.co/JwC9D8xnKe

V. Agresia and R. R. Suryono, “Comparison of SVM, Naive Bayes, and Logistic Regression Algorithms for Sentiment Analysis of Fraud and Bots In Purchasing Concert Ticket,” vol. 10, no. 2, p. 2025.

I. Syahrohim, S. D. Saputra, R. W. Saputra, V. H. Pranatawijaya, and R. Priskila, “Perbandingan Analisis Sentimen Setelah Pilpres 2024 di Twitter Menggunakan Algoritma Machine Learning,” Jurnal Informatika dan Teknik Elektro Terapan, vol. 12, no. 2, Apr. 2024, doi: 10.23960/jitet.v12i2.4249.

A. G. Budianto, R. Rusilawati, A. T. E. Suryo, G. R. Cahyono, A. F. Zulkarnain, and M. Martunus, “Perbandingan Performa Algoritma Support Vector Machine (SVM) dan Logistic Regression untuk Analisis Sentimen Pengguna Aplikasi Retail di Android,” Jurnal Sains dan Informatika, vol. 10, no. 2, Nov. 2024, doi: 10.34128/jsi.v10i2.911.

K. Subham, “NLP-Based Automation in Customer Support and Case Management,” International journal of networks and security, vol. 05, no. 01, pp. 91–117, May 2025, doi: 10.55640/ijns-05-01-07.

D. Kurniawan and D. M. Yasir, “Optimization Sentiment Analysis Using CRISP-DM and NAÏVE BAYES Methos Implemented on Social Media,” Cyberpace: Jurnal Pendidikan Teknologi informasi, vol. 6, Oct. 2022.

I. Mustofa, A. H. Wibowo, K. A. Sekarjati, N. S. Makhulina, and R. Dewangga, “Penerapan Association Rule-Market Basket Analysis (AR-MBA) Dalam Menentukan Strategi Product Bundling: Studi Kasus Pada Minimarket AKPRIND MART,” Jurnal Teknik Industri Terintegrasi, vol. 7, no. 1, pp. 379–386, Jan. 2024, doi: 10.31004/jutin.v7i1.24873.

N. Hidayati, J. Suntoro, and G. G. Setiaji, “Perbandingan Algoritma Klasifikasi untuk Prediksi Cacat Software dengan Pendekatan CRISP-DM,” Jurnal Sains dan Informatika, vol. 7, no. 2, pp. 117–126, Nov. 2021, doi: 10.34128/jsi.v7i2.313.