Klasifikasi Menggunakan Naïve Bayes Dan K-Nearest Neighbor Pada Manajemen Layanan Teknologi Informasi
Abstract
Riset ini bertujuan untuk melakukan prediksi standar layanan teknologi informasi atau Information Technology Service (ITS) dengan klasifikasi menggunakan Nae Bayes Classifier (NBC) dan K-Nearest Neighbor (KNN). ITS terhadap arus data yang sangat besar dari setiap titik akses memerlukan standar kelas layanan. Peningkatan produktivitas merupakan konsekuensi ITS. Peningkatan keuntungan merupakan tujuan ITS. Untuk memperoleh produktivitas dan keuntungan, service menjadi kata kuncinya. Oleh karena itu, service untuk kebutuhan bisnis, maka diperlukan ITS.
Layanan yang berkualitas dan manfaat maksimal bagi customer (standar dan non standar) merupakan tujuan yang ingin dicapai ITS. Oleh karena itu, perlu dilakukan klasifikasi untuk menentukan kelas layanan berdasarkan ITS. Klasifikasi menghasilkan kelas layanan yang memenuhi standar manajemen layanan teknologi informasi. Klasifikasi menggunakan KNN dengan input numeric, formula jarak (Euclidean Distance), kalkulasi (classified by rank), dan output (determined by majority). Klasifikasi menggunakan NBC dengan input alpha numeric, formula (Bayes Theorem), kalkulasi (classified by probability), dan output (determined by high value).
Downloads
References
Adriyendi. (2016). Classification using Naive Bayes and Decision Tree on Food Addiction. International Journal of Database Theory and Application, IX(3), 161-180. doi:10.14257/ijdta. 2016.9.3.17
Gorade, S. M., Deo, A., & Purohit, P. (2017). A Study of some Data Mining Classification Techniques. International Research Journal of Engineering and Technology, IV(4), 3122-3115. Retrieved from htttp:// www.irjet.net
ITIL, T. F. (2011). An Introductory Overview of ITIL 2011. Aligned to the 2011 editions, I, II, 1-74. The Stationery Office - William Lea Company. Retrieved from http:// www.tsoshop.co.uk
Ndaumanu, R. I., Kusrini, & Arif, M. R. (2014). Analisis Prediksi Tingkat Pengunduran Diri Mahasiswa dengan Metode K-Nearest Neighbor. Jurnal Jatisi, I(1), 1-15.
Office, C. (2011). ITIL Service Design 2011. The Statitonary Office.
Sabilla, W. I., & Putri, T. E. (2017). Prediksi Ketepatan Waktu Lulus Mahasisa dengan K-Nearest Neighbor dan Naive Bayes: Studi Kasus Prodi D3 Sistem Informasi Universita Airlangga. Jurnal Komputer Terapan, III(2), 233-240. Retrieved from http:// jurnal.pcr.ac.id
Sari, M. K., Ernawati, & Pranowo. (2015). Kombinasi Metode K-Nearest Neighbor dan Naive Bayes untuk Klasifikasi Data. SNTIM, 2.1-37-2.1-41.
Sartika, D., & Sensuse, D. I. (2017). Perbandingan Algoritma Klasifikasi Naive Bayes, Nearest Neighbor, dan Decision Tree pada Studi Kasus Pengambilan Keputusan Pemilihan Pola Pakaian. Jatisi, I(2), 151-161.
Supriyanti, W., Kusrini, & Amborowati, A. (2016). Perbandingan Kinerja Algoritma C4.5 dan Naive Bayes untuk Ketepatan Pemilihan Konsentrasi Mahasiswa. JurnaI Informa, I(3), 61-67.
Wibowo, A. M. (2017). Service Strategy IT Infrastructure Library V.3.
Wicaksana, P. D. (2015). Perbandingan Algoritma K-Nearest Neighbor dan Naive Bayes untuk Studi Data Wisconsin Diagnosis Breast Cancer. Skripsi, Fak. Sains dan Teknologi, Prodi. Teknik Informatika. Yogyakarta: Universitas Sanata Dharma.
S. Sularno and P. Anggraini, PENERAPAN ALGORITMA C4.5 UNTUK KLASIFIKASI TINGKAT KEGANASAN HAMA PADA TANAMAN PADI (Studi Kasus : Dinas Pertanian Kabupaten Kerinci), J. Sains dan Inform., vol. 3, no. 2, p. 161, Nov. 2017.
Copyright (c) 2020 Jurnal Teknologi Dan Sistem Informasi Bisnis - JTEKSIS
This work is licensed under a Creative Commons Attribution 4.0 International License.
Authors retain copyright and grant the journal right of first publication with the work simultaneously licensed under an Attribution 4.0 International (CC BY 4.0) that allows others to share — copy and redistribute the material in any medium or format and adapt — remix, transform, and build upon the material for any purpose, even commercially with an acknowledgment of the work's authorship and initial publication in this journal.
