Pengelompokan produk pada E-commerce dapat dilakukan dengan memanfaatkan informasi yang terdapat pada nama produk. Namun, perbedaan penulisan nama produk dapat menyebabkan proses klasifikasi menjadi lebih sulit. Penelitian ini bertujuan untuk menerapkan serta membandingkan kinerja Support Vector Machine (SVM) dan Logistic Regression dalam mengklasifikasikan produk Tokopedia berdasarkan nama produk. Data yang digunakan sebanyak 3.000 produk yang terbagi dalam tiga kategori, yaitu Elektronik, Fashion, dan Makanan. Data nama produk diproses melalui Text Preprocessing, kemudian diberi bobot menggunakan Term Frequency-Inverse Document Frequency (TF-IDF). Hasil pembobotan digunakan sebagai fitur pada SVM dengan Linear Kernel dan Logistic Regression. Pengujian dilakukan dengan pembagian data 80:20 dan 70:30, kemudian dievaluasi menggunakan Accuracy, Precision, Recall, dan F1-Score. Hasil pengujian menunjukkan bahwa pada pembagian data 80:20, kedua algoritma memperoleh Accuracy sebesar 97,40%. Pada pembagian 70:30, SVM memperoleh Accuracy sebesar 96,18%, sedangkan Logistic Regression memperoleh 96,88%. Berdasarkan hasil tersebut, kedua algoritma memiliki kinerja yang sama pada skenario 80:20, sedangkan Logistic Regression memberikan hasil lebih tinggi pada skenario 70:30.
Copyrights © 2026