Dewan Perwakakilan Rakyat Republik Indonesia (DPR RI) merupakan salah satu lembaga tinggi negara dalam sistem ketatanegaraan Indonesia yang merupakan Lembaga perwakilan rakyat. Salah satu tugas DPR RI yaitu menyerap, menghimpun, menampung dan menindaklanjuti aspirasi dan pengaduan masyarakat. Saat ini proses klasifikasi data pengaduan masyarakat sering terjadi salah pengelompokan sesuai dengan bidang permasalahan dikarenakan banyaknya jumlah data pengaduan dan terbatasnya waktu kerja dan jumlah petugas, sehingga pengaduan masyarakat tidak sampai kepada komisi terkait, yang mengakibatkan masyarakat belum mendapat balasan dan pengaduan masyarakat belum dapat di tindaklanjuti. Algoritma Support Vector Machine (SVM) dapat digunakan untuk mengklasifikasi data pengaduan berdasarkan bidang permasalahan dengan pendekatan kemiripan text menggunakan cosine similarity. Hasil penelitian ini dilakukan pengujian pertama dengan jumlah 20 data uji, didapatkan hasil nilai akurasi = 65% dan dilakukan
pengujian kedua dengan jumlah 120 data uji, didapatkan hasil nilai akurasi = 55,8%.

The House of Representatives of the Republic of Indonesia (DPR RI) is one of the high-state institutions in the Indonesian constitutional system which is a representative institution. One of the duties of DPR RI is to absorb, compile, accommodate and follow up on people's aspirations and complaints. Currently, classification process of community complaints is often misgrouping according to the problems field due to the number of complaints data and limited working time and the number of officers, So that community complaints are not up to the related commissions which resulted in the public not getting replies and community complaints can’t be follow up. Support Vector Machine (SVM) algorithm can be used to classify complaint data based on problem field with the similarity text approach using cosine similarity. The results of this reseach conducted the first test with a total of 20 test data, obtained an accuracy value = 65% and conducted a second test with the total test data of 120, obtaining an accuracy value = 55.8%.