Perbandingan Kinerja SVM dan Logistic Regression untuk Klasifikasi Produk E-Commerce
Main Article Content
Abstract
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.
Article Details
This work is licensed under a Creative Commons Attribution 4.0 International License.
References
[1]. Aditama, F. S., Krismawati, D., & Pramana, S. (2024). Multiclass Classification of Marketplace Products With Machine Learning. Media Statistika, 17(1), 25–35. https://doi.org/10.14710/medstat.17.1.25-35
[2]. Agustina, N., Citra, D. H., Purnama, W., Nisa, C., & Kurnia, A. R. (2022). Implementasi Algoritma Naive Bayes untuk Analisis Sentimen Ulasan Shopee pada Google Play Store. MALCOM: Indonesian Journal of Machine Learning and Computer Science, 2(1), 47–54. https://doi.org/10.57152/malcom.v2i1.195
[3]. Akbar, I., Marwondo, M., & Nugraha, N. (2023). Optimasi Algoritma Support Vector Machine untuk Analisis Klasifikasi Teks Pemintaan Informasi di Platform Online Shop. Jurnal Accounting Information System (AIMS), 6(2), 119–126. https://doi.org/10.32627/aims.v6i2.819
[4]. Alaiya, A., Nurdin, N., & Agusniar, C. (2025). Sentiment Analysis of E-Commerce Product Reviews on Tokopedia Using Support Vector Machine. Journal of Applied Informatics and Computing, 9(5), 2869–2878. https://doi.org/10.30871/jaic.v9i5.10977
[5]. Arifin, N., Enri, U., & Sulistiyowati, N. (2021). Penerapan Algoritma Support Vector Machine (SVM) dengan TF-IDF N-Gram untuk Text Classification. STRING (Satuan Tulisan Riset Dan Inovasi Teknologi), 6(2), 129. https://doi.org/10.30998/string.v6i2.10133
[6]. Aulya, F. U., & Kusnawi, K. (2025). Evaluating Classification Models for Predicting Product Success in Indonesian E-Commerce. Jurnal Teknik Informatika (Jutif), 6(4), 2723–2739. https://doi.org/10.52436/1.jutif.2025.6.4.5071
[7]. Dharrao, D., Deokate, S., Bongale, A. M., & Urolagin, S. (2023). E-Commerce Product Review Classification based on Supervised Machine Learning Techniques. 2023 9th International Conference on Advanced Computing and Communication Systems, ICACCS 2023, 1934–1939. https://doi.org/10.1109/ICACCS57279.2023.10112717
[8]. Fiddin, F., Hidayat, T., & Djamaludin, D. (2025). Analisis Sentimen Ulasan Produk Sayur di Tokopedia Menggunakan Model Support Vector Machine Dengan Representasi TF-IDF. Jurnal SAINTIKOM (Jurnal Sains Manajemen Informatika Dan Komputer), 24(2), 162–172. https://doi.org/10.53513/jis.v24i2.11479
[9]. Indra Dikusuma, & Yunus Widjaja. (2025). Perbandingan Naïve Bayes dan Logistic Regression untuk Analisis Sentimen Ulasan Produk Skincare di Tokopedia. Jurnal Informatika Dan Tekonologi Komputer (JITEK), 5(3), 242–251. https://doi.org/10.55606/jitek.v5i3.8420
[10]. Indriani, N., Rainarli, E., & Dewi, K. E. (2017). JURNAL INFOTEL Informatika-Telekomunikasi-Elektronika Peringkasan dan Support Vector Machine pada Klasifikasi Dokumen. Jurnal Infotel, 9(4), 416–421.
[11]. Pakpahan, D., Siallagan, V., & Siregar, S. (2023). Classification of E-Commerce Product Descriptions with The Tf-Idf and Svm Methods. Sinkron, 8(4), 2130–2137. https://doi.org/10.33395/sinkron.v8i4.12779
[12]. Patra, A., Vivek, V., Shambhavi, B. R., Sindhu, K., & Balaji, S. (2021). Product Classification in E-Commerce Sites. Advances in Intelligent Systems and Computing, 1299 AISC, 485–495. https://doi.org/10.1007/978-981-33-4299-6_40
[13]. Raharko, N. I., & Yamasari, Y. (2024). Klasifikasi Emosi Ulasan Produk E- Commerce Menggunakan Support Vector Machine. Journal of Informatics and Computer Science (JINACS), 6(03), 606–616. https://doi.org/10.26740/jinacs.v6n03.p606-616
[14]. Riki, Eliesse Dameria, S., Hermawan, A., Junaedi, & Kurnia, Y. (2025). Optimizing Sentiment Classification of E-Commerce Product Reviews: A Comparative Study of Naïve Bayes and SVM with SMO. JUITA: Jurnal Informatika, 13(3), 287–295. https://doi.org/10.30595/juita.v13i3.26642
[15]. Ryzal Nur Alvandy, & Arita Witianti. (2025). Analisis Sentimen Ulasan E-Commerce Menggunakan Metode SVM. Elkom: Jurnal Elektronika Dan Komputer, 18(2), 164–175. https://doi.org/10.51903/elkom.v18i2.3253
[16]. Sumual, I. M., Supriadi, J., Effendy, E., & Wijaya, A. (2024). KLASIFIKASI KATEGORI PRODUK TERLARIS PADA E-COMMERCE MENGGUNAKAN ALGORITMA NAIVE BAYES. Jurnal Sistem Informasi (JUSIN), 5(2), 51–60. https://doi.org/10.32546/jusin.v5i2.2893
[17]. Zainottah, M. Z., Rengga, R. S., Yustian, Y. S., & Isa, I. R. (2025). Critical Sentiment Analysis of Tokopedia Electronic Products Using SVM-Logistic & TF-IDF Ensemble Methods. Journal of Artificial Intelligence and Engineering Applications (JAIEA), 4(3), 2476–2482. https://doi.org/10.59934/jaiea.v4i3.1194