Perpustakaan Digital ITB

Meluasnya adopsi TI dalam proses bisnis organisasi, menyebabkan ketergantungan pada layanan TI semakin tinggi. Gangguan layanan TI berisiko menyebabkan kerugian bisnis bagi organisasi yang besarnya proporsional dengan durasi gangguan. Karena itu, informasi prediksi durasi gangguan yang akurat semakin dibutuhkan untuk merespon gangguan dengan lebih baik. Prediksi durasi gangguan merupakan hal yang sangat kompleks karena dipengaruhi berbagai faktor. Namun, metode prediksi durasi gangguan saat ini masih terlalu sederhana dan subjektif karena sangat bergantung pada kemampuan operator manusia. Penelitian ini bertujuan mengembangkan framework penanganan gangguan yang mampu memberikan informasi prediksi durasi gangguan dengan lebih akurat. Metode supervised learning merupakan bagian dari teknologi machine learning sehingga mesin belajar dari data pengalaman lampau. Metode supervised learning dikombinasikan ke dalam rancangan framework untuk meningkatkan akurasi prediksi serta mengurangi beban kerja manusia. Metode supervised learning dikombinasikan pada aktivitas kategorisasi dan prediksi durasi gangguan. Berdasarkan penelitian ini, kombinasi Bagging-Class Weighting-ETS merupakan strategi klasifikasi terbaik untuk kategorisasi gangguan dalam kondisi imbalanced dengan nilai F1-score 0.5526 dan akurasi 97.21%. Sedangkan model artificial neural network (ANN) yang digunakan pada prediksi durasi awal gangguan mampu meningkatkan akurasi prediksi 18-19% daripada metode konvensional. Simulasi rancangan framework menunjukkan hasil yang baik, dengan framework dapat memberikan informasi prediksi durasi gangguan baik pada fase respon maupun fase perbaikan. Dibandingkan dengan proses bisnis penanganan gangguan, rancangan framework terbukti mampu meningkatkan efektivitas dan efisiensi proses penanganan gangguan. Sebagai justifikasi akhir, rancangan framework yang diusulkan telah dipublikasikan kepada tenaga ahli terkait dibidangnya dan mendapat penilaian yang sangat baik (85.56%).