PREDICTING THE LEVEL OF TROUBLE TICKET IN IT SERVICE MANAGEMENT DATA USING DATA MINING TECHNIQUE
Total View This Week7
Total View This Week7
Institusion
Universitas Mercu Buana
Author
LATIF, ABDUL
Subject
005.5 General Purpose Application Programs/Program Aplikasi dengan Kegunaan Khusus
Datestamp
2020-01-23 07:34:40
Abstract :
For all this time, predicting the priority level of trouble ticket can be seen from the position of the user makes the report, so that the decision-making of each problem handled by the IT team is incorrect. The main objective of this study was to use data mining to predict trouble ticket based on its level so that identification prior to the problem being addressed can be done, to prioritize personnel in solving problems. This study was expected to help service/IT providers to better plan how to improve the quality of service operations. This study applied data mining method with k-means algorithm for grouping data and the classification used decision tree, k-NN, naive bayes and Gradient boosted trees algorithm to make a prediction in determining the level of ticket problem. The results of the study showed that determining the level at each cluster was based on Assigned time and response time. The clustering result was with the Silhouette index value of 0.923 and the classification tested using cross validation displayed in the form of a confusion matrix showed that the Gradient boosted tree algorithm had the best and highest value of accuracy and precision of all tested algorithms, with the accuracy reaching 98.43% and the precision of 98.11%, and the highest recall value was the k-NN algorithm with the recall value of 97.80%. Key words: Data mining, clustering, classification, confusion matrix, trouble ticket. Selama ini untuk memperkirakan tingkat proritas tiket masalah dilihat dari jabatan user yang melapor, sehingga pengabilan keputusan terhadap setiap masalah yang ditangani oleh tim IT tidak tepat. tujuan utama pada penelitian ini adalah menggunakan data mining untuk memprediksi tiket gangguan sesuai jenis tingkatan level sehingga dapat dilakukan identifikasi sebelum masalah tersebut ditangani, untuk memprioritaskan personel dalam menyelesaikan masalah. Dengan studi ini diharapkan dapat membantu penyedia layanan/IT untuk merencanakan dengan lebih baik untuk meningkatkan kualitas layanan operasi. Pada penelitian ini menggunakan metode data mining dengan algoritma k-means untuk pengelompokan data dan klasifikasi menggunakan algoritma decision tree, k-NN, naive bayes dan Gradient boosted trees untuk melakukan suatu prediksi dalam menentukan tingkat level tiket masalah. Dari hasil penelitian tersebut menunjukan bahwa penetapan level pada tiap cluster didasarkan pada Assigned time dan respon time. hasil clustering dengan nilai Silhouette index sebesar 0.923 dan klasifikasi diuji dengan menggunakan cross validation yang ditampilkan dalam bentuk confusion matrix Menunjukan bahwa algoritma Gradient boosted tree memiliki nilai akurasi, presisi terbaik atau paling tinggi dari semua algoritma yang diujikan, dengan nilai akurasi mencapai 98.43%, dan presisi 98.11%, dan nilai recall tertinggi dimiliki oleh algoritma k-NN dengan nilai recall 97.80%. Kata kunci: Data mining, clustering, klasifikasi, confusion matrix, tiket masalah
For all this time, predicting the priority level of trouble ticket can be seen from the position of the user makes the report, so that the decision-making of each problem handled by the IT team is incorrect. The main objective of this study was to use data mining to predict trouble ticket based on its level so that identification prior to the problem being addressed can be done, to prioritize personnel in solving problems. This study was expected to help service/IT providers to better plan how to improve the quality of service operations. This study applied data mining method with k-means algorithm for grouping data and the classification used decision tree, k-NN, naive bayes and Gradient boosted trees algorithm to make a prediction in determining the level of ticket problem. The results of the study showed that determining the level at each cluster was based on Assigned time and response time. The clustering result was with the Silhouette index value of 0.923 and the classification tested using cross validation displayed in the form of a confusion matrix showed that the Gradient boosted tree algorithm had the best and highest value of accuracy and precision of all tested algorithms, with the accuracy reaching 98.43% and the precision of 98.11%, and the highest recall value was the k-NN algorithm with the recall value of 97.80%. Key words: Data mining, clustering, classification, confusion matrix, trouble ticket. Selama ini untuk memperkirakan tingkat proritas tiket masalah dilihat dari jabatan user yang melapor, sehingga pengabilan keputusan terhadap setiap masalah yang ditangani oleh tim IT tidak tepat. tujuan utama pada penelitian ini adalah menggunakan data mining untuk memprediksi tiket gangguan sesuai jenis tingkatan level sehingga dapat dilakukan identifikasi sebelum masalah tersebut ditangani, untuk memprioritaskan personel dalam menyelesaikan masalah. Dengan studi ini diharapkan dapat membantu penyedia layanan/IT untuk merencanakan dengan lebih baik untuk meningkatkan kualitas layanan operasi. Pada penelitian ini menggunakan metode data mining dengan algoritma k-means untuk pengelompokan data dan klasifikasi menggunakan algoritma decision tree, k-NN, naive bayes dan Gradient boosted trees untuk melakukan suatu prediksi dalam menentukan tingkat level tiket masalah. Dari hasil penelitian tersebut menunjukan bahwa penetapan level pada tiap cluster didasarkan pada Assigned time dan respon time. hasil clustering dengan nilai Silhouette index sebesar 0.923 dan klasifikasi diuji dengan menggunakan cross validation yang ditampilkan dalam bentuk confusion matrix Menunjukan bahwa algoritma Gradient boosted tree memiliki nilai akurasi, presisi terbaik atau paling tinggi dari semua algoritma yang diujikan, dengan nilai akurasi mencapai 98.43%, dan presisi 98.11%, dan nilai recall tertinggi dimiliki oleh algoritma k-NN dengan nilai recall 97.80%. Kata kunci: Data mining, clustering, klasifikasi, confusion matrix, tiket masalah
Download
book
BibTex
Latex, Jabref
cloud_download
Original Resource
url resource Institution
