Peramalan Jumlah Incident Information Technology PT XYZ Menggunakan Artificial Neural Network (ANN)

Forecasting the number of Information Technology Incidents Using Artificial Neural Network (ANN)

Peramalan adalah teknik untuk memprediksi peristiwa yang akan terjadi di masa depan dengan menggunakan data historis sebagai perbandingan. Dalam penelitian ini, peneliti mencoba untuk mengetahui kinerja metode ANN untuk peramalan jumlah insiden di PT XYZ dan membangun aplikasi untuk peramalan jumlah insiden di PT XYZ. Penelitian ini menggunakan metrik evaluasi Mean Absolute Percentage Error (MAPE) sebagai metrik evaluasi yang akan diinterpretasikan. Semakin kecil nilai MAPE, maka semakin baik arsitektur modelnya. Model terbaik adalah model yang menghasilkan nilai MAPE terkecil dan tidak mengalami kondisi underfitting maupun overfitting. Berdasarkan hasil penelitian ditemukan bahwa seluruh model terbaik dari masing-masing arsitektur model menghasilkan nilai MAPE kurang dari 10 dan tidak mengalami kondisi underfitting maupun overfitting. Oleh karena itu, dapat diinterpretasikan bahwa seluruh model yang dihasilkan tergolong sangat akurat untuk digunakan sebagai model peramalan insiden di PT XYZ untuk 4 minggu kedepan. Aplikasi peramalan jumlah insiden berbasis website yang dibuat untuk meramalkan jumlah insiden dengan periode 4 minggu kedepan menggunakan model terbaik yang telah disimpan sebelumnya juga menghasilkan nilai MAPE kurang dari 10 dan tidak mengalami kondisi underfitting dan overfitting. 

Forecasting is a technique for predicting events that will occur in the future using historical data as a comparison In this research, researchers try to determine the performance of the ANN method for forecasting the number of incidents at PT XYZ and build an application for forecasting the number of incidents at PT XYZ. This research uses the Mean Absolute Percentage Error (MAPE) evaluation metric as the evaluation metric that will be interpreted. The smaller the MAPE value, the better the model architecture. The best model is the model that produces the smallest MAPE value and does not experience underfitting or overfitting conditions. Based on the research results, it was found that all the best models from each model architecture produced a MAPE value of less than 10 and did not experience underfitting or overfitting conditions. Therefore, it can be interpreted that all the models produced are very accurate to be used as incident forecasting models at PT XYZ for the next 4 weeks. The website-based incident forecasting application created to predict the number of incidents for the next 4 weeks using the best model that has been previously saved also produces a MAPE value of less than 10 and does not experience underfitting and overfitting conditions.