Perpustakaan Digital ITB

Pertumbuhan pesat pengguna internet dan perangkat seluler menyebabkan peningkatan signifikan terhadap beban trafik data jaringan. Hal ini menimbulkan tantangan besar dalam hal perencanaan kapasitas dan pengelolaan sumber daya jaringan yang efisien. Salah satu solusi untuk mengantisipasi fluktuasi beban jaringan secara proaktif adalah melalui penerapan metode prediksi berbasis machine learning. Dalam penelitian ini, digunakan sembilan model prediksi yang diklasifikasikan ke dalam tiga kategori utama, yaitu model statistik tradisional, machine learning klasik, dan deep learning. Pada percobaan pertama yang berfokus pada prediksi trafik data jaringan, model extreme gradient boosting (XGBoost) berbasis regresi multivariat menunjukkan performa terbaik dengan nilai mean absolute error (MAE) = 0.1630, mean square error (MSE) = 0.0595, root mean square error (RMSE) = 0.2440, dan r-squared (R2) = 0.9938. Hasil ini mengindikasikan bahwa model mampu menangkap pola non-linear yang kompleks secara efektif dengan tingkat kesalahan yang sangat rendah. Pada percobaan kedua yang menitikberatkan pada prediksi throughput jaringan, model Stacked Ensemble Learning dengan Random Forest dan Gradient Boosting sebagai model dasar, serta Linear Regression sebagai meta model, memberikan hasil terbaik dengan MAE = 0.8738, RMSE = 1.4707, dan R2 = 0.9539. Model ini sedikit lebih unggul dibanding Transformer (R2 = 0.9531) dan XGBoost berbasis multivariat dan time series (R2 = 0.9387), serta secara signifikan mengungguli pendekatan deep learning seperti long short-term memory (LSTM) (R2 = 0.9328) dan Hybrid Attention-LSTM (R2 = 0.9142). Secara keseluruhan, XGBoost merupakan model paling andal untuk prediksi trafik data, sementara Stacked Ensemble Learning menjadi pilihan terbaik untuk prediksi throughput jaringan. Hasil ini diharapkan dapat membantu operator jaringan dalam melakukan perencanaan kapasitas, alokasi sumber daya, serta manajemen kualitas layanan secara lebih adaptif, efisien, dan proaktif. Penelitian ini juga memberikan kontribusi dalam mengintegrasikan teknik pemodelan modern dengan kebutuhan nyata dalam pengelolaan jaringan seluler.