<![CDATA[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]]>
Copyrights © 2026
