Analisis Pengelompokan Gangguan TIK Pada Sistem Pencatatan Layanan Menggunakan Algoritma K-Means dan Metode Elbow

Authors

  • - Arientawati Universitas Budi Luhur
  • Yuwan Jumaryadi Universitas Mercu Buana
  • Arief Wibowo Universitas Budi Luhur

DOI:

https://doi.org/10.33633/tc.v22i2.7819

Keywords:

K-Means, Elbow, Gangguan TIK

Abstract

Pusintek merupakan unit pengelola tugas dan fungsi terkait TIK di instansi pemerintahan di Indonesia. Salah satu tugasnya berkaitan dengan fungsi penanganan gangguan TIK yang dilaporkan oleh Unit Pengguna. Pencatatan gangguan TIK menggunakan sistem pencatatan layanan dan gangguan berbasis Customer Relationship Management (CRM). Tujuan dari penelitian ini adalah untuk mengelompokkan jumlah laporan gangguan pada Unit Pelapor dan membantu divisi teknis dalam menganalisis seberapa sering gangguan yang dilaporkan tiap unit dan kategori gangguannya sehingga divisi teknis dapat merencanakan dan mempersiapkan pengambilan keputusan terkait tindak lanjut penyelesaian gangguan TIK pada instansi Unit Pelapor. Metode Elbow dignakan dalam proses penentuan jumlah cluster gangguan yang optimal. Pengujian dilakukan dengan membagi data gangguan TIK dan menghitung cluster distance performance sampai dengan 7 cluster. Tools yang digunakan untuk pengujian menggunakan Rapidminer. Hasil pengujian memperlihatkan bahwa penggunaan k=3 akan menghasilkan cluster yang optimal untuk metode K-Means Clustering dan Elbow, dengan nilai Average Centroid Distance sebesar 69110.233 dan nilai Davies Bouldin sebesar 0.458.

References

Nurdin and R. N. Arifin, “Kontribusi Sistem Informasi Manajemen Berbasis Komputer Terhadap Kinerja Pegawai Pusdik Intelkam Polri Bandung,” Edutech, vol. 13, no. 2, p. 246, 2014, doi: 10.17509/edutech.v13i2.3107.

F. Febriantho, S. Samidi, G. Mikael, and E. Saputra, “Sistem Penentuan Paket Penjualan dengan Algoritma FP-Growth Serta Metode Up dan Cross Selling,” J. Media Inform. Budidarma, vol. 6, no. 4, p. 2269, 2022, doi: 10.30865/mib.v6i4.4800.

A. Nambiar and D. Mundra, “An Overview of Data Warehouse and Data Lake in Modern Enterprise Data Management,” Big Data Cogn. Comput., vol. 6, no. 4, 2022, doi: 10.3390/bdcc6040132.

S. Suryani and M. Mustakim, “Estimasi Keberhasilan Siswa dalam Pemodelan Data Berbasis Learning Menggunakan Algoritma Support Vector Machine,” Bull. Informatics Data Sci., vol. 1, no. 2, pp. 81–88, 2022.

I. Vhallah, Sumijan, and J. Santonyc, “Pengelompokan Mahasiswa Potensial Drop Out Menggunakan Metode Clustering K-Means,” J. RESTI (Rekayasa Sist. dan Teknol. Informasi), vol. 2, no. 2, pp. 572–577, 2018.

R. Hidayati, A. Zubair, A. H. Pratama, and L. Indana, “Analisis Silhouette Coefficient pada 6 Perhitungan Jarak K-Means Clustering,” Techno.Com, vol. 20, no. 2, pp. 186–197, 2021.

M. Hermansyah, R. A. Hamdan, F. Sidik, and A. Wibowo, “Klasterisasi Data Travel Umroh di Marketplace Umroh.com Menggunakan Metode K-Means,” J. Ilmu Komput., vol. 13, no. 2, p. 8, 2020, doi: 10.24843/jik.2020.v13.i02.p06.

Harwati, A. P. Alfiani, and F. A. Wulandari, “Mapping Student’s Performance Based on Data Mining Approach (A Case Study),” Agric. Agric. Sci. Procedia, vol. 3, pp. 173–177, 2015, doi: 10.1016/j.aaspro.2015.01.034.

N. H. Harani, C. Prianto, and F. A. Nugraha, “Segmentasi Pelanggan Produk Digital Service Indihome Menggunakan Algoritma K-Means Berbasis Python,” J. Manaj. Inform., vol. 10, no. 2, pp. 133–146, 2020, doi: 10.34010/jamika.v10i2.2683.

