PEMANFAATAN NATURAL LANGUAGE PROCESSING (NLP) UNTUK ANALISIS DAN KLASIFIKASI TOPIK KERESAHAN KARIR BERDASARKAN KOMENTAR TIKTOK BERBASIS WEB MENGGUNAKAN SUPPORT VECTOR MACHINE (SVM)

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.