Kecerdasan Buatan (AI) telah merevolusi alat pendidikan dengan memungkinkan sistem yang secara proaktif memahami dan merespons kebutuhan siswa. ChatGPT, sebuah model generatif yang banyak digunakan untuk pendidikan di Indonesia. Namun, model ini kesulitan untuk mengklasifikasikan pertanyaan siswa secara akurat karena frasa yang ambigu, struktur kalimat yang tumpang tindih, dan kesulitan mengenali maksud, yang membatasi efektivitasnya sebagai asisten pembelajaran. Penelitian ini membandingkan kinerja Convolutional Neural Networks (CNN), yang mengekstrak fitur-fitur penting secara lokal dari rangkaian kata dengan Support Vector Machines (SVM) dalam mengklasifikasikan pertanyaan siswa yang dikenal mampu menangani data berdimensi tinggi dan secara efisien menemukan hyperplane yang optimal untuk klasifikasi teks. Sebuah dataset yang terdiri dari 2.797 interaksi ChatGPT Indonesia (71% jelas vs. 29% tidak jelas) telah diproses sebelumnya melalui case folding, penghilangan stop-word, stemming, dan tokenisasi, diikuti dengan augmentasi data berdasarkan sinonim, yang diterapkan pada kelas minoritas untuk menyeimbangkan dataset. Model-model tersebut disetel melalui pencarian grid atau acak dengan pengujian prediksi model terbaik menggunakan perbandingan validasi silang 5 kali lipat di tiga pembagian data (70:30, 80:20, dan 90:10). Hasil penelitian menunjukkan bahwa CNN mencapai akurasi, presisi, recall, dan F1-score yang seimbang yaitu 0,90 pada pembagian 90:10, mengungguli SVM, yang mencapai akurasi 0,85 dan turun menjadi 0,76 dalam skor F1. Filter yang disematkan pada CNN menemukan keumuman dari variasi leksikal melalui proses augmentasi, sementara vektor TF-IDF yang jarang dalam SVM gagal mempertahankan tingkat semantik ini. Temuan ini menggarisbawahi bahwa CNN lebih adaptif terhadap data yang beragam dan lebih cocok untuk diintegrasikan ke dalam alat edukasi berbasis ChatGPT, terutama dalam mendukung klasifikasi yang andal dan umpan balik AI yang dipersonalisasi dalam konteks pembelajaran siswa.