A. Asroni and R. Adrian, “Penerapan Metode K-Means Untuk Clustering Mahasiswa Berdasarkan Nilai Akademik Dengan Weka Interface Studi Kasus Pada Jurusan Teknik Informatika UMM Magelang,” Semesta Tek., vol. 18, no. 1, pp. 76–82, 2016, doi: 10.18196/st.v18i1.708.

J. Wandana, S. Defit, and S. Sumijan, “Klasterisasi Data Rekam Medis Pasien Pengguna Layanan BPJS Kesehatan Menggunakan Metode K-Means,” J. Inf. dan Teknol., vol. 2, pp. 4–9, 2020, doi: 10.37034/jidt.v2i4.73.

I. A. Nikmatun and I. Waspada, “Implementasi Data Mining untuk Klasifikasi Masa Studi Mahasiswa Menggunakan Algoritma K-Nearest Neighbor,” J. SIMETRIS, vol. 10, no. 2, pp. 421–432, 2019.

R. Liu, “Data Analysis of Educational Evaluation Using K-Means Clustering Method,” Comput. Intell. Neurosci., vol. 2022, no. Advanced Computational Intelligence for Smart Healthcare and Human Health Using Few-Shot Learning (Special Issue), pp. 1–10, 2022, doi: 10.1155/2022/3762431.

L. Quiñones Huatangari, M. A. Cueva Ríos, and R. T. Huerta Camones, “Segmenting the eating behaviour of university students using the K-means algorithm,” Bull. Electr. Eng. Informatics, vol. 12, no. 4, pp. 2363–2371, 2023, doi: 10.11591/eei.v12i4.4543.

N. T. Hartanti, “Metode Elbow dan K-Means Guna Mengukur Kesiapan Siswa SMK Dalam Ujian Nasional,” J. Nas. Teknol. dan Sist. Inf., vol. 6, no. 2, pp. 82–89, 2020, doi: 10.25077/teknosi.v6i2.2020.82-89.

D. A. I. C. Dewi and D. A. K. Pramita, “Analisis Perbandingan Metode Elbow dan Silhouette pada Algoritma Clustering K-Medoids dalam Pengelompokan Produksi Kerajinan Bali,” Matrix J. Manaj. Teknol. dan Inform., vol. 9, no. 3, pp. 102–109, 2019, doi: 10.31940/matrix.v9i3.1662.

A. A. Zaki Diab, M. A. Tolba, A. G. Abo El-Magd, M. M. Zaky, and A. M. El-Rifaie, “Fuel cell parameters estimation via marine predators and political optimizers,” IEEE Access, vol. 8, pp. 166998–167018, 2020, doi: 10.1109/ACCESS.2020.3021754.

K. S. H. K. Al Atros, A. R. Padri, O. Nurdiawan, A. Faqih, and S. Anwar, “Model Klasifikasi Analisis Kepuasan Pengguna Perpustakaan Online Menggunakan K-Means dan Decission Tree,” JURIKOM (Jurnal Ris. Komputer), vol. 8, no. 6, pp. 323–329, 2022, doi: 10.30865/jurikom.v8i6.3680.

G. Feng, M. Fan, and Y. Chen, “Analysis and Prediction of Students’ Academic Performance Based on Educational Data Mining,” IEEE Access, vol. 10, pp. 19558–19571, 2022, doi: 10.1109/ACCESS.2022.3151652.

A. J. M. S. Arockiam and E. S. Irudhayaraj, “Reclust: an efficient clustering algorithm for mixed data based on reclustering and cluster validation,” Indones. J. Electr. Eng. Comput. Sci., vol. 29, no. 1, p. 545, 2022, doi: 10.11591/ijeecs.v29.i1.pp545-552.

Y. Dharma Putra, M. Sudarma, and I. B. A. Swamardika, “Clustering History Data Penjualan Menggunakan Algoritma K-Means,” Maj. Ilm. Teknol. Elektro, vol. 20, no. 2, p. 195, 2021, doi: 10.24843/mite.2021.v20i02.p03.

A. Wibowo, Moh Makruf, Inge Virdyna, and Farah Chikita Venna, “Penentuan Klaster Koridor TransJakarta dengan Metode Majority Voting pada Algoritma Data Mining,” J. RESTI (Rekayasa Sist. dan Teknol. Informasi), vol. 5, no. 3, pp. 565–575, 2021, doi: 10.29207/resti.v5i3.3041.

D. R. Ningrat, D. A. I. Maruddani, and T. Wuryandari, “Analisis Cluster Dengan Algoritma K-Means Dan Fuzzy C-Means Clustering Untuk Pengelompokan Data Obligasi Korporasi,” J. Gaussian, vol. 5, no. 4, pp. 641–650, 2016.

Downloads

Published

2023-05-26

Issue

Vol. 22 No. 2 (2023): Mei 2023

Section

Articles

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.

---