Publisher

PIPI

Journal JOISIE (Journal Of Information Systems And Informatics Engineering)JOISIE (Journal Of Information Systems And Informatics Engineering) Abstract

Kepatuhan terhadap Service Level Agreement (SLA) sangat penting dalam manajemen layanan teknologi informasi untuk menjamin kualitas layanan dan mengatur ekspektasi penyelesaian insiden. Namun, banyak organisasi kesulitan memprediksi apakah tiket insiden akan memenuhi SLA, yang dapat menyebabkan ketidakpuasan pengguna, eskalasi masalah, dan beban kerja tinggi bagi tim IT. Tingginya volume tiket harian membuat identifikasi manual terhadap tiket berisiko tinggi menjadi tidak efektif. Penelitian ini bertujuan mengembangkan model klasifikasi berbasis machine learning untuk memprediksi kepatuhan tiket terhadap SLA. Empat algoritma dievaluasi: XGBoost, Random Forest, Decision Tree, dan Logistic Regression. Tahapan mencakup preprocessing, encoding fitur kategorikal, seleksi fitur berbasis Random Forest, penyeimbangan data menggunakan SMOTE, dan hyperparameter tuning dengan Optuna. Hasil menunjukkan XGBoost memiliki performa terbaik dengan akurasi 99,98%, precision 0,9437, recall 0,9710, dan F1-score 0,9571. Selain akurat dan efisien, model ini unggul secara interpretatif melalui SHAP, yang menjelaskan kontribusi tiap fitur. Kesimpulannya, XGBoost direkomendasikan sebagai model paling andal untuk menjadi alat bantu strategis bagi manajer layanan TI dalam mengidentifikasi insiden yang berisiko tinggi gagal memenuhi SLA.

Conclusion

XGBoost terbukti menjadi model terbaik untuk klasifikasi kepatuhan SLA dengan akurasi 99,98% dan metrik lainnya yang unggul dibandingkan model lain.Model ini tidak hanya akurat tetapi juga seimbang dalam membedakan kelas positif dan negatif serta sensitif terhadap kelas minoritas, menjadikannya alat bantu strategis bagi manajer layanan TI untuk mengidentifikasi insiden berisiko tinggi.Keberhasilan XGBoost berasal dari proses pemodelan yang ketat meliputi pembersihan data, encoding, seleksi fitur Random Forest, penyeimbangan SMOTE, serta hyperparameter tuning dengan Optuna, yang juga didukung oleh interpretabilitas SHAP.

Future Research

Penelitian lanjutan dapat mengeksplorasi penggunaan teknik Natural Language Processing (NLP) pada deskripsi teks insiden untuk meningkatkan akurasi prediksi SLA, misalnya dengan model berbasis transformer yang dapat menangkap konteks semantik secara lebih baik. Selanjutnya, perlu dilakukan evaluasi model ensemble modern seperti LightGBM, CatBoost, serta strategi stacking pada dataset SLA yang tidak seimbang, untuk membandingkan performa, efisiensi, dan interpretabilitas serta menemukan kombinasi terbaik. Selain itu, pengembangan sistem pemantauan drift model secara real‑time sangat penting agar perubahan pola data dapat terdeteksi dini, memungkinkan pembaruan otomatis model XGBoost atau model alternatif sehingga prediksi tetap relevan dengan kondisi operasional terkini.

References

1. ANALISIS KOMPARATIF MODEL DATA MINING DALAM PREDIKSI KETEPATAN PENYELESAIAN SERVICE LEVEL AGREEMENT |... ejournal.pelitaindonesia.ac.id/index.php/JOISIE/article/view/4943ANALISIS KOMPARATIF MODEL DATA MINING DALAM PREDIKSI KETEPATAN PENYELESAIAN SERVICE LEVEL AGREEMENT ejournal pelitaindonesia ac index php JOISIE article view 4943
2. Penerapan Data Mining Untuk Prediksi Penjualan Produk Terlaris Menggunakan Metode K-Nearest Neighbor... ejurnal.seminar-id.com/index.php/bits/article/view/1408Penerapan Data Mining Untuk Prediksi Penjualan Produk Terlaris Menggunakan Metode K Nearest Neighbor ejurnal seminar id index php bits article view 1408
3. Implementasi Algoritma Random Forest Regression untuk Memprediksi Hasil Panen Padi di Desa Minanga |... doi.org/10.35143/jkt.v9i1.5917Implementasi Algoritma Random Forest Regression untuk Memprediksi Hasil Panen Padi di Desa Minanga doi 10 35143 jkt v9i1 5917

Metadata

File size	393.49 KB
Pages	9
DMCA	Report