Perpustakaan Digital ITB

Pertumbuhan pengguna internet di Indonesia menuntun peningkatan pada infrastruktur jaringan telekomunikasi, menuntut peningkatan kualitas layanan (QoS) yang berkelanjutan. Tantangan utama yang dihadapi oleh penyedia layanan adalah melakukan ekspansi kapasitas jaringan secara efektif tanpa menimbulkan inefisiensi alokasi Capital Expenditure (CapEx). Perencanaan investasi yang tidak tepat dapat mengakibatkan pemborosan sumber daya yang berdampak negatif pada profitabilitas dan kepuasan pelanggan. Oleh karena itu, diperlukan sebuah pendekatan proaktif berbasis data untuk memprediksi kebutuhan infrastruktur di masa depan. Penelitian ini menerapkan model deep learning Gated Recurrent Unit (GRU) untuk melakukan prediksi terhadap utilisasi port pada jaringan telekomunikasi. Model ini mempelajari pola kompleks dari data historis. Kinerja dan akurasi model dievaluasi secara kuantitatif menggunakan empat metrik standar, yaitu Mean Squared Error (MSE), Mean Absolute Error (MAE), Mean Absolute Percentage Error (MAPE), dan koefisien determinasi (R2). Hasil evaluasi menunjukkan bahwa model GRU yang dikembangkan memiliki performa prediksi yang sangat tinggi dan tingkat kesalahan yang rendah. Hal ini dibuktikan dengan perolehan nilai MSE sebesar 0,2774, MAE sebesar 0,1437, dan MAPE sebesar 0,2816. Lebih lanjut, nilai R2 yang mencapai 0,9545 mengindikasikan bahwa model mampu menjelaskan 95,45% variabilitas data utilisasi port, yang menegaskan keandalannya dalam menangkap dinamika lalu lintas jaringan. Kesimpulannya, Gated Recurrent Unit (GRU) efektif untuk melakukan prediksi utilisasi port, memberikan implikasi praktis sebagai alat bantu presisi untuk perencanaan CapEx dan kapasitas. Potensi analisis juga dapat ditingkatkan dengan mengintegrasikan hasil prediksi dan indikator sosio-ekonomi, guna meningkatkan efisiensi serta profitabilitas perusahaan.