COVER Tessa Angela
PUBLIC rikrik BAB 1 Tessa Angela
PUBLIC rikrik BAB 2 Tessa Angela
PUBLIC rikrik BAB 3 Tessa Angela
PUBLIC rikrik BAB 4 Tessa Angela
PUBLIC rikrik BAB 5 Tessa Angela
PUBLIC rikrik
Seiring perkembangan TI yang pesat, lingkup penerapan sistem berbasis TI meluas
sehingga volume insiden TI turut meningkat drastis. Pengelolaan insiden,
terutamanya penentuan prioritas insiden, masih dilakukan secara manual sehingga
rentan terhadap kesalahan manusia dan memakan banyak waktu. Penentuan
prioritas sebuah insiden kerap kali dilakukan secara berulang kali akibat
keterbatasan lingkup pemahaman dukungan tingkat awal, yang umumnya adalah
seorang Service Desk (SD). Hal tersebut menyebabkan ketidakakuratan hasil
penentuan prioritas insiden tersebut sehingga dukungan tingkat selanjutnya perlu
merevisi hasil tersebut. Selain itu, jarang ditemukan sistem umpan balik terkait
kesalahan tersebut secara formal sehingga proses pembelajaran SD terhambat dan
permasalahan tersebut kembali terulang. Ketiga masalah tersebut menyebabkan
sumber daya perusahaan terbuang secara mubazir sehingga menambah pengeluaran
secara percuma. Untuk mengatasi permasalahan tersebut, diusulkan automasi
penentuan prioritas insiden TI dengan menerapkan Information Technology
Infrastructure Library (ITIL) serta memanfaatkan penambangan teks (Text
Mining), Natural Language Processing (NLP), dan Machine Learning (ML).
Automasi tersebut diharapkan meningkatkan kecepatan, konsistensi, dan tingkat
pembelajaran dalam penentuan prioritas insiden TI.
Automasi penentuan prioritas insiden dilakukan dalam beberapa proses, yaitu
penentuan atribut, pra-pemrosesan teks, ekstraksi dan pemilihan fitur, penanganan
data set tidak seimbang, penentuan urgensi, dampak, dan prioritas, serta
pengikutsertaan umpan balik pengguna. Pertama, penentuan atribut dilakukan
dengan memanfaatkan deskripsi tekstual berupa ringkasan dan deskripsi yang
tertera pada tiket insiden. Kedua, dilakukan pra-pemrosesan teks yang terdiri dari
case folding, tokenisasi, filtering dengan penghapusan stop-word, dan stemming.
Sementara itu, ekstraksi dan pemilihan fitur dilakukan dengan menggunakan teknik
Term Frequency, Inverse Document Frequency (TF-IDF). Kemudian, dilakukan
penanganan data tidak seimbang dengan metode oversampling. Selanjutnya,
dilakukan metode supervise learning, yaitu Support Vector Machine (SVM),
Decision Tree (DT), dan Naïve Bayes (NB) untuk menentukan tingkat urgensi,
dampak, dan prioritas insiden. Akhirnya, dilakukan validasi silang dengan
menggunakan teknik k-Fold dan optimasi hyperparameter dengan menggunakan
teknik grid search. Jika hasil penentuan urgensi, dampak, dan prioritas insiden
ii
dinilai kurang akurat, pengguna dapat merevisi hasil tersebut sebelum data tersebut
dimasukkan ke dalam training data set untuk sesi pembelajaran selanjutnya.
Untuk mengetahui peningkatan kinerja yang dihasilkan, dilakukan perbandingan
antara kinerja sistem yang dibangun dan kinerja sistem manual yang dilakukan pada
perusahaan penyedia data set. Kecepatan diukur sejak tiket insiden diterima untuk
dibaca sampai tingkat prioritas insiden dihasilkan, sedangkan konsistensi diukur
berdasarkan hasil penentuan prioritas sejumlah insiden yang sama, tetapi terjadi
pada waktu yang berbeda. Sementara itu, tingkat pembelajaran dinilai berdasarkan
F1-score yang dihasilkan sistem yang dibangun dan SD baru.
Berdasarkan hasil pelaksanaan seluruh tahapan tersebut, terbukti bahwa automasi
penentuan prioritas insiden TI dapat dilakukan dan menawarkan kinerja yang lebih
baik bagi pengelolaan insiden. Pembangunan sistem tersebut dilakukan secara
sistematis dengan menerapkan ITIL yang menyediakan matriks penentuan prioritas
insiden berdasarkan dampak dan urgensi. Selain itu, automasi terhadap sistem
tersebut dilakukan dengan memanfaatkan penambangan teks, NLP, dan ML.
Ditemukan bahwa SVM memberikan nilai F1-score yang paling tinggi di antara
ketiga classifier. Selanjutnya, model penentuan insiden yang dihasilkan diunggah
pada sebuah server dan dapat diakses sebagai sebuah web service bagi sistem
pengelolaan tiket insiden seperti Jira SD. SD yang bertugas juga dapat merevisi
tingkat dampak, urgensi, dan prioritas insiden yang dihasilkan. Hasil revisi tersebut
digunakan sebagai masukan bagi pelatihan model selanjutnya dalam rangka
meningkatkan akurasi model dalam menentukan prioritas insiden. Selain itu,
automasi penentuan prioritas insiden TI meningkatkan kecepatan, konsistensi, dan
tingkat pembelajaran dalam penentuan prioritas insiden TI. Berdasarkan hasil
pengujian terhadap dua staf TI dan sistem yang dibangun, kecepatan, konsistensi,
dan tingkat pembelajaran yang dihasilkan dari automasi tersebut lebih baik
dibandingkan dengan sistem manual yang masih diterapkan perusahaan saat ini.