Perkembangan internet menimbulkan banyaknya perusahaan yang mengandalkan
servis melalui web, sehingga manajemen beban pada server menjadi masalah yang
sangat penting. Permintaan ke suatu server yang berlebih akan menimbulkan
masalah server overload sehingga server menjadi down. Salah satu cara yang
dapat dilakukan untuk mencegah masalah ini adalah dengan melakukan prakiraan
banyaknya permintaan ke suatu server. Permintaan ke suatu server ini dapat
direpresentasikan sebagai permintaan ke suatu laman, dimana masalah ini dapat
dimodelkan menjadi masalah dalam graf dimana tiap laman diasumsikan menjadi
suatu titik dalam graf. Oleh karena struktur graf ini, sebuah keluarga algoritma
pembelajaran mendalam bernama graph neural networks dapat digunakan, yang
dimana pada Tugas Akhir ini akan digunakan model spatio-temporal graph convolutional
networks (STGCN). Model ini menggunakan operasi konvolusi pada
graf untuk mengekstrak fitur spasial dan menggunakan CNN untuk mengekstrak
fitur temporal. Dalam Tugas Akhir ini, data Wikipedia berbahasa Jepang akan
digunakan. Model STGCN akan dibandingkan dengan model - model lainnya
seperti SARIMA yang merupakan model berbasis statistik, LSTM yang merupakan
model pembelajaran mendalam yang biasa digunakan untuk memodelkan data deret
waktu, dan juga model CLTFP yang menggunakan CNN untuk mengekstrak fitur
spasial dan LSTM untuk mengekstrak fitur temporal. Model STGCN mendapatkan
hasil yang paling baik dalam masalah prediksi jarak jauh dengan MAE senilai 980
dan juga MAPE senilai 0.37 untuk tiap hari prediksi, dan juga model ini mencapai
hasil yang paling baik diantara semua model pembelajaran mendalam pada masalah
prediksi jarak dekat dengan MAE senilai 950 dan MAPE senilai 0.371.