Klasifikasi Helpdesk Menggunakan Metode K-Nearest Neighbor dan TF-ABS
DOI:
https://doi.org/10.33633/tc.v20i4.5094Keywords:
Helpdesk, Klasifikasi, KNN, Pembobotan, TF-ABSAbstract
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.References
M. ALTINTA? and A. C. TANTU?, “Machine learning based software development,” vol. 21, no. 3, pp. 33–44, 2014.
T. A. Herawan, Y. H. Chrisnanto, and A. I. Hadiana, “Klasifikasi Helpdesk Universitas Jenderal Achmad Yani Menggunakan Concept Frequency-Inverse Document Frequency (CF-IDF) dan K-Nearest Neighbor,” Pros. SNST, vol. 7, pp. 108–113, 2016.
C. F. Suharno, M. A. Fauzi, and R. S. Perdana, “Klasifikasi Teks Bahasa Indonesia Pada Dokumen Pengaduan Sambat Online Menggunakan Metode K-Nearest Neighbors Dan Chi-square,” Syst. Inf. Syst. Informatics J., vol. 3, no. 1, pp. 25–32, 2017, doi: 10.29080/systemic.v3i1.191.
M. R. A. Nasution and M. Hayaty, “Perbandingan Akurasi dan Waktu Proses Algoritma K-NN dan SVM dalam Analisis Sentimen Twitter,” J. Inform., vol. 6, no. 2, pp. 226–235, 2019, doi: 10.31311/ji.v6i2.5129.
M. A. Kurniawan, Y. Sibaroni, and K. L. Muslim, “Kategorisasi Berita Menggunakan Metode Pembobotan TF.ABS dan TF.CHI,” Indones. J. Comput., vol. 3, no. 2, p. 83, 2018, doi: 10.21108/indojc.2018.3.2.236.
V. C. Gandhi and J. A. Prajapati, “Review on Comparison between Text Classification Algorithms,” Int. J. Emerg. Trends Technol. Comput. Sci., vol. 1, no. 3, pp. 1–4, 2012.
A. H. Aliwy and E. H. A. Ameer, “Comparative study of five text classification algorithms with their improvements,” Int. J. Appl. Eng. Res., vol. 12, no. 14, pp. 4309–4319, 2017, doi: 10.113/J.0973-4562.
M. A. Rosid, A. S. Fitrani, I. Ratna, and I. Astutik, “Improving Text Preprocessing For Student Complaint Document Classification Using Sastrawi,” 2020, doi: 10.1088/1757-899X/874/1/012017.
L. A. Matsunaga and N. F. F. Ebecken, “Two Novel Weighting for Text Categorization,” in Data Mining IX - Data Mining, Protection, Detection and other Security Technologies, IX., A. Zanasi, D. Almorza Gomar, N. F. . Ebecken, and C. . Brebbia, Eds. Rio de Janeiro, Brazil: WITPRESS, 2008, pp. 105–114.
J. Li et al., “Feature selection: A data perspective,” ACM Comput. Surv., vol. 50, no. 6, 2017, doi: 10.1145/3136625.
P. Bafna, D. Pramod, and A. Vaidya, “Document clustering: TF-IDF approach,” Int. Conf. Electr. Electron. Optim. Tech. ICEEOT 2016, no. March 2016, pp. 61–66, 2016, doi: 10.1109/ICEEOT.2016.7754750.
J. Han, M. Kamber, and J. Pei, Data Mining Concepts and Techniques - third edition. 2012.
D. Yuliana and C. Supriyanto, “Klasifikasi Teks Pengaduan Masyarakat Dengan Menggunakan Algoritma Neural Network,” UPI YPTK J. KomTekInfo, vol. 5, no. 3, pp. 92–116, 2019.
L. A. Andika, P. A. N. Azizah, and R. Respatiwulan, “Analisis Sentimen Masyarakat terhadap Hasil Quick Count Pemilihan Presiden Indonesia 2019 pada Media Sosial Twitter Menggunakan Metode Naive Bayes Classifier,” Indones. J. Appl. Stat., vol. 2, no. 1, p. 34, 2019, doi: 10.13057/ijas.v2i1.29998.
Downloads
Published
Issue
Section
License
Copyright (c) 2021 Muhammad Azis Suprayogi, Riza Adrianti Supono
This work is licensed under a Creative Commons Attribution-NonCommercial 4.0 International License.
Pernyataan Lisensi
Artikel yang diterbitkan dalam jurnal Techno.Com dilisensikan di bawah Lisensi Creative Commons Atribusi-NonKomersial 4.0 Internasional (CC BY-NC 4.0).
Anda diperbolehkan untuk menyalin, mendistribusikan, menampilkan, dan melakukan karya dari artikel ini serta membuat karya turunan selama Anda memberikan kredit yang sesuai kepada penulis asli dan tidak menggunakan karya ini untuk tujuan komersial. Untuk melihat salinan lisensi ini, kunjungi [Creative Commons Attribution-NonCommercial 4.0 International](https://creativecommons.org/licenses/by-nc/4.0/).
---
Contoh pengkreditan:
- Penulis: [Nama Penulis]
- Judul Artikel: [Judul Artikel]
- Jurnal: Techno.Com, Vol. [Nomor Volume], No. [Nomor Edisi], Tahun [Tahun Penerbitan]
Jika Anda ingin menggunakan karya ini untuk tujuan komersial, Anda harus mendapatkan izin terlebih dahulu dari penulis atau penerbit.
---
