Latar Belakang Permasalahan
Dalam operasional jaringan telekomunikasi, setiap gangguan pada perangkat dapat menghasilkan trouble ticket yang harus ditangani hingga masalah terselesaikan. Salah satu tantangan penting dalam proses tersebut adalah memperkirakan Fault Resolving Time, yaitu waktu yang dibutuhkan untuk menyelesaikan sebuah gangguan.
Durasi penyelesaian setiap trouble ticket dapat berbeda karena dipengaruhi oleh karakteristik masalah, lokasi perangkat, jenis alarm, serta waktu tiket dibuat dan ditutup. Ketidakpastian tersebut menyulitkan proses penentuan prioritas penanganan dan pengalokasian sumber daya teknis. Oleh karena itu, dibutuhkan pendekatan prediktif yang mampu memanfaatkan pola pada data historis untuk memperkirakan waktu penyelesaian trouble ticket baru secara lebih terstruktur.
Solusi dan Pendekatan
Kami mengembangkan pendekatan machine learning dengan menggabungkan K-Means Clustering dan Modified K-Nearest Neighbor (MKNN). K-Means digunakan untuk mengelompokkan trouble ticket yang memiliki karakteristik serupa, sedangkan MKNN digunakan untuk melakukan prediksi berdasarkan pola data yang berada pada kelompok yang relevan.
Pendekatan tersebut memungkinkan proses prediksi tidak dilakukan terhadap seluruh dataset secara langsung. Data terlebih dahulu ditempatkan pada kelompok tertentu sehingga model dapat mencari pola penyelesaian dari kasus-kasus yang memiliki karakteristik lebih dekat dengan tiket yang akan diprediksi. Alur pemodelannya mencakup preprocessing, pembentukan cluster, prediksi menggunakan MKNN, dan evaluasi model.
Model kemudian diintegrasikan ke dalam aplikasi berbasis web sehingga proses analisis tidak hanya berhenti pada eksperimen algoritma. Sistem menyediakan fasilitas untuk melihat data, mengelola trouble ticket, menampilkan visualisasi, dan memasukkan tiket baru untuk memperoleh estimasi waktu penyelesaian.
Proses Pengerjaan
Pengerjaan dimulai dari pengolahan dataset trouble ticket yang memuat informasi operasional seperti waktu pembuatan dan penyelesaian tiket, lokasi perangkat, serta informasi alarm. Data kemudian melalui proses preprocessing untuk menangani data duplikat maupun data yang tidak lengkap dan menghitung durasi antara waktu tiket dibuat dengan waktu tiket selesai.
Sebanyak 5.000 data digunakan sebagai data training untuk membangun model. Setelah data dipersiapkan, Modified KNN digunakan untuk menentukan kedekatan karakteristik antar-ticket melalui Hamming Distance, sementara K-Means digunakan untuk membentuk kelompok data yang memiliki kemiripan.
Hasil klasterisasi membentuk tiga cluster. Cluster 2 menjadi kelompok terbesar dengan 2.186 ticket, diikuti Cluster 1 sebanyak 1.469 ticket dan Cluster 3 sebanyak 1.345 ticket. Pembentukan cluster tersebut kemudian menjadi dasar bagi proses prediksi pada tiket baru.
Model prediksi selanjutnya diintegrasikan dengan aplikasi berbasis web. Python digunakan dalam proses pemodelan dan pengolahan data, sedangkan MySQL digunakan untuk pengelolaan basis data. Pengembangan aplikasinya mengikuti tahapan Waterfall mulai dari analisis kebutuhan, perancangan, implementasi, hingga pengujian.
Hasil yang Dicapai
Proyek berhasil menghasilkan sistem prediksi Fault Resolving Time berbasis web yang mengintegrasikan proses pengelompokan data dan prediksi dalam satu aplikasi. Sistem menyediakan halaman dashboard untuk melihat karakteristik data, halaman pengelolaan data trouble ticket, serta halaman estimasi yang dapat digunakan untuk memasukkan karakteristik tiket baru dan memperoleh hasil prediksi.
Pengujian fungsional dilakukan pada halaman beranda, login dan registrasi, dashboard admin, pengelolaan data, serta halaman estimasi. Seluruh fungsi yang diuji dinyatakan berjalan dengan baik sehingga aplikasi dapat digunakan untuk menjalankan proses prediksi trouble ticket. Dari sisi pemodelan, sebanyak 5.000 data training berhasil dipetakan menjadi tiga cluster dengan distribusi sebagai berikut:
| Cluster | Jumlah Trouble Ticket |
|---|---|
| Cluster 1 | 1.469 |
| Cluster 2 | 2.186 |
| Cluster 3 | 1.345 |
| Total | 5.000 |
Pembentukan cluster membuat proses prediksi dapat diarahkan pada kelompok data yang memiliki karakteristik lebih relevan. Setelah cluster tiket baru ditentukan, MKNN digunakan untuk mencari data dengan tingkat kemiripan terdekat dan menghasilkan estimasi kelompok waktu penyelesaian.
