PENERAPAN TEXT MINING PADA TELKOM TROUBLE TICKET ONLINE UNTUK MENINGKATKAN KUALITAS PELAYANAN DI TELKOM JAWA TIMUR

Prosiding Seminar Nasional Manajemen Teknologi XV Program Studi MMT-ITS, Surabaya 4 Pebruari 2012

PENERAPAN TEXT MINING PADA TELKOM TROUBLE TICKET ONLINE UNTUK MENINGKATKAN KUALITAS PELAYANAN DI TELKOM JAWA TIMUR Hidayat Kurniawan, Budi Santosa Program Studi Magister Manajemen Teknologi Bidang Keahlian Manajemen Industri Institut Teknologi Sepuluh Nopember Surabaya Email: [email protected] ABSTRAK Pada tingkat kompetisi industri telekomunikasi yang semakin tinggi, meningkatkan kualitas layanan pelanggan (Customer Service) menjadi sangat penting. PT Telkom telah menyediakan Corporate Customer Care Center (C4) sebagai pusat pengaduan gangguan layanan Data dan Internet bagi pelanggan korporasi. Untuk mendukung operasional layanan, petugas dilengkapi dengan aplikasi Telkom Trouble Ticket Online (T3 Online). Aplikasi T3 Online mengandung banyak informasi tentang identitas pelanggan, layanan, historis laporan gangguan, penyebab dan letak gangguan serta langkah-langkah penyelesaiannya. Informasi-informasi tersebut sangat lengkap dan besar ukuran datanya namun belum dimanfaatkan secara maksimal karena manajemen C4 Telkom hanya mengolah informasi yang bersifat fixed input sehingga hasil analisanya pun menjadi terbatas. Sementara informasi yang berasal dari interaksi dengan pelanggan (customer experience) berupa teks bebas (free text) belum dimanfaatkan untuk menggali informasi-informasi dan hubunganhubungan yang belum diketahui atau tersembunyi. Pada penelitian ini akan dirancang suatu mekanisme penggalian data (data mining) pada teks (text mining) pada basis data historis T3 Online dengan algoritma Hierarchical Clustering untuk memodelkan karakteristik penyebab atau letak gangguan dominan dan keterhubungannya secara hirarkis pada jaringan layanan VPN IP di Telkom Jawa Timur. Dengan mekanisme text mining tersebut diharapkan dapat memberikan acuan tambahan untuk meningkatkan kualitas analisa penyebab gangguan dominan yang sudah ada. Hal ini akan mempermudah proses trouble shooting dan mempercepat waktu penyelesaian gangguan sehingga meningkatkan kepuasan pelanggan dalam upaya mempertahankan pelanggan (customer retention). Kata kunci: customer retention, hierarchical clustering, teks bebas, text mining, trouble ticket

PENDAHULUAN Setiap provider berebut pasar dengan berbagai strategi marketing, pricing dan pilihan teknologi untuk melakukan customer acquisition. Namun sangat penting untuk diperhatikan bahwa luasnya coverage, kompleksitas konfigurasi, variasi media akses dan terminal serta ketidakseragaman pengetahuan pengguna (customer knowledge) memberikan peluang munculnya keluhan pelanggan dan problem gangguan dalam pengoperasiannya yang berakibat pada cabutan atau berhenti berlangganan (customer churn).

