![](https://digilib.itb.ac.id/assets/icon/pdf.gif)
Dokumen Asli
Terbatas  Dessy Rondang Monaomi
» Gedung UPT Perpustakaan
Terbatas  Dessy Rondang Monaomi
» Gedung UPT Perpustakaan
Dalam era komunikasi yang semakin maju, jaringan 5G membawa beberapa
kelebihan pada bidang telekomunikasi, salah satunya adalah menjanjikan koneksi
dengan kecepatan dan kapasitas data yang tinggi. Kelebihan tersebut membuat
pengelolaan trafik jaringan semakin kompleks dengan tingkat klasifikasi yang
akurat untuk optimalisasi penggunaan pada berbagai aplikasi dan layanan. Sistem
identifikasi jenis trafik berbasis protokol dan secara manual seringkali gagal
dalam menangani pengklasifikasian yang mempengaruhi kinerja jaringan, kualitas
layanan, dan pengalaman pengguna. Perancangan ini bertujuan untuk
mengembangkan sistem klasifikasi sebagai alternatif yang efektif dan efisien
menggunakan data dari network monitoring tools dengan memanfaatkan metode
individual machine learning sehingga dapat menghasilkan model klasifikasi yang
lebih akurat dan adaptif terhadap perubahan pola trafik yang dinamis.
Algoritma individual machine learning yang dikembangkan adalah Support
Vector Machine (SVM) dan k-Nearest Neighbor (kNN). Menggunakan
pendekatan data trafik 5G yang ditarik pada network monitoring tools, kedua
algoritma tersebut akan dilatih menggunakan fitur klasifikasi pada data yang telah
diproses dan menghasilkan suatu model machine learning. Kemudian, pengguna
dapat mengakses visualisai dan hasil pengujian berdasarkan pemilihan fitur
terhadap penggunaan data dan jenis machine learning sesuai yang diinginkan
melalui suatu website. Hasil pengujian menunjukkan bahwa kedua model machine
learning mampu mengklasifikasi jenis trafik dengan akurasi tinggi, yaitu sekitar
99% untuk keduanya. Sistem klasifikasi ini berpotensi diimplementasikan sebagai
solusi untuk optimasi pengelolaan jaringan 5G dan pengingkatan kualitas layanan.