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

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

Jurnal Pustaka Data : Pusat Akses Kajian Database, Analisa Teknologi, dan Arsitektur Komputer
Vol 6 No 1 (2026): Jurnal Pustaka Data (Pusat Akses Kajian Database, Analisa Teknologi, dan Arsitekt

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.