Implementasi TF-IDF dan Support Vector Machine untuk Klasifikasi Multi-Label Kompetensi Calon Volunteer (Studi Kasus: PIMNAS Ke38 Universitas Hasanuddin)

Latar Belakang. PIMNAS Ke-38 Universitas Hasanuddin menerima 1.703 pendaftar volunteer melalui Google Form sehingga penyaringan manual tidak feasible, sedangkan kategorisasi self-declared bersifat subjektif dan tidak akomodatif terhadap kompetensi lintas bidang. Tujuan. Penelitian ini mengimplementasikan dan mengevaluasi pipeline text mining berbasis TF-IDF dan SVM strategi One-vs-Rest untuk klasifikasi multi-label kompetensi calon volunteer ke dalam lima kategori, yaitu Liaison Officer, Graphic Designer, News Writer, Photographer, dan Videographer, sekaligus mengintegrasikan model ke aplikasi web. Metode. Pelabelan otomatis berbasis kata kunci dengan word boundary regex, preprocessing memakai Sastrawi (case folding, cleaning, tokenisasi, stopword removal, stemming Enhanced Confix Stripping), fitur TF-IDF unigram-bigram (3.000 fitur, sublinear TF), klasifikasi LinearSVC class_weight balanced. Validasi memakai repeated nested cross-validation (3 × 5-fold = 15 evaluasi) dengan MultilabelStratifiedKFold dan GridSearchCV (C dari {0,1; 0,5; 1,0; 2,0; 5,0}), threshold per kategori dioptimasi pada decision score out-of-fold rata-rata tiga repeats. Hasil. Dari 1.503 baris unik, 632 baris (42,0%) berhasil dilabeli (149 multi-label). Model mencapai F1 Macro 0,7742 ± 0,0458, F1 Micro 0,8676, Hamming Loss 0,0661, dan Jaccard Similarity 0,8505 lintas 15 evaluasi. Performa per kategori berkisar dari F1 0,934 untuk Liaison Officer hingga 0,641 untuk News Writer. Threshold tuning meningkatkan F1 kategori minoritas secara signifikan, terutama News Writer (+0,106) dan Photographer (+0,104), dengan F1 Macro rata-rata setelah tuning mencapai 0,844. Model final menggunakan C = 0,5 dan di-deploy ke Hugging Face Spaces sebagai Volunteer Classify. Kesimpulan. Kombinasi TF-IDF dan SVM One-vs-Rest efektif untuk klasifikasi multi-label teks pengalaman Bahasa Indonesia dengan performa stabil, dan threshold tuning per kategori terbukti efektif mengkompensasi konservatisme model pada kelas minoritas. Pipeline yang dibangun beserta aplikasi web Volunteer Classify menyediakan alat bantu objektif bagi panitia PIMNAS untuk screening kompetensi berbasis pengalaman aktual, serta menjadi baseline reproducible untuk penelitian sejenis.