OPTIMALISASI K-MEANS DALAM PENGELOMPOKAN ANCAMAN INSIDEN APLIKASI YANG DILAPORKAN MELALUI SERVICE DESK TIK

• RIMBA PRASASTI
• 14002449

---

ABSTRAK

 

ABSTRAK Nama : Rimba Prasasti NIM : 14002449 Program Studi : Ilmu Komputer Fakultas : Teknologi Informasi Jenjang : Strata Dua (S2) Konsentrasi : Software Engineering Judul : Optimalisasi K-Means Dalam Pengelompokan Ancaman Insiden Aplikasi yang Dilaporkan Melalui Service Desk TIK Layanan click, call, counter (3C) merupakan bentuk transformasi layanan digital Perpajakan. Insiden layanan 3C yang terjadi ini dilaporkan melalui Service Desk TIK. Banyaknya laporan insiden membuat kendala dalam penanganan penyelesaian permasalahan. Dengan menggunakan K-Means secara unsupervised learning untuk pengelompokan ancaman insiden diharapkan dapat membantu penyelesaian lebih efektif. Optimalisasi untuk meningkatkan nilai akurasi yang lebih baik dicari menggunakan word embedded dengan algortima Elkan dan algortima Lloyd pada
K-Means. Hasil optimal didapatkan pada jumlah kluster 4 yang dievaluasi menggunakan metode Elbow Method, Silhouette Score, Calinski Harabasz dan DaviesBouldin Index. Hasil optimal dari penerapan model pada algoritma K-Means dan parameter algoritma Elkan serta menggunakan Initialization random dengan word
embedding CountVectorizer didapatkan sebesar 71,94% klasifikasi yang sesuai. Kata kunci: unsupervised learning, K-Means, word embedded, Insiden, Service Desk
 

KATA KUNCI

Metode K-means

---

DAFTAR PUSTAKA

 

DAFTAR REFERENSI [1] Y. I. Santoso, “Ditjen Pajak optimalisasi layanan digital, demi kejar pendapatan di tengah pandemi,” 2020. https://newssetup.kontan.co.id/news/ditjen-pajakoptimalisasi-layanan-digital-demi-kejar-pendapatan-di-tengah-pandemi (accessed Nov. 02, 2021). [2] F. Alamri and A. Widyatama, “TAM Sebagai Solusi Atas Minat Penggunaan Layanan E-Registration Wajib Pajak,” vol. 10, no. 2, pp. 89–99, 2019. [3] M. Zuraeva and N. Rulandari, “Analisis Kualitas Pelayanan Perpajakan dalam Rangka Meningkatkan Kepatuhan Wajib Pajak,” J. Pajak Vokasi, vol. 2, no. 1, pp. 37–44, 2020. [4] D. Safitri and S. P. Silalahi, “Pengaruh Kualitas Pelayanan Fiskus, Pemahaman Peraturan Perpajakan Dan Penerapan Sistem E-Filling Terhadap Kepatuhan Wajib Pajak: Sosialisasi Perpajakan Sebagai Pemoderasi,” J. Akunt. dan Pajak, vol. 20, no. 2, 2020, doi: 10.29040/jap.v20i2.688. [5] Axelos, ITIL Foundation?: ITIL 4 edition. The Stationery Office, 2019. [6] A. Krishna Kaiser, Reinventing ITIL® in the Age of DevOps. 2018. doi: 10.1007/978-1-4842-3976-6. [7] S. E. K. E. L. Bird, Natural Language Processing With Phyton, vol. 59. 2009. [8] M. A. Prihandono, R. Harwahyu, and R. F. Sari, “Performance of machine learning algorithms for IT incident management,” 2020 11th Int. Conf. Aware.
Sci. Technol. iCAST 2020, pp. 2–7, 2020, doi: 10.1109/iCAST51195.2020.9319487. [9] D. Zuev, A. Kalistratov, and A. Zuev, “Machine Learning in IT Service Management,” Procedia Comput. Sci. , vol. 145, pp. 675–679, 2018, doi: 10.1016/j.procs.2018.11.063. [10] S. Silva, R. Pereira, and R. Ribeiro, “Machine learning in incident categorization automation,” Iber. Conf. Inf. Syst. Technol. Cist., vol. 2018-June, pp. 1–6, 2018, doi: 10.23919/CISTI.2018.8399244. [11] A. Adriyendi and Y. Melia, “Klasifikasi Menggunakan Naïve Bayes Dan K- 71 Nearest Neighbor Pada Manajemen Layanan Teknologi Informasi,” J. Teknol.
Dan Sist. Inf. Bisnis, vol. 2, no. 2, pp. 99–107, 2020, doi: 10.47233/jteksis.v2i2.121. [12] R. R. COSTA, Jorge, Rubén PEREIRA, “ITSM Automation - Using Machine Learning to Predict Incident Resolution Category,” no. 351, 2021. [13] Y. Wahba, N. H. Madhavji, and J. Steinbacher, “Evaluating the Effectiveness of Static Word Embeddings on the Classification of IT Support Tickets,” Proc.
30th Annu. Int. Conf. Comput. Sci. Softw. Eng. , no. November, pp. 198–206, 2020. [14] L. Yang, “Fuzzy Output support vector machine based incident ticket classification,” IEICE Trans. Inf. Syst. , vol. E104D, no. 1, pp. 146–151, 2021, doi: 10.1587/transinf.2020EDP7044. [15] D. P. Muni, S. Roy, Y. T. Y. J. J. L. Chiang, N. Budhiraja, and A. J. M. Viallet, “Recommending resolutions of ITIL services tickets using deep neural network,” ACM Int. Conf. Proceeding Ser., vol. Part F1302, 2017, doi: 10.1145/3041823.3041831. [16] P. V. A. Kartika and Supatmi, “JURNAL AKSI Akuntansi dan Sistem Informasi Corresponding author?:,” vol. 5, no. 2, pp. 129–139, 2020. [17] S. P. Paramesh, C. Ramya, and K. S. Shreedhara, “Classifying the Unstructured IT Service Desk Tickets Using Ensemble of Classifiers,” Proc. 2018 3rd Int.
Conf. Comput. Syst. Inf. Technol. Sustain. Solut. CSITSS 2018, pp. 221–227, 2018, doi: 10.1109/CSITSS.2018.8768734. [18] T. Alqurashi and W. Wang, “Clustering ensemble method,” Int. J. Mach. Learn.
Cybern., vol. 10, no. 6, pp. 1227–1246, 2019, doi: 10.1007/s13042-017-0756-7. [19] K. R. Shahapure and C. Nicholas, “Cluster Quality Analysis Using Silhouette Score,” pp. 2020–2021, 2020, doi: 10.1109/DSAA49011.2020.00096. [20] A. Plants et al., “Improved the Performance of the K-Means Cluster Using the Sum of Squared Error ( SSE ) optimized by using the Elbow Method Improved the Performance of the K-Means Cluster Using the Sum of Squared Error ( SSE ) optimized by using the Elbow Method,” 2019, doi: 10.1088/1742- 72 6596/1361/1/012015. [21] A. K. Singh, S. Mittal, P. Malhotra, and Y. V. Srivastava, “Clustering Evaluation by Davies-Bouldin Index(DBI) in Cereal data using K-Means,” Proc. 4th Int.
Conf. Comput. Methodol. Commun. ICCMC 2020, no. Iccmc, pp. 306–310, 2020, doi: 10.1109/ICCMC48092.2020.ICCMC-00057.