Helpdesk merupakan aplikasi yang bermanfaat bagi pengguna nya untuk memperoleh informasi mengenai layanan yang ada pada sebuah perusahaan atau instansi pemerintah. Proses disposisi tiket helpdesk secara manual dapat menimbulkan kesalahan dalam menentukan unit tujuan tiket serta memperpanjang masa penyelesaian tiket karena adanya waktu tunggu untuk mendisposisikan tiket menuju unit yang sesuai. Klasifikasi teks helpdesk sangat diperlukan untuk mendisposisikan tiket secara tepat dan cepat ke unit yang berwenang menangani tiket. Teks helpdesk diklasifikasi ke dalam 8 kategori unit tujuan yaitu Setditjen, Dit.Humas, Dit.PKNSI, Dit.KND, Dit.BMN, Dit.Penilaian, Dit.PNKNL, dan Dit.Lelang. Klasifikasi menggunakan metode K-Nearest Neighbor (KNN) dengan jumlah tetangga terdekat (k) yaitu k=1,3,5,7,9,11,13,15,17,19 serta metode pembobotan TF-ABS untuk proses seleksi fitur. Jumlah fitur yang digunakan untuk klasifikasi sebanyak 5%, 10%, 15%, 20%, 25% dan 30% dari jumlah seluruh dokumen. Akurasi klasifikasi tertinggi sebesar 90,04% diperoleh pada k=3 dan jumlah fitur sebanyak 15%, sedangkan akurasi terendah 84,54% pada k=19 dan jumlah fitur sebanyak 30%. Hasil klasifikasi helpdesk menggunakan KNN dan TF-ABS dapat menghasilkan akurasi cukup baik.
Giving credit to customers is a solution that is often done by business actors today, such as companies. By offering credit solutions, companies can attract potential customers and make it easier for customers to make payments. However, being able to provide credit to customers can cause losses for the company when customers are unable to pay their periodic credits. For this reason, in this study an analysis was carried out to categorize customer payment capabilities using the Naïve Bayes Algorithm and the K-Nearest Neighbors Algorithm. The results of the study, obtained the best data mining model to predict the age classification of customer receivables using the KNN algorithm which is optimized with a feature selection algorithm with an accuracy of 99%. Keywords: algorithm, data mining, KNN, Naïve Bayes, customer receivables
Go-Jek menciptakan suatu trobosan baru dimana pelanggan ojek tidak perlu lagi pergi ke pangkalan ojek untuk mendapatkan ojek. Pelanggan dapat memanggil ojek dengan cepat, harga termurah, tanpa beranjak dari tempat mereka berada. Apalagi ditambah dengan adanyauang elektronik Go-Pay, pelanggan tidak harus repot-repot menyediakan uang tunai. Banyaknya kemudahan dan manfaat yang dirasakan oleh konsumen Go-Jek dari adanya fitur Go-Pay, membuat banyak konsumen yang berminat menggunakan transportasi Go-Jek. Tujuan penelitian ini adalah untuk mengetahui penggunaan uang non tunai (cashless) Go-Pay dalam aplikasi Go-Ride pada transportasi ojek online Go-Jek dan proses bisnisnya menggunakan metode analisis Root Cause Analysis (RCA) dengan langkah-langkahnya yaitu pengumpulan data, pemetaan faktor kausal, identifikasi root cause, dan perumusan rekomendasi. Hasil penelitian yang diperoleh adalah pada faktor manfaat, indikator yang perlu mendapatkan perhatian dari Go-Pay adalah memberikan keuntungan tambahan saat menyelesaikan transaksi dan meningkatkan efisiensi dalam melakukan transaksi sehingga perlu dilakukan evaluasi dan perbaikan. Pada faktor kemudahan, indikator yang perlu mendapatkan perhatian dari Go-Pay adalah indikator jelas dan mudah dimengerti, tidak dibutuhkan banyak usaha, mudah digunakan dan mudah dioperasikan dan cepat mahir sehingga perlu dilakukan evaluasi dan perbaikan. Evaluasi dan perbaikan menggunakan Root Case Analysis (RCA) dengan metode “5Why’s” dan menggunakan Failure Mode and Effect Analysis (FMEA). Perbaikan yang telah dilakukan oleh Go-Jek adalah sistem Go-Pay diamankan oleh Gojek SHIELD, Go-Pay telah mendapatkan sertifikasi ISO 27001:2013 Information Security Management System - ISMS atau Sistem Manajemen Keamanan Informasi. Go-Pay memberikan berbagai fitur tambahan melalui Go-Pay Plus yaitu proteksi ekstra untuk saldo Go-Pay, limit lebih besar, kirim-kirim saldo Go-Pay, transfer ke rekening bank, Benefit PayLater, dan Promo eksklusif.
Distribution of tickets to the destination unit is a very important function in the helpdesk application, but the process of distributing tickets manually by admin officers has drawbacks, namely ticket distribution errors can occur and increase ticket completion time if the number of tickets is large. Helpdesk text classification becomes important to automatically distribute tickets to the appropriate destination units in a short time. This study was conducted to compare the performance of helpdesk text classification at the Directorate General of State Assets of the Ministry of Finance using the K-Nearest Neighbor (KNN) method with the TF-ABS and TF-IDF weighting methods. The research was conducted by collecting complaint documents, preprocessing, word weighting, feature reduction, classification, and testing. Classification using KNN with parameters n_neighbor (k) namely k=1, k=3, k=5, k=7, k=9, k=11, k=13, k=15, k=17, and k=19 to classify 10,537 helpdesk texts into 8 categories. The test uses a confusion matrix based on the accuracy value and score-f1. The test results show that the TF-ABS weighting method is better than TF-IDF with the highest accuracy value of 90.04% at 15% and k=3.
scite is a Brooklyn-based organization that helps researchers better discover and understand research articles through Smart Citations–citations that display the context of the citation and describe whether the article provides supporting or contrasting evidence. scite is used by students and researchers from around the world and is funded in part by the National Science Foundation and the National Institute on Drug Abuse of the National Institutes of Health.
customersupport@researchsolutions.com
10624 S. Eastern Ave., Ste. A-614
Henderson, NV 89052, USA
This site is protected by reCAPTCHA and the Google Privacy Policy and Terms of Service apply.
Copyright © 2024 scite LLC. All rights reserved.
Made with 💙 for researchers
Part of the Research Solutions Family.