PERBANDINGAN TF-IDF DAN WORD2VEC DALAM KLASIFIKASI PRODUK TOKOPEDIA MENGGUNAKAN ALGORITMA SUPPORT VECTOR MACHINE

Perkembangan Natural Language Processing (NLP) mendorong pemanfaatan analisis teks pada berbagai bidang, termasuk klasifikasi teks. Namun, belum terdapat kesimpulan yang konsisten mengenai metode representasi teks yang memberikan performa terbaik pada klasifikasi kategori produk. Oleh karena itu, penelitian ini bertujuan membandingkan performa metode Term Frequency–Inverse Document Frequency (TF-IDF) dan Word2Vec sebagai representasi teks pada klasifikasi kategori produk Tokopedia menggunakan algoritma Support Vector Machine (SVM). Penelitian dilakukan melalui tahapan preprocessing teks, pembagian data menggunakan rasio 80:20, penanganan ketidakseimbangan data menggunakan Synthetic Minority Oversampling Technique (SMOTE), representasi teks, pelatihan model SVM, validasi menggunakan Stratified 5-Fold Cross Validation, serta evaluasi menggunakan accuracy, macro precision, macro recall, dan macro F1-score. Hasil penelitian menunjukkan bahwa TF-IDF memberikan performa lebih baik dibandingkan Word2Vec dengan accuracy sebesar 95,91%, macro precision 92,90%, macro recall 92,83%, dan macro F1-score 92,84%, sedangkan Word2Vec memperoleh accuracy 89,83%, macro precision 83,16%, macro recall 85,47%, dan macro F1-score 84,17%. Hasil tersebut menunjukkan bahwa TF-IDF lebih efektif dibandingkan Word2Vec dalam klasifikasi kategori produk pada dataset ulasan Tokopedia yang didominasi ulasan singkat dengan rata-rata panjang 8,3 kata.