Perpustakaan Digital ITB

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.