Analisis Laporan Gangguan Pelanggan Menggunakan Kombinasi Regresi Linear Berganda dan Klasifikasi Decision Tree Untuk Penentuan Komposisi Tim Yantek (Studi Kasus PLN UP3 Makassar Selatan)

Agus Budi Raharjo, Yanuardhi Arief Budiyono, Diana Purwitasari

Abstract


PT PLN (Persero) terus berupaya meningkatkan layanan kepada pelanggan dalam hal durasi penanganan laporan gangguan pelanggan melalui implementasi command center. Dengan total pelanggan 549.649, command center PLN UP3 Makassar Selatan bertujuan untuk memusatkan pemantauan laporan gangguan pelanggan dan pengaturan petugas pelayanan teknik di lapangan untuk mempercepat durasi penanganan laporan gangguan pelanggan. Dalam rentang waktu tiga tahun sejak Januari 2019 hingga Desember 2021, PLN UP3 Makassar Selatan memiliki laporan gangguan pelanggan sebanyak 225.309 laporan. Penelitian ini bertujuan untuk memprediksi pemenuhan durasi penanganan laporan gangguan sesuai penetapan target kinerja UP3 Makassar Selatan. Analisis prediksi menggunakan metode Regresi Linear pada variabel jumlah laporan dengan target durasi penanganan gangguan pada data laporan gangguan pelanggan yang bersumber dari Aplikasi Keluhan dan Pelayanan Terpadu (APKT). Selanjutnya klasifikasi menggunakan metode Decission Tree untuk mengetahui durasi penanganan gangguan memenuhi target kinerja atau tidak. Hasil penelitian menunjukkan bahwa metode yang diajukan memberikan kinerja yang baik berdasarkan evaluasi Coefficient of Determination (R2), Root Mean Square Error (RMSE), dan ROC Curve. Model yang dibangun diharapkan dapat diimplementasikan kedalam sistem pengaturan petugas teknik sehingga memberikan komposisi jumlah tim untuk menurunkan durasi penanganan laporan gangguan.

Keywords


Laporan Gangguan; Machine Learning; Regresi; Decision Tree

References


Lalwani, P., Mishra, M. K., Chadha, J. S., & Sethi, P. (2022). Customer churn prediction system: a machine learning approach. Computing, 104(2), 271–294. https://doi.org/10.1007/s00607-021-00908-y

Narulita, S., Oktaga, A. T., & Susanti, I. (2021). Pengujian Akurasi Model Prediksi Menggunakan Metode Data Mining Classification Decision Tree Algoritma C4 . 5. Jurnal Media Aplikom, 13(2), 15–29.

Oktafia, D., & Pardede, D. D. L. C. (2008). Perbandingan Kinerja Algoritma Decission Tree Dan Naive Bayes Dalam Memprediksi Kebangkrutan. 2008, 2008.

Pangesti, S. (2016). SATS4312: Modul 1 Regresi Linear Sederhana. 52.

Rokach, L., & Maimon, O. (2005). Decision Trees. Cycle, 1897(Figure 1), 44–45. https://doi.org/10.1007/0-387-25465-X

Rosandy, T. (2016). Perbandingan Metode Naive Bayes Classifier Dengan Metode Decision Tree (C4.5) Untuk Menganalisa Kelancaran Pembiayaan (Study Kasus : KSPPS / BMT AL-FADHILA. Jurnal Teknologi Informasi Magister Darmajaya, 2(01), 52–62.

Safitri, W, R. (2014). Analisis Korelasi Pearson Dalam Menentukan Hubungan Antara Kejadian Demam Berdarah Dengue Dengan Kepadatan Penduduk Di Kota Surabaya Pada Tahun 2012 - 2014. Jurnal Kesehatan Masyarakat, 1(3), 1–9.

Sutoyo, E., & Fadlurrahman, M. A. (2020). Penerapan SMOTE untuk Mengatasi Imbalance Class dalam Klasifikasi Television Advertisement Performance Rating Menggunakan Artificial Neural Network. Jurnal Edukasi Dan Penelitian Informatika (JEPIN), 6(3), 379. https://doi.org/10.26418/jp.v6i3.42896

Anditya, A. et al., 2020. Developing an LSTM-based Classification Model of IndiHome Customer Feedbacks. IEEE.

Bahrawi, A., 2016. Prediksi Keputusan Menggunakan Klasifikasi. Jurnal Kominfo, Volume 20, pp. 1-10.

Francisco V, O. & Rosaria, S., 2021. Machine learning for marketing on the KNIME Hub The development of a Machine learning for marketing on the KNIME Hub. Elsevier, Volume 137, pp. 393-410.

Géron, A., 2019. Hands-on Machine Learning with Scikit-Learn, Keras&TensorFlow. s.l.:O'Reilly.

Ghazzawi, A. & Alharbi, B., 2019. Analysis of Customer Complaints Data using Data Mining Techniques. Elsevier, Volume 163, pp. 62-69.

Irfan, U. et al., 2019. A Churn Prediction Model using Random Forest: Analysis of Machine Learning Techniques for Churn Prediction and Factor Identification in Telecom Sector. IEEE, Volume 7, pp. 60134 - 60149.

Jiahan, D. et al., 2020. Power User Sensitivity Analysis and Power Outage Complaint Prediction. IOP.

Ning, L., Hua, L., Jie, L. & Guangquan, Z., 2011. A Customer Churn Prediction Model in Telecom Industry Using Boosting. IEEE.

Putra, J. W. G., 2020. Pengenalan Konsep Pembelajaran Mesin dan Deep Learning. 1.4 ed. Tokyo: s.n.

S Ummugulthum, N. & S, B., 2014. Customer Relationship Management Classification Using Data Mining Techniques. IEEE.

Shuangshuang, G., Linlin, T., Xiaoyan, G. & Zheng, H., 2020. Power Customer Complaint Prediction Model Based on Time Series Analysis. IIETA, 34(4), pp. 471-477.

Suzanne, E., 2012. ROC CurvesVWhat are They and How are They Used?. Point of Care, 11(1), pp. 16-21.

Xin, X. et al., 2019. A Comparative Study of Customer Complaint Prediction Model of Time Series, Multiple Linear Regression and BP Neural Network. IOP.




DOI: http://dx.doi.org/10.28926/briliant.v7i4.1037

Refbacks

  • There are currently no refbacks.


Copyright (c) 2022 Briliant: Jurnal Riset dan Konseptual

Creative Commons License
This work is licensed under a Creative Commons Attribution-ShareAlike 4.0 International License.

Published by:

Lembaga Penelitian dan Pengabdian Masyarakat

Universitas Nahdlatul Ulama Blitar