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:	helpdesk klasifikasi knn pembobotan tf-abs Information technology T58.5-58.64
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

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

Ejemplares similares