Deteksi Kecemasan Berbahasa Asing (FLA), sebuah hambatan psikologis signifikan, secara tradisional bergantung pada kuesioner yang subjektif. Meskipun metode deteksi otomatis yang lebih objektif seperti analisis fisiologis telah berkembang, pemanfaatan Pemrosesan Bahasa Alami (NLP) untuk menganalisis esai mahasiswa menawarkan alternatif yang lebih praktis dan dapat diskalakan. Penelitian ini bertujuan mengembangkan dan mengevaluasi sebuah sistem identifikasi FLA berbasis teks yang efisien, dengan fokus pada penggunaan model machine learning klasik yang hemat sumber daya komputasi. Dengan dataset yang secara inheren tidak seimbang, enam model klasifikasi dan empat metode representasi teks dievaluasi menggunakan Stratified 5-Fold Cross-Validation, dengan performa diukur melalui macro-average F1-score untuk menilai stabilitas. Hasil menunjukkan bahwa kombinasi SBERT dan Random Forest, meski mencapai F1-score tertinggi (0.849), gagal mengenali kelas minoritas (macro-average F1-score 0.42). Sebaliknya, model TF-IDF dengan BernoulliNB terbukti lebih sederhana namun stabil, dengan macro-average F1-score 0.65. Temuan ini menegaskan bahwa untuk pemanfaatan praktis dalam dunia pendidikan, stabilitas model dalam mengenali semua kelompok siswa secara adil jauh lebih krusial daripada sekadar mencapai skor akurasi tertinggi yang bisa menyesatkan.