KLASIFIKASI MENGGUNAKAN NAÏVE BAYES DAN K-NEAREST NEIGHBOR PADA MANAJEMEN LAYANAN TEKNOLOGI INFORMASI

  • Adriyendi Adriyendi Informatic Research Group, IAIN Batusangkar, Indonesia
  • Yeni Melia Informatic Research Group, IAIN Batusangkar, Indonesia
Keywords: Classification, Naïve Bayes, K-Nearest Neighbor, Information Technology Service

Abstract

Riset ini bertujuan untuk melakukan prediksi standar layanan teknologi informasi atau Information Technology Service (ITS) dengan klasifikasi menggunakan Naïve 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).

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.

Published
2020-07-01