Tesis Ibni Inggrianti (2025) dari ITB mengevaluasi pendekatan machine learning (ML) untuk memprediksi trafik data dan throughput pada jaringan seluler, yang penting karena pertumbuhan pesat pengguna internet. Penelitian ini membandingkan sembilan model prediksi, termasuk statistik tradisional (AR, ARMA, ARIMA, Linear Regression), ML klasik (XGBoost, Stacked Ensemble), dan deep learning (LSTM, Transformer, Hybrid Attention-LSTM). Hasilnya menunjukkan XGBoost paling andal untuk prediksi trafik data (MAE 0.1630, R² 0.9938), sementara Stacked Ensemble Learning terbaik untuk prediksi throughput (MAE 0.8738, R² 0.9539). Secara keseluruhan, ML klasik menunjukkan performa yang lebih baik dari model statistik tradisional dan deep learning dalam penelitian ini. Temuan ini diharapkan membantu operator jaringan dalam perencanaan kapasitas, alokasi sumber daya, dan manajemen kualitas layanan yang lebih adaptif dan efisien.