Penelitian ini mengevaluasi kinerja algoritma klasifikasi dalam menangani permintaan pengguna pada portal Service Desk Sinarmas MSIG Life (SMiLe). Algoritma yang diuji adalah Random Forest, Decision Tree, Support Vector Machine (SVM), dan Naïve Bayes, dengan kombinasi fitur kontekstual dan TF-IDF. Metodologi melibatkan pengumpulan data tiket, prapemrosesan teks seperti tokenisasi, penghapusan stop words, dan ekstraksi fitur menggunakan TF-IDF serta n-gram. Dataset yang dihasilkan digunakan untuk melatih dan menguji model. Hasil menunjukkan SVM dengan kombinasi fitur TF Unibitri memberikan kinerja terbaik, meningkatkan efisiensi dan ketepatan klasifikasi teks. Dalam konteks Non-IT Support, SVM dengan fitur TF-Unibitri dan data kontekstual memberikan hasil optimal, menunjukkan kemampuan otomatisasi klasifikasi tiket yang efisien. Selain itu, dalam klasifikasi IT Support, kombinasi SVM dengan TF-Unibi dan fitur Email juga menunjukkan performa terbaik, memperkuat temuan bahwa SVM dapat memberikan respons yang cepat dan akurat. Temuan ini menunjukkan pentingnya machine learning untuk meningkatkan manajemen tiket dan layanan IT, serta kontribusi signifikan dalam efisiensi operasional dan kepuasan pengguna.