Perpustakaan Digital ITB

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.