PLN Icon Plus, sebagai entitas pendukung distribusi listrik nasional di bawah PT PLN (Persero), menyediakan layanan jaringan dan sistem pelaporan gangguan berbasis tiket untuk memantau serta menangani kendala jaringan. Tingginya volume tiket gangguan yang masuk setiap bulan menimbulkan tantangan dalam proses pengelompokan manual yang berpotensi memperlambat respons penanganan. Berdasarkan data historis tahun pada bulan Januari- Desember 2024, tercatat sebanyak 1.804 tiket gangguan jaringan di PLN Icon Plus Gandul, dengan variasi kategori meliputi FOC, FOT, Power Supply, Wiring, Software, dan Other. Jumlah yang besar dan keragaman kategori tersebut menunjukkan perlunya penerapan metode klasifikasi otomatis yang mampu membantu perusahaan dalam mempercepat proses analisis data gangguan. Penelitian ini bertujuan untuk menerapkan algoritma Naïve Bayes sebagai metode klasifikasi otomatis terhadap data tiket gangguan jaringan PLN berdasarkan jenis gangguan yang paling sering muncul. Proses penelitian mengikuti tahapan CRISP-DM, yang mencakup pemahaman konteks bisnis, eksplorasi dan pembersihan data, pemodelan, serta evaluasi menggunakan confusion matrix. Dataset yang digunakan terdiri dari 1.804 tiket gangguan tahun 2024 dari PLN Icon Plus Gandul, yang telah diproses melalui label encoding dan pembagian data latih dan uji. Hasil klasifikasi menunjukkan bahwa model Naïve Bayes mampu memberikan performa tinggi dalam mengenali enam kategori gangguan, yaitu FOC, FOT, Power Supply, Wiring, Software, dan Other. Kategori FOC menunjukkan akurasi terbaik, sedangkan kategori Software memiliki nilai recall yang rendah akibat ketidakseimbangan jumlah data. Secara keseluruhan, algoritma Naïve Bayes dinilai efisien untuk mempercepat proses klasifikasi tiket gangguan dan memiliki potensi untuk diterapkan lebih lanjut dalam sistem klasifikasi otomatis PLN, sehingga dapat mendukung peningkatan kualitas layanan kepada pelanggan.

PLN Icon Plus, as a national electricity distribution support entity under PT PLN (Persero), provides network services and a ticket-based disruption reporting system to monitor and address network issues. The high volume of disruption tickets received each month poses challenges in the manual grouping process, potentially slowing down the handling response. Based on historical data from January to December 2024, there were 1,804 network disruption tickets recorded at PLN Icon Plus Gandul, with various categories including FOC, FOT, Power Supply, Wiring, Software, and Other. The large number and diversity of categories indicate the need for an automated classification method that can help the company accelerate the disruption data analysis process. This study aims to apply the Naïve Bayes algorithm as an automated classification method for PLN network disruption ticket data based on the most frequently occurring disruption types. The research process follows the CRISP-DM stages, which include understanding the business context, data exploration and cleaning, modeling, and evaluation using a confusion matrix. The dataset used consists of 1,804 disruption tickets from 2024 from PLN Icon Plus Gandul, which have been processed through label encoding and the division of training and test data. The classification results show that the Naïve Bayes model is capable of high performance in recognizing six fault categories: FOC, FOT, Power Supply, Wiring, Software, and Other. The FOC category demonstrated the best accuracy, while the Software category had a low recall value due to the imbalance in the data volume. Overall, the Naïve Bayes algorithm is considered efficient in accelerating the fault ticket classification process and has the potential for further application in PLN's automated classification system, thereby supporting improved service quality for customers.