ISBN : 978-602-97491-4-4 A-51-1


Penyediaan Customer Care Center menjadi bagian yang sangat penting dalam upaya meningkatkan pelayanan dan mencegah terjadinya customer churn. Telkom telah membangun Telkom Corporate Customer Care Center (Telkom C4) sebagai pusat pengaduan pelanggan yang bertujuan memberikan kemudahan bagi pelanggan untuk mengakses dalam menyampaikan keluhan atau pengaduan gangguan, meminta update informasi penyebab gangguan, dan prediksi waktu selesainya gangguan. Telkom telah mengoperasikan Telkom Trouble Ticket Online (T3 Online) yang memungkinkan customer, petugas C4 dan petugas back room saling berinteraksi bertukar informasi dalam upaya merespon pengaduan, melakukan trouble shooting, eksekusi penyelesaian gangguan dan reporting kepada customer. Suatu Trouble Ticket merupakan kombinasi dua jenis data yaitu pengisian baku yang terstruktur (fixed form, fixed field) dan pengisian bebas (free form/free text/free field) yang diisikan ketika membuka suatu tiket baru (Johnson, 1992). Saat ini laporan yang ada hanya memanfaatkan data teks baku pada data base historis T3Online yaitu segmen gangguan dan sub segmen gangguan. Maka sangat perlu dan penting agar apa yang telah dilakukan selama ini bisa diubah dengan mulai memanfaatkan kandungan informasi teks bebas di T3 Online. Adalah suatu kerugian ketika sejumlah besar data di dalam data base historis T3Online hanya dibiarkan tetap menjadi data di dalam server. Atau jika ada pemanfaatan, seorang manajer analis hanya menggunakan sedikit data dipermukaan dan mengabaikan sejumlah besar informasi lainnya yang masih tersembunyi. Permasalahan Trouble Ticket ini dapat didekati dengan teknik Data Mining. Manajemen jaringan telekomunikasi berbasis pada sejumlah besar data yang secara terus menerus dikumpulkan dari banyak elemen dan perangkat di seluruh jaringan telekomunikasi. Medem, dkk (2008) mempunyai pendekatan yang lebih baik untuk mendukung maksud penelitian ini dalam upaya memberikan alternatif analisa data T3 Online yang lebih dalam dan lengkap. Penggunaan Hierarchical Clustering dapat memberikan gambaran distribusi dan hubungan sebab akibat yang relefan dalam melakukan trouble shooting penanganan gangguan jaringan VPN IP. Sementara itu di Indonesia belum ada penelitian yang memberikan perhatian pada trouble ticket dan penggalian informasi di dalamnya, padahal sudah semakin banyak perusahaan berbasis teknologi tinggi dan focus pada pelayanan pelanggan yang menggunakan customer care center dan trouble ticket system. Maka dalam penelitian ini, permasalahan dapat dirumuskan menjadi bagaimana mekanisme menggali informasi dari data base histori T3 Online, utamanya pada data masukan teks bebas, mengolah dan menyajikannya menjadi suatu informasi yang lebih dalam, lebih lengkap tentang letak dan penyebab gangguan dominan sehingga memudahkan dalam analisa untuk meningkatkan kualitas layanan Telkom. Tujuan penelitian ini adalah memberikan alternatif metoda untuk menggali, mengolah dan menyajikan informasi yang terkandung dalam data base T3 Online menjadi suatu alat bantu alternatif dalam meningkatkan kualitas analisis karakteristik trouble ticket, termasuk penyebab gangguan dominan pada layanan VPN IP Telkom. Pada bagian akhir makalah ini, peneliti akan memberikan masukan analisis obyektif berupa karakteristik gangguan dalam T3 Online yang dapat digunakan sebagai referensi untuk meningkatkan kualitas analisa gangguan di masa-masa selanjutnya dan jenis layanan Telkom lainnya

ISBN : 978-602-97491-4-4 A-51-2


METODE Penelitian ini bersifat deskriptif dan eksploratif. Ditetapkan model penelitian yang sesuai dengan tujuan penelitianadalah seperti pada Gambar 1.

Gambar 1. Model Penelitian

Pada model tersebut, tahap awal sebagai obyek penelitian adalah eksplorasi data dari data base T3 Online yang selama ini tidak diakses oleh pengelola. Data tersebut adalah fieldfield yang bersifat teks bebas (free text) yang kemungkinan karena dianggap sangat besar volumenya dan sulit dalam melakukan pengolahannya sehingga dibiarkan tetap dalam database komputer. Tahap berikutnya adalah melakukan pemodelan pada data trouble ticket teks bebas tersebut. Karena sifatnya yang tidak terstruktur maka untuk mendukung analisa harus dipilih kata kunci (keywords) yang dapat meggambarkan karakteristik trouble ticket. Penelitian ini melakukan proses expert justice dengan beberapa pihak yang berkompeten untuk memperoleh kata kunci yang tepat seperti terlihat pada Tabel 1. Tabel 1. Kata kunci (keywords)

Kejadian terjadwal (scheduled event) Kejadian di lapangan (Field event) Terkait dengan link (link related) Terkait dengan node (node related) Terkait Perangkat Keras (hardware related) Terkait Perangkat Lunak (software related)

