Abstract:
Keresahan karir menjadi salah satu fenomena yang banyak diutarakan
masyarakat melalui media sosial, khususnya TikTok, dalam bentuk komentar
yang berisi pengalaman, pendapat, dan keluhan terkait dunia kerja. Komentar
tersebut mengandung informasi yang berpotensi dimanfaatkan untuk
mengidentifikasi topik keresahan karir, namun bentuknya masih berupa data teks
tidak terstruktur sehingga menyulitkan proses analisis secara manual. Studi ini
ditujukan untuk membangun sistem klasifikasi topik keresahan karir berdasarkan
komentar TikTok memanfaatkan pendekatan Natural Language Processing
(NLP) dan algoritma Support Vector Machine (SVM), beserta penerapan model
tersebut pada aplikasi berbasis web.
Penelitian ini mengolah 305 komentar TikTok berbahasa Indonesia yang
dikelompokkan ke dalam tiga kategori, yaitu Beban Kerja, Lingkungan Kerja, dan
Kompensasi Kerja. Penetapan label dilakukan secara manual, sebelum data
diproses melalui tahapan pre-processing yaitu cleansing, case folding,
normalisasi, tokenizing, stopword removal, dan stemming. Selanjutnya, dilakukan
pembobotan fitur menerapkan metode Term Frequency–Inverse Document
Frequency (TF-IDF). Dataset dibagi menjadi data latih dan data uji dengan rasio
80:20. Model klasifikasi dirancang menggunakan algoritma SVM dengan kernel
linear, lalu diukur kinerjanya menggunakan confusion matrix berdasarkan metrik
accuracy, precision, recall, dan F1-score.
The results of the study show that the SVM-based classification model
achieved an accuracy of 96.72%, a macro precision of 96.67%, a macro recall of
96.67%, and a macro F1-score of 96.67%. Based on the confusion matrix
analysis, 59 out of 61 test data points were correctly predicted, while 2 data points
were misclassified between the Workload and Work Environment categories. The
developed web-based system successfully integrated the processes of dataset
management, preprocessing, model training, model evaluation, and automatic
classification of new comments. Thus, the synergy of NLP, TF-IDF, and SVM
proved reliable in classifying career-related concerns based on TikTok comments
and was successfully implemented in the web-based system.
