Penerapan Random Forest untuk Otomatisasi Klasifikasi Tiket IT Service Desk pada Burger Bangor

Muhamad Khairil Zibran; Sholihin; Endri Puta Bintang; Khoirul Anwar

Authors

Muhamad Khairil Zibran Universitas Pamulang
Sholihin Universitas Pamulang
Endri Puta Bintang Universitas Pamulang
Khoirul Anwar Universitas Pamulang

Keywords:

Random Forest, IT Service Desk, Otomatisasi Klasifikasi, Text Mining, Burger Bangor

Abstract

Ekspansi gerai Burger Bangor yang pesat berdampak langsung pada lonjakan volume tiket keluhan pada bagian IT Service Desk. Proses klasifikasi tiket yang selama ini dilakukan secara manual memicu terjadinya penumpukan antrean (bottleneck) dan keterlambatan penanganan (delay) operasional di tingkat gerai. Penelitian ini bertujuan untuk mengotomatisasi proses klasifikasi tiket keluhan IT tersebut menggunakan teknik Text Mining dan algoritma Machine Learning Random Forest. Dataset yang digunakan terdiri dari teks deskripsi keluhan riil yang dikategorikan ke dalam empat domain utama: Hardware, Software, Jaringan, dan POS System. Tahapan pemrosesan teks melibatkan case folding, tokenizing, stopword removal, stemming, serta pembobotan kata menggunakan Term Frequency-Inverse Document Frequency (TF-IDF). Hasil pengujian menunjukkan bahwa model Random Forest mampu mengklasifikasikan tiket secara otomatis dengan tingkat akurasi mencapai 90%. Implementasi solusi ini berhasil memangkas waktu sortir tiket dari hitungan menit menjadi kurang dari dua detik. Kesimpulannya, penerapan metode ini secara signifikan mempercepat response time penanganan masalah IT, meminimalkan kesalahan rute penugasan teknisi, dan menjaga stabilitas operasional harian pada seluruh jaringan gerai Burger Bangor

References

Arifin, M., & Susanto, A. (2022). Klasifikasi Teks Laporan Menggunakan Random Forest. Jurnal Sains Komputer, 5(2), 112-120.

Siregar, R. (2024). Otomatisasi IT Service Desk Pada Industri Retail. Jurnal Teknologi Informasi Terapan, 8(1), 45-52

Pratama, A. R., & Wijaya, K. (2023). Analisis Sentimen dan Klasifikasi Teks Menggunakan Ensembel Random Forest. Jurnal Teknologi dan Sistem Komputer, 11(1), 34-42.

Hidayat, T., & Utami, W. (2021). Klasifikasi Otomatis Tiket Keluhan Nasabah Perbankan Menggunakan Metode Random Forest. Jurnal Rekayasa Sistem dan Teknologi Informasi, 5(3), 412-419.

Lestari, D. P., Wahyuni, S., & Kusuma, A. (2023). Penerapan TF-IDF dan Random Forest untuk Kategorisasi Keluhan Pelanggan pada Industri Retail. Jurnal Ilmiah Teknologi Informasi, 21(1), 55-64.

Gunawan, I. (2024). Otomatisasi IT Service Desk Menggunakan Pembelajaran Mesin untuk Reduksi Mean Time to Resolution. Jurnal Teknologi Sistem Informasi, 10(2), 88-97

Wijaya, A., & Ramadhan, F. (2023). Optimasi Workflow IT Support Melalui Penerapan Klasifikasi Tiket Otomatis. Jurnal Pengembangan Teknologi Informasi dan Ilmu Komputer, 7(4), 1821-1829.

Ramadhan, F., Sanjaya, R., & Budiman, A. (2023). Pengaruh Teknik Preprocessing Terhadap Akurasi Klasifikasi Keluhan Publik Berbahasa Indonesia. Jurnal Ilmu Komputer dan Informatika, 9(2), 145-153.

Sanjaya, R., & Budiman, A. (2022). Teknik Pengolahan Data Tidak Terstruktur Menggunakan Text Mining. Jurnal Sains Komputer dan Teknologi, 4(1), 45-53.

Kusuma, H., & Hartono, B. (2025). Evaluasi Ketahanan Algoritma Ensemble pada Data Tekstual Berdimensi Tinggi. Jurnal Informatika dan Rekayasa Perangkat Lunak, 12(1), 15-24.

Utami, W., Lestari, D. P., & Wahyuni, S. (2024). Optimasi Pembobotan TF-IDF untuk Klasifikasi Bahasa Non-Baku pada Media Sosial. Jurnal Ilmiah Teknologi Informasi Terapan, 10(3), 210-218.