PENERAPAN METODE DEEP LEARNING DALAM MEMPREDIKSI PACKET LOSS RATIO PADA JARINGAN TELEKOMUNIKASI UNTUK MENINGKATKAN KUALITAS LAYANAN (STUDI KASUS: TELKOMSEL LAMPUNG)

Firdiyyah, Aisyah Wardah and Hasibuan, M. Said (2025) PENERAPAN METODE DEEP LEARNING DALAM MEMPREDIKSI PACKET LOSS RATIO PADA JARINGAN TELEKOMUNIKASI UNTUK MENINGKATKAN KUALITAS LAYANAN (STUDI KASUS: TELKOMSEL LAMPUNG). Skripsi thesis, Institut Informatika dan Bisnis Darmajaya.

	Text COVER.pdf Download (173kB)
	Text LEMBAR PERNYATAAN.pdf Download (284kB)
	Text LEMBAR PERSETUJUAN.pdf Download (195kB)
	Text LEMBAR PENGESAHAN.pdf Download (198kB)
	Text ABSTRACK.pdf Download (238kB)
	Text DAFTAR ISI.pdf Download (240kB)
	Text BAB 1.pdf Download (240kB)
	Text BAB 2.pdf Download (579kB)
	Text BAB 3.pdf Download (587kB)
	Text BAB 4.pdf Download (1MB)
	Text BAB 5.pdf Download (236kB)
	Text DAFTAR PUSTAKA.pdf Download (180kB)
	Text LAMPIRAN.pdf Download (670kB)

Abstract

Kualitas Layanan (Quality of Service/QoS) merupakan aspek krusial dalam menjaga pengalaman pengguna pada jaringan telekomunikasi. Salah satu metrik utama QoS adalah Packet Loss Ratio (PLR), yang menunjukkan persentase paket data yang hilang selama proses transmisi. Lonjakan PLR dapat mengganggu layanan real-time seperti video streaming dan panggilan suara, sehingga diperlukan mekanisme prediksi dini untuk mencegah penurunan kualitas layanan. Penelitian ini bertujuan untuk memprediksi lonjakan PLR pada jaringan Telkomsel di Bandar Lampung menggunakan metode Deep Learning berbasis Long Short-Term Memory (LSTM) dengan data deret waktu (time series) periode Maret–Desember 2024. Data yang digunakan meliputi variabel PLR, Delay, Jitter, serta variabel waktu sebagai fitur prediktif. Tahapan penelitian mencakup pembersihan data, rekayasa fitur, normalisasi, pembentukan sekuens data time series, dan penanganan ketidakseimbangan kelas menggunakan class weight untuk meningkatkan sensitivitas model terhadap kelas lonjakan. Hasil pengujian menunjukkan bahwa model LSTM mampu mengenali sebagian besar kejadian lonjakan PLR dengan nilai recall sebesar 81,66%, meskipun precision masih relatif rendah akibat meningkatnya prediksi positif palsu. Penelitian selanjutnya disarankan untuk menggunakan rentang data yang lebih panjang dan jumlah data yang lebih besar, sehingga variasi pola PLR, termasuk pola musiman dan kejadian lonjakan yang jarang, dapat terwakili dengan lebih baik dan pada akhirnya meningkatkan kinerja serta keandalan sistem prediksi lonjakan PLR.

Item Type:	Thesis (Skripsi)
Subjects:	Ilmu Komputer eSkripsi
Divisions:	Skripsi/TA & PKPM/KP - Fakultas Ilmu Komputer > Teknik Informatika
Depositing User:	Aisyah Wardah Firdiyyah