Perpustakaan Digital ITB

Jaringan 5G membutuhkan sistem pengelolaan trafik yang mampu secara akurat mengklasifikasikan berbagai jenis trafik aplikasi dan layanan. Sistem klasifikasi berbasis perilaku protokol sering gagal menangani kompleksitas ini, menurunkan kinerja jaringan dan pengalaman pengguna. Untuk mengatasi masalah ini, penulis merancang sistem klasifikasi trafik jaringan 5G menggunakan metode stacking machine learning untuk meningkatkan akurasi dan efisiensi klasifikasi trafik. Dalam hal ini, metode machine learning yang digunakan adalah metode stacking machine learning yang terdiri dari kNN (k-Nearest Neighbor) & SVM (Support Vector Machine), serta stacking machine learning yang terdiri kNN (k-Nearest Neighbor), SVM (Support Vector Machine), dan Random Forest . Kedua stacking machine learning tersebut kemudian akan di-trained dengan menggunakan data yang diperoleh dari network monitoring tools agar menghasilkan satu kesatuan sistem berupa sistem klasifikasi jenis traffic 5G yang ditampilkan pada website melalui suatu interactive dashboard. Pada website tersebut, pengguna dapat memilih jika hanya ingin melihat visualisasi mengenai klasifikasi trafik data atau menggunakan website tersebut untuk sebagai tools untuk melihat hasil klasifikasi traffic 5G menggunakan data network traffic milik pengguna yang di-upload ke website. Hasil klasifikasi traffic yang ditampilkan oleh sistem yang dirancang adalah traffic network dari video, game, dan voice. Pengujian yang dilakukan terhadap masing-masing model stacking machine learning menampilkan bahwa akurasi yang diperoleh untuk setiap model sebesar 99.9%, sehingga sistem ini berhasil mengoptimalkan pengelompokan traffic berdasarkan karakteristiknya.