Klasifikasi Helpdesk Menggunakan Metode K-Nearest Neighbor dan TF-ABS

Helpdesk merupakan aplikasi yang bermanfaat bagi pengguna nya untuk memperoleh informasi mengenai layanan yang ada pada sebuah perusahaan atau instansi pemerintah. Proses disposisi tiket helpdesk secara manual dapat menimbulkan kesalahan dalam menentukan unit tujuan tiket serta memperpanjang masa pe...

Descripción completa

Guardado en:
Detalles Bibliográficos
Autores principales: Muhammad Azis Suprayogi, Riza Adrianti Supono
Formato: article
Lenguaje:ID
Publicado: Universitas Dian Nuswantoro 2021
Materias:
knn
Acceso en línea:https://doaj.org/article/5ef6541cc96b4bfcabaf3a89740da27f
Etiquetas: Agregar Etiqueta
Sin Etiquetas, Sea el primero en etiquetar este registro!
id oai:doaj.org-article:5ef6541cc96b4bfcabaf3a89740da27f
record_format dspace
spelling oai:doaj.org-article:5ef6541cc96b4bfcabaf3a89740da27f2021-11-22T08:17:07ZKlasifikasi Helpdesk Menggunakan Metode K-Nearest Neighbor dan TF-ABS2356-257910.33633/tc.v20i4.5094https://doaj.org/article/5ef6541cc96b4bfcabaf3a89740da27f2021-11-01T00:00:00Zhttp://publikasi.dinus.ac.id/index.php/technoc/article/view/5094https://doaj.org/toc/2356-2579Helpdesk merupakan aplikasi yang bermanfaat bagi pengguna nya untuk memperoleh informasi mengenai layanan yang ada pada sebuah perusahaan atau instansi pemerintah. Proses disposisi tiket helpdesk secara manual dapat menimbulkan kesalahan dalam menentukan unit tujuan tiket serta memperpanjang masa penyelesaian tiket karena adanya waktu tunggu untuk mendisposisikan tiket menuju unit yang sesuai. Klasifikasi teks helpdesk sangat diperlukan untuk mendisposisikan tiket secara tepat dan cepat ke unit yang berwenang menangani tiket. Teks helpdesk diklasifikasi ke dalam 8 kategori unit tujuan yaitu Setditjen, Dit.Humas, Dit.PKNSI, Dit.KND, Dit.BMN, Dit.Penilaian, Dit.PNKNL, dan Dit.Lelang. Klasifikasi menggunakan metode K-Nearest Neighbor (KNN) dengan jumlah tetangga terdekat (k) yaitu k=1,3,5,7,9,11,13,15,17,19 serta metode pembobotan TF-ABS untuk proses seleksi fitur. Jumlah fitur yang digunakan untuk klasifikasi sebanyak 5%, 10%, 15%, 20%, 25% dan 30% dari jumlah seluruh dokumen. Akurasi klasifikasi tertinggi sebesar 90,04% diperoleh pada k=3 dan jumlah fitur sebanyak 15%, sedangkan akurasi terendah 84,54% pada k=19 dan jumlah fitur sebanyak 30%. Hasil klasifikasi helpdesk menggunakan KNN dan TF-ABS dapat menghasilkan akurasi cukup baik.Muhammad Azis SuprayogiRiza Adrianti SuponoUniversitas Dian Nuswantoroarticlehelpdeskklasifikasiknnpembobotantf-absInformation technologyT58.5-58.64IDTechno.Com, Vol 20, Iss 4, Pp 508-517 (2021)
institution DOAJ
collection DOAJ
language ID
topic helpdesk
klasifikasi
knn
pembobotan
tf-abs
Information technology
T58.5-58.64
spellingShingle helpdesk
klasifikasi
knn
pembobotan
tf-abs
Information technology
T58.5-58.64
Muhammad Azis Suprayogi
Riza Adrianti Supono
Klasifikasi Helpdesk Menggunakan Metode K-Nearest Neighbor dan TF-ABS
description Helpdesk merupakan aplikasi yang bermanfaat bagi pengguna nya untuk memperoleh informasi mengenai layanan yang ada pada sebuah perusahaan atau instansi pemerintah. Proses disposisi tiket helpdesk secara manual dapat menimbulkan kesalahan dalam menentukan unit tujuan tiket serta memperpanjang masa penyelesaian tiket karena adanya waktu tunggu untuk mendisposisikan tiket menuju unit yang sesuai. Klasifikasi teks helpdesk sangat diperlukan untuk mendisposisikan tiket secara tepat dan cepat ke unit yang berwenang menangani tiket. Teks helpdesk diklasifikasi ke dalam 8 kategori unit tujuan yaitu Setditjen, Dit.Humas, Dit.PKNSI, Dit.KND, Dit.BMN, Dit.Penilaian, Dit.PNKNL, dan Dit.Lelang. Klasifikasi menggunakan metode K-Nearest Neighbor (KNN) dengan jumlah tetangga terdekat (k) yaitu k=1,3,5,7,9,11,13,15,17,19 serta metode pembobotan TF-ABS untuk proses seleksi fitur. Jumlah fitur yang digunakan untuk klasifikasi sebanyak 5%, 10%, 15%, 20%, 25% dan 30% dari jumlah seluruh dokumen. Akurasi klasifikasi tertinggi sebesar 90,04% diperoleh pada k=3 dan jumlah fitur sebanyak 15%, sedangkan akurasi terendah 84,54% pada k=19 dan jumlah fitur sebanyak 30%. Hasil klasifikasi helpdesk menggunakan KNN dan TF-ABS dapat menghasilkan akurasi cukup baik.
format article
author Muhammad Azis Suprayogi
Riza Adrianti Supono
author_facet Muhammad Azis Suprayogi
Riza Adrianti Supono
author_sort Muhammad Azis Suprayogi
title Klasifikasi Helpdesk Menggunakan Metode K-Nearest Neighbor dan TF-ABS
title_short Klasifikasi Helpdesk Menggunakan Metode K-Nearest Neighbor dan TF-ABS
title_full Klasifikasi Helpdesk Menggunakan Metode K-Nearest Neighbor dan TF-ABS
title_fullStr Klasifikasi Helpdesk Menggunakan Metode K-Nearest Neighbor dan TF-ABS
title_full_unstemmed Klasifikasi Helpdesk Menggunakan Metode K-Nearest Neighbor dan TF-ABS
title_sort klasifikasi helpdesk menggunakan metode k-nearest neighbor dan tf-abs
publisher Universitas Dian Nuswantoro
publishDate 2021
url https://doaj.org/article/5ef6541cc96b4bfcabaf3a89740da27f
work_keys_str_mv AT muhammadazissuprayogi klasifikasihelpdeskmenggunakanmetodeknearestneighbordantfabs
AT rizaadriantisupono klasifikasihelpdeskmenggunakanmetodeknearestneighbordantfabs
_version_ 1718417797669715968