Lapor Cepat: Klasifikasi Prioritas Pelaporan Gangguan Jaringan dengan TF-IDF & Naïve Bayes

Abstrak

DISKOMINFO Kabupaten Samosir memerlukan sistem yang mampu membantu proses pencatatan laporan, pemantauan penanganan, serta penentuan prioritas gangguan jaringan secara otomatis. Penelitian ini membangun aplikasi web "Lapor Cepat" berbasis Laravel dan MySQL yang mengimplementasikan metode TF-IDF dan Multinomial Naïve Bayes untuk mengklasifikasikan tingkat prioritas laporan gangguan jaringan.

Data yang digunakan berasal dari dataset laporan WhatsApp periode 2023–2026 sebanyak 199 data, dengan empat kelas prioritas: sangat krisis, tinggi, sedang, dan rendah.

Kata kunci: pelaporan gangguan jaringan, Laravel, text mining, TF-IDF, Multinomial Naïve Bayes, klasifikasi prioritas.

---

1. Latar Belakang & Rumusan Masalah

Di DISKOMINFO Kabupaten Samosir, pelaporan gangguan jaringan masih dilakukan secara manual melalui grup WhatsApp. Mekanisme ini praktis, namun tidak menjamin pendokumentasian yang rapi: pesan laporan bercampur dengan percakapan lain, sehingga petugas kesulitan menelusuri riwayat gangguan, mengelompokkan laporan, dan menyusun rekap evaluasi. Akibatnya, penanganan dapat melambat dan penentuan urgensi cenderung subjektif karena tidak ada indikator prioritas yang konsisten.

Rumusan Masalah

1. Bagaimana merancang sistem berbasis web sebagai media pelaporan gangguan jaringan pada DISKOMINFO Kabupaten Samosir?
2. Bagaimana menerapkan metode Naïve Bayes untuk mengklasifikasikan tingkat prioritas pelaporan gangguan jaringan berdasarkan isi laporan berbentuk teks?

Batasan Masalah

• Data awal berasal dari ekspor WhatsApp 2023–2026 (199 data), dengan kode numerik 1–4 (4=sangat krisis, 3=tinggi, 2=sedang, 1=rendah).
• Pembobotan teks memakai TF-IDF sebagai representasi fitur sebelum klasifikasi Naïve Bayes.
• Aplikasi web dikembangkan dengan PHP & framework Laravel, basis data MySQL dikelola melalui Laragon.
• Pemodelan sistem menggunakan UML: use case, activity, sequence, dan class diagram.

Tujuan Penelitian

• Membangun sistem informasi berbasis web sebagai media pelaporan gangguan jaringan.
• Menerapkan metode Naïve Bayes untuk klasifikasi tingkat prioritas laporan berdasarkan isi teks.
• Menerapkan pembobotan TF-IDF sebagai representasi fitur dalam proses klasifikasi.

---

2. Metodologi

Alur penelitian mengikuti kerangka kerja Naïve Bayes: pengumpulan data laporan historis → praproses teks → pembobotan TF-IDF → pelatihan model Multinomial Naïve Bayes → prediksi kelas prioritas pada laporan baru.

Tahapan Praproses Teks

• Case folding: menyeragamkan teks laporan menjadi huruf kecil.
• Cleansing: membersihkan tanda baca, angka, dan karakter yang tidak relevan.
• Tokenizing: memecah teks laporan menjadi unit kata (token).
• Stopword removal: membuang kata umum yang tidak berkontribusi pada makna.
• Stemming: mengembalikan kata ke bentuk dasarnya.

Pembobotan TF-IDF & Klasifikasi Naïve Bayes

Setiap dokumen laporan direpresentasikan sebagai matriks dokumen–term, di mana bobot TF-IDF mencerminkan seberapa penting dan khas sebuah kata dalam dokumen tersebut. Representasi numerik ini menjadi input bagi model Multinomial Naïve Bayes, yang menghitung probabilitas kemunculan term pada tiap kelas prioritas untuk menentukan kelas dengan probabilitas tertinggi sebagai hasil prediksi.

Fitur Utama Sistem

• Autentikasi Berbasis NIK: login petugas/admin menggunakan Nomor Induk Kependudukan.
• Manajemen Data Laporan (CRUD): dasbor untuk mencatat, memantau, dan mengelola status penanganan laporan.
• Unggah & Pelatihan Data: admin dapat mengunggah dataset training baru dan menjalankan ulang proses pelatihan model.
• Prediksi Prioritas Otomatis: setiap laporan baru langsung diklasifikasikan tingkat prioritasnya oleh model.

---

3. Kesimpulan & Saran

Kesimpulan

• Sistem pelaporan gangguan jaringan berbasis web (Laravel & MySQL) berhasil dibangun, mendukung proses pelaporan yang lebih terstruktur, tercatat, dan mudah diakses.
• Sistem menyediakan media pelaporan yang formal dengan alur penggunaan yang jelas bagi pelapor maupun petugas DISKOMINFO.
• Pembobotan TF-IDF berhasil menghasilkan representasi numerik dokumen laporan dalam bentuk matriks dokumen–term.
• Metode Multinomial Naïve Bayes berhasil diterapkan untuk klasifikasi otomatis empat kelas prioritas berdasarkan pola kemunculan term pada data latih.

Saran Pengembangan

• Menambah jumlah data latih agar model semakin stabil dalam mengenali variasi laporan gangguan jaringan.
• Menambahkan fitur normalisasi kata & kamus istilah jaringan agar pre-processing lebih konsisten dan akurat.
• Membandingkan Naïve Bayes dengan algoritma lain (SVM, KNN, Random Forest, Logistic Regression).
• Menambahkan fitur evaluasi performa model (confusion matrix, accuracy, precision, recall, F1-score).