Klasifikasi Kemacetan Trafik Jaringan pada Jaringan Komputer Menggunakan Model Random Forest

Darrel Heko Adi Nugroho, Aloysius Jonathan (2025) Klasifikasi Kemacetan Trafik Jaringan pada Jaringan Komputer Menggunakan Model Random Forest. Bachelor Thesis thesis, Universitas Multimedia Nusantara.

	PDF HALAMAN_AWAL.pdf Download (1MB)
	PDF BAB_I.pdf Download (226kB)
	PDF BAB_II.pdf Download (675kB)
	PDF BAB_III.pdf Download (361kB)
	PDF BAB_IV.pdf Restricted to Registered users only Download (562kB)
	PDF BAB_V.pdf Download (211kB)
	PDF DAFTAR_PUSTAKA.pdf Download (240kB)
	PDF LAMPIRAN.pdf Restricted to Registered users only Download (395kB)

Abstract

Kemacetan jaringan (network congestion) merupakan masalah utama dalam komunikasi data yang menurunkan QoS akibat throughput rendah, latensi tinggi, dan packet loss. Kemacetan trafik jaringan (network congestion) merupakan masalah kritis dalam komunikasi data yang tidak hanya menurunkan Quality of Service (QoS), tetapi juga berpotensi menyebabkan: (1) bottleneck infrastruktur yang memperparah latency, (2) degradasi pengalaman pengguna (user experience) pada aplikasi real-time seperti video conference dan streaming, serta (3) pemborosan sumber daya jaringan akibat paket retransmission yang mencapai 40% saat throughput turun di bawah threshold kritis. Sehingga hal terburuk yang dapat terjadi adalah, kemacetan berkelanjutan dapat memicu network collapse akibat buffer overflow pada perangkat jaringan. Penelitian ini membangun model klasifikasi berbasis Random Forest menggunakan parameter jaringan seperti latency, jitter, dan throughput. Model ini dirancang untuk dapat mengklasifikasikan kemacetan guna optimasi manajemen jaringan. Dataset dari Kaggle diproses melalui tahap pra-pemrosesan, rekayasa fitur, dan normalisasi. Model dievaluasi dengan dua skema pembagian data (60/20/20 dan 80/20) tanpa SMOTE, serta dikalibrasi menggunakan CalibratedClassifierCV dan threshold tuning. Hasil menunjukkan model 60/20/20 mencapai akurasi 99,5% (F1- score 0,995), sedangkan model 80/20 mencapai akurasi 100% (F1-score 1,00). Validasi 5-Fold Cross Validation mengonfirmasi stabilitas model dengan F1-score rata-rata 98,42%. Saran pengembangan meliputi pengujian pada dataset lebih beragam, pemeriksaan kualitas data, dan eksplorasi integrasi dengan deep learning. Implementasi model ini berpotensi mendukung sistem monitoring jaringan otomatis di masa depan.

Item Type:	Thesis (Bachelor Thesis)
Keywords:	Kemacetan Trafik Jaringan, Klasifikasi, Machine Learning, Quality of Service, Random Forest
Divisions:	Faculty of Engineering & Informatics > Informatics
SWORD Depositor:	Administrator UMN Library
Depositing User:	Administrator UMN Library
Date Deposited:	20 Aug 2025 11:05
Last Modified:	20 Aug 2025 11:05
URI:	https://kc.umn.ac.id/id/eprint/40007

Actions (login required)

View Item