Maintenance, pasang baru, relokasi, upgrade, downgrade, test, trial, migrasi, BER test, monitor Putus, putus-putus, mati, down, gangguan, ggn, rusak, intermitten Koneksi, connect, link, sirkuit, fiber optic, card, kabel, interface, transmisi, network, line, akses Router, switch, node, hardware, power, software, konfigurasi, reboot, reset, DSLAM, flicker, restart Modem, roset, kabel, router, fiber optik, power, UPS, server, CPE, switch, card, replace, ganti Reboot, shutdown, virus, crash, lambat, upgrade, software, aplikasi, memory, error, sinkron, hang

Sumber : hasil olahan peneliti melalui expert justice

ISBN : 978-602-97491-4-4 A-51-3


Untuk memperoleh data yang dapat mewakili suatu trouble ticket, dilakukan beberapa proses yaitu : stemming, removal of low frequency word dan removal irrelevant words seperti subyek, stop words, kata kerja yang tidak relevan, karakter dan angka, nama perangkat, organisasi, identitas, dll. Sebagai hasil akahir pengolahan data seperti Gambar 2. M.1124.04148 [TOP200]CID 5258789 BANK BTPN PLOSO JOMBANG gangguan Down Modem + Router rusak terkena petir. Telah dilakukan penggantian Modem oleh rekan CCAN Jombang dg P.Santoso dkk... menjadi M.1124.04148 gangguan Down Modem Router rusak petir ganti Modem

Gambar 2. Pengolahan data menjadi ticket representation Selanjutnya adalah menentukan bobot pada tiap kata kunci untuk membentuk suatu vektor yang merepresentasikan tingkat kemunculan di dalam jaringan. Penelitian ini menggunakan skema DF (document frequency) yaitu jumlah trouble ticket yang mengandung suatu kata kunci. Misalnya kata kunci “router” muncul pada 1254 ticket sementara kata kunci “putus” muncul pada 2541 tiket, maka “putus” mempunyai bobot yang lebih tinggi. Proses pembobotan digambarkan dalam Gambar 3.

Gambar 3. Penghitungan bobot kata kunci dalam setiap trouble ticket Setelah diperoleh data matriks trouble ticket dan kata kunci beserta bobotnya maka pengolahan dilakukan dengan teknik data mining atau teks mining dengan algoritma hierarchical clustering melalui aplikasi Matlab. Dalam penelitian ini digunakan Euclidean untuk menghitung jarak (distance) dengan pertimbangan lebih konsisten dan Average Link untuk kemiripan (similarity). Hasil yang diperoleh adalah suatu pohon biner (binary tree). Algoritma data mining seperti Gambar 4. Pengolahan data juga melibatkan proses labeling dan pruning sehingga diperoleh suatu hirarki karakteristik kata kunci dalam trouble ticket.

ISBN : 978-602-97491-4-4 A-51-4


Gambar 4. Penghitungan bobot kata kunci dalam setiap trouble ticket HASIL DAN DISKUSI Dari hasil pengolahan data diharapkan diperoleh suatu pohon hirarki berdasarkan bobot kata kunci, hubungan atau relasi berdasarkan kedekatan atau kemiripannya. Prakiraan hasil seperti dalam Gambar 5.

Gambar 5. Pengaruh Masing-masing Atribut Kondominium Terhadap Karakteristik Pembeli

ISBN : 978-602-97491-4-4 A-51-5


Dari hasil data mining tersebut selanjutnya akan dilakukan analisa dan evaluasi yang dijabarkan dalam langlah-langkah :  Pemetaan (mapping) sebaran trouble ticket, misalnya prosentase karena gangguan, maintenance atau proses mutasi dan lain-lain;  Aspek planned dan un planned, link dan perangkat;  Penyebab gangguan dominan (root causes);  Menentukan langkah preventif dan korektif dalam pengelolaan layanan;  Kemungkinan menggunakan sebagai knowledge dan sarana prediksi; Hasil data mining juga dapat dibandingkan dengan model evaluasi yang dipergunakan sebelumnya. Apakah dapat memberikan gambaran yang lebih luas, lengkap dan memberikan gambaran gubungan dari setiap problema yang terjadi di jaringan. Hal ini akan membantu petugas dan manajemen Telkom untuk melakukan pengambilan keputusan dalam melayani pelanggan yang diharapkan dapat meningkatkan kualitas pelayanan. KESIMPULAN 1. Data dalam T3 Online, khususnya teks bebas belum dimanfaatkan untuk mendukung proses analisa dan evaluasi layanan Telkom Corporate Customer Care Center. 2. Pengolahan data teks bebas dapat memberikan gambaran yang lebih lengkap karena adanya detil-detil yang sebelumnya tidak masuk dalam analisa. 3. Penggunaan hierarchical clustering lebih dapat memberikan gambaran hubungan/relasi setiap problem di jaringan yang diwakili oleh kata kunci. 4. Model pohon hirarki dapat memberikan penguatan dalam penentuan kegiatan-kegiatan preventif dan korektif maintenance jaringan layanan sehingga dapat meningkatkan kualitas layanan. DAFTAR PUSTAKA Berry, MJA., Linoff, GS., (2004), ”Data Mining Techniques : for Marketing, Sales, and Customer Relationship Management”, Wiley Publishing, Inc. Fayyad, U., Piatetsky-Saphiro, G., Smyth, P., (1996), “From Data Mining to Knowledge Discovery in Databases”, American Association of Artificial Intelligence. Guo, Y., Shao, Z., Hua, N., (2009), “ A Hierarchical Text Clustering Algorithm with Cognitive Situation Dimensions”, International Workshop on Knowledge Discovery and Data Mining, IEEE Computer Society. Hatonen, Kimmo, (2009), “Data Mining for Telecommunication Network Log Analysis”, Department of Computer Science Series of Publications A Report, University of Helsinki, Finland Johnson, D.,(1992), ”NOC Internal Integrated Trouble Ticket System Functional Specification Wishlist”, NOC TT Requirements, RFC 1297 Kou, G., peng, Y., (2009), ” A New Hierarchical Document Clustering Method”, International Joint Conference on INC, IMS and IDC, IEEE Computer Society.

ISBN : 978-602-97491-4-4 A-51-6


Lewis, L., Dreo, G., (1993), “Extending Trouble Ticket Systems to Fault Diagnostics”, IEEE Network Liddy, E., Symonenko, S., Rowe, S., (2006), ”SubLanguage Analysis Applied to Trouble Ticket”, Center of Natural Language Processing, Syracuse University. Marlow, D., (2004), “Investigating Technical Trouble Ticket : An Analysis of a Homely CMC Genre”, Proceeding of the 37th Hawaii International Conference on System Sciences, IEEE Medem A., Akodjenou, M., Teixeira, R., (2008), “TroubleMiner : Mining Network Trouble Ticket”, Laboratooire d’Informatique de Paris 6 Pandi, Z., (2005), “Analysis of Public Trouble Ticket Data”, Technical Report, Dept. of Telecommunication, Budapest University of Technology and Economics Sanchez, D., Martin-Bautista, MJ., Blanco, I., (2008), “Text Knowledge Mining : An Alternative to Text Data Mining”, IEEE International Conference on Data Mining Workshop. Santosa, B., (2007), “Data Mining : Teknik Pemanfaatan Data untuk Bisnis, Teori dan Aplikasi”, Graha Ilmu, Yogyakarta. Santosa, B., (2007), “Data Mining Terapan dengan Matlab”, Graha Ilmu, Yogyakarta Telkom, (2005), ”Integrated Customer Care Product Owner dan Delivery Channel”, Keputusan Direksi Telkom No. 27/YN.000/UTA-00/2005 tanggal 26 Agustus 2005 Temprado, Y., Garcia, C., Molinero, FJ., Gomez, J., (2008), “Knowledge Discovery from Trouble Ticketing Reports in a large Telecommunication Company”, IEEE Computer Society. Thearling, K., (1999), “An Introduction of Data Mining”, Direct Marketing Magazine, Feb 1999 Olson, D., Shi, Y., (2007), “Introductionn to Business Data Mining”, McGraw-Hill Companies, Inc. Weiss, GM., (1998), “Data Mining in Telecommunications”, Department of Computer and Information Science, Fordham University.

ISBN : 978-602-97491-4-4 A-51-7

PENERAPAN TEXT MINING PADA TELKOM TROUBLE TICKET ONLINE UNTUK MENINGKATKAN KUALITAS PELAYANAN DI TELKOM JAWA TIMUR

Recommend Documents