ANALISIS DAN REKOMENDA SI AREA PENGEMBANGAN PEMBANGUNAN INFRASTRU KTUR ICONNET BERBASIS MACHINE LEARNING (Studi Kasus : Kabupaten Bandung) TESIS Karya tulis sebagai salah satu syarat untuk memperoleh gelar Magister dari Institut Teknologi Bandung Oleh RIZKI NOVITRI SUSANTI SETIA PUTRI NIM: 20922314 (Program Studi Magister Sains Komputasi) INSTITUT TEKNOLOGI BANDUNG Desember 2024 ii ABSTRAK ANALISIS DAN REKOMENDA SI AREA PENGEMBANGAN PEMBANGUNAN INFRASTRU KTUR ICONNET BERBASIS MACHINE LEARNING (Studi Kasus : Kabupaten Bandung) Oleh Rizki Novitri Susanti Setia Putri NIM: 20922314 (Program Studi Magister Sains Komputasi) ICONNET merupakan salah satu produk layanan jaringan internet Fiber to the home (FTTH) milik PLN Icon Plus. Saat ini sedang melakukan pengembangan distribusi jaringan internet secara merata di wilayah Jawa Barat. Kabupaten Bandung memiliki tingkat kepadatan penduduk yang tinggi menghadapi tantangan besar dalam memenuhi kebutuhan infrastruktur digital yang terus meningkat. Tingginya tingkat kepadatan penduduk di wilayah ini menambah kompleksitas permasalahan terkait pemerataan infrastruktur. Media transmisi yang digunakan adalah fiber optik, yang meskipun memiliki biaya investasi tinggi, menawarkan keunggulan signifikan seperti kapasitas bandwidth yang besar dan kemampuan transmisi data berkecepatan tinggi, sehingga memberikan nilai investasi yang sebanding. Oleh karena itu, diperlukan analisis rekomendasi area untuk pengembangan pembangunan infrastruktur yang komprehensif untuk mendukung investasi tersebut agar memberikan keuntungan bagi perusahaan. Penelitian ini menggunakan kerangka kerja Cross-Industry Standard Process for Data Mining (CRISP-DM) dan memanfaatkan dataset dari berbagai sumber, seperti Badan Pusat Statistik (BPS), PT PLN (Persero), dan PLN Icon Plus. Keragaman dataset dengan berbagai fitur dan dimensi menjadi tantangan utama, sehingga digunakan metode reduksi dimensi seperti Variational Autoencoder (VAE) dan Principal Component Analysis (PCA) untuk mengatasi masalah ini. Analisis dilakukan dengan menerapkan algoritma clustering K-Means dan DBSCAN untuk segmentasi wilayah, serta K- Nearest Neighbor (KNN) untuk memprediksi kebutuhan bandwidth. Kata kunci: FTTH, ICONNET, CRISP-DM, Clustering, Machine learning. iii ABSTRACT MACHINE LEARNING-BASED ANALYSIS AND RECOMMENDATIONS FOR ICONNET INFRASTRUCTURE DEVELOPMENT AREAS (Case Study : Bandung regency) By Rizki Novitri Susanti Setia Putri NIM: 20922314 (Program Studi Magister Sains Komputasi) ICONNET is a Fiber to the home (FTTH) internet service provided by PLN Icon Plus, currently focusing on expanding its network distribution evenly across the West Java region. Bandung Regency, a densely populated area in this province, faces significant challenges in meeting the increasing demand for digital infrastructure. The high population density further complicates the issue of infrastructure distribution. The transmission medium used, fiber optik, despite its high investment cost, offers significant advantages such as large bandwidth capacity and high-speed data transmission, making it a worthwhile investment. Therefore, a comprehensive area recommendation analysis is required to support infrastructure development investments and ensure profitability for the company. This study utilizes datasets from various sources, including the Central Bureau of Statistics (BPS), PT PLN (Persero), and PLN Icon Plus. This study employs the Cross-Industry Standard Process for Data Mining (CRISP-DM) framework and utilizes datasets from various sources, such as the Central Bureau of Statistics (BPS), PT PLN (Persero), and PLN Icon Plus. The diversity of datasets with varying features and dimensions poses a significant challenge, which is addressed by using dimensionality reduction techniques such as Variational Autoencoder (VAE) and Principal Component Analysis (PCA). The analysis incorporates clustering algorithms like K-Means and DBSCAN for regional segmentation, as well as K-Nearest Neighbor (KNN) for predicting bandwidth requirements. Keywords: FTTH, ICONNET,CRISP-DM Clustering, Machine learning. v PEDOMAN PENGGUNAAN TESIS Tesis Magister yang tidak dipublikasikan terdaftar dan tersedia di Perpustakaan Institut Teknologi Bandung, dan terbuka untuk umum dengan ketentuan bahwa hak cipta ada pada penulis dengan mengikuti aturan HaKI yang berlaku di Institut Teknologi Bandung. Referensi kepustakaan diperkenankan dicatat, tetapi pengutipan atau peringkasan hanya dapat dilakukan seizin penulis dan harus disertai dengan kaidah ilmiah untuk menyebutkan sumbernya. Sitasi hasil penelitian Tesis ini dapat di tulis dalam bahasa Indonesia sebagai berikut: Setia Putri, R.N.S. (2024): Analisis Dan Rekomendasi Area Pengembangan Pembangunan Infrastruktur Iconnet Berbasis Machine learning (Studi Kasus : Kabupaten Bandung), Tesis Program Magister, Institut Teknologi Bandung. dan dalam bahasa Inggris sebagai berikut: Setia Putri, R.N.S. (2024): Analysis and Recommendations for Iconnet Infrastructure Development Areas Using Machine learning (Case Study: Bandung Regency), Master’s Thesis , Institut Teknologi Bandung. Memperbanyak atau menerbitkan sebagian atau seluruh tesis haruslah seizin Dekan Sekolah Pascasarjana, Institut Teknologi Bandung. HALAMAN PERUNTUKAN vi Dipersembahkan kepada orang tua, suami, orang tua, adik kakak, mertua serta keluarga besarku tercinta yang senantiasa mendukung lahir dan batin. vii KATA PENGANTAR Puji syukur ke hadirat Allah SWT yang telah memberikan rahmat dan karunia-Nya sehingga saya dapat menyelesaikan penyusunan tesis yang berjudul "Analisis dan Rekomendasi Pengembangan Pembangunan Infrastruktur ICONNET Berbasis Machine learning (Studi Kasus : Kabupaten Bandung)". Penyusunan tesis ini bertujuan untuk memenuhi salah satu syarat memperoleh gelar Magister di Program Studi Sains Komputansi, Institut Teknologi Bandung. Dalam kesempatan ini, saya ingin menyampaikan rasa terima kasih yang sebesar-besarnya kepada semua pihak yang telah memberikan bantuan dan dukungan selama proses penyusunan tesis ini, antara lain: 1. Dr. Irsyad Nashirul Haq. S.T. M.T. selaku pembimbing utama yang telah memberikan bimbingan, arahan, dan motivasi dalam setiap tahapan penyusunan tesis ini. 2. Bapak Sigit Wicaksono, selaku Mentor dari PLN ICON PLUS yang memberikan dukungan dalam pengerjaan tesis ini. 3. Dr. Eng. Dwi Irwanto, S.Si. M.Si. M.Eng, selaku Dosen Wali penulis yang terus memberikan arahan dan motivasi dalam menyelesaikan perkuliahan mulai dari awal sampai dengan selesai. 4. Alm. Yuli Satrio dan Almh. Sustini Nuraeti, bapak dan mamah atas segala doa dan dukungannya selama beliau masih hidup. Tesis ini penulis persembahkan sebagai wujud penghormatan dan cinta untuknya yang bangga anaknya melanjutkan studi magister. 5. Yoga Restu Nugraha, suami yang telah menjadi pendamping setia dan memberi semangat hingga penyelesaian studi ini. 6. Mertua serta keluarga yang selalu memberikan dukungan moral dan doa yang tiada henti selama masa studi. 7. Seluruh Dosen Program Studi Sains Komputasi atas ilmu dan pengetahuan yang telah diberikan kepada penulis selama menempuh Pendidikan Magister di Institut Teknologi Bandung. 8. Rekan-rekan mahasiswa PBJJ ITB –PLN Batch 1 prodi Sains Komputasi dan Pengelolaan Energi Listrik yang saling mendukung dan berjuang bersama dari awal perkuliahan sampai dengan selesai. 9. Rekan-rekan pegawai PLN Icon Plus Regional SBU Jawa Barat yang telah memberi dukungan selama masa studi. 10. Semua pihak yang telah membantu dan memberi dukungan. Semoga Allah SWT membalas budi baik pada semua pihak yang telah membantu penulis dalam menyelesaikan tesis ini. Bandung, Desember 2024 Rizki Novitri Susanti Setia Putri viii DAFTAR ISI ABSTRAK .......................................................................................................... ii ABSTRACT ......................................................................................................... iii PEDOMAN PENGGUNAAN TESIS .................................................................... v KATA PENGANTAR .......................................................................................... vii DAFTAR ISI ....................................................................................................... viii DAFTAR LAMPIRAN ........................................................................................... x DAFTAR GAMBAR DAN ILUSTRASI .............................................................. xi DAFTAR TABEL ................................................................................................. xii DAFTAR SINGKATAN DAN LAMBANG ...................................................... xiii Bab I Pendahuluan ............................................................................................... 1 I.1 Latar Belakang ............................................................................................ 1 I.2 Masalah Penelitian ...................................................................................... 7 I.3 Tujuan Penelitian ........................................................................................ 8 I.4 Batasan Masalah .......................................................................................... 8 I.5 Sistematika Penulisan .................................................................................. 9 Bab II Tinjauan Pustaka ..................................................................................... 11 II.1 Landasan Teori .......................................................................................... 11 ICONNET ................................................................................................. 11 Jaringan FTTH .......................................................................................... 11 CRISP-DM ................................................................................................ 12 Algoritma Clustering ................................................................................ 13 Algoritma K-Means .................................................................................. 14 Algoritma DBSCAN ................................................................................. 14 Algoritma PCA .......................................................................................... 15 Algoritma VAE ......................................................................................... 15 Matriks Evaluasi Davies Bouldin Index ................................................... 16 Algoritma Elbow ....................................................................................... 16 Algoritma KNN ......................................................................................... 17 Algoritma AHP (Analytical Hierarchi Process) ....................................... 18 Return of Investment (ROI) ....................................................................... 19 II.2 Kerangka Pemikiran .................................................................................. 20 II.3 Tools dan Teknik Evaluasi ........................................................................ 20 Bab III Metode Penelitian .................................................................................. 25 III.1 Kontribusi Penelitian ................................................................................. 25 III.2 Metodologi Penelitian ............................................................................... 28 III.3 Bussiness Understanding .......................................................................... 30 III.4 Data Understanding .................................................................................. 30 III.5 Data Preparation ......................................................................................