PENENTUAN PRIORITAS INCIDENT DENGAN METODE SUPPORT VECTOR MACHINE (SVM) (STUDI KASUS : PT PAL INDONESIA)
Penulis JULIANTI, ALIFIATA
2025
753/UB/FTE-Inf/25
Ind
PENENTUAN PRIORITAS INCIDENT DENGAN METODE SUPPORT VECTOR MACHINE (SVM) (STUDI KASUS : PT PAL INDONESIA)
#2014321006/FTE-InfPengarang: JULIANTI, ALIFIA
Pembimbing Pertama: Ir. Wiwiet Herulambang, M.Cs.
Pembimbing Kedua: Arief Arizal, S.Kom., M.Cs.
Jenis: TA
Penerbit: UBHARA; FTE-Inf
Tahun Terbit: 2025
Bahasa: Ind
Kode: 753/UB/FTE-Inf/25
No. Klasifikasi: 005.4 JUL P
Jenis Karya: S1
Jenis
TA
Tahun
2025
Status
Tersedia
Kode
753/UB/FTE-Inf/25
Deskripsi Fisik
xvii, 162 hal; 21x30 cm
Subyek
SISTEM KLASIFIKASI - SUPPORT VECTOR MACHINE
Kata Kunci
Anotasi
ABSTRAK Teknologi informasi memiliki peran penting dalam mendukung operasi bisnis perusahaan, terutama dalam menyediakan layanan yang handal dan konsisten. Namun, memastikan layanan teknologi informasi tetap berjalan tanpa gangguan merupakan tantangan besar karena insiden sering terjadi akibat serangan siber, kesalahan manusia, atau masalah teknis. Oleh karena itu, perusahaan memerlukan sistem manajemen insiden yang efektif dan responsif. PT PAL Indonesia, sebagai perusahaan galangan kapal terbesar di Indonesia, memanfaatkan kerangka kerja COBIT 2019 untuk menangani insiden teknologi informasi. COBIT 2019 memberikan panduan yang membantu proses penanganan insiden dengan baik. Meskipun demikian, PT PAL sering menghadapi kendala dalam mengidentifikasi risiko dan menentukan prioritas insiden, yang menyebabkan penanganan menjadi lebih lambat. Penelitian ini bertujuan untuk mengukur efektivitas metode Support Vector Machine (SVM) dalam proses klasifikasi dan prioritas insiden teknologi informasi. Metode ini memungkinkan perusahaan untuk memilih insiden yang paling kritis dan membutuhkan penanganan segera. Pengujian dilakukan dengan menggunakan kernel polinomial derajat 2, yang menunjukkan kinerja terbaik dengan rata-rata akurasi 82,5%, melampaui kernel linier (66,5%) dan RBF (65,5%). Parameter optimal ditemukan pada data latih sebanyak 25 dan iterasi maksimum 50, yang menghasilkan akurasi lebih tinggi dibandingkan parameter lainnya. Dalam aspek precision dan recall, hasil menunjukkan performa tinggi pada beberapa kelas, dengan precision mencapai 100% di beberapa kategori. Namun, terdapat kelas tertentu dengan precision terendah sebesar 14%. Survei pengguna terhadap aplikasi yang dikembangkan menunjukkan hasil positif, dimana 90% responden menilai aplikasi mudah diakses, nyaman digunakan, dan efektif dalam menentukan prioritas insiden. Tampilan antarmuka aplikasi mendapat apresiasi dari 85% responden, sementara 80% menyatakan puas dengan kecepatan respon aplikasi. Kata kunci : PT PAL Indonesia, COBIT 2019, Prioritas, Insiden, Support Vector Machine, Precision, Recall
Catatan
WISuda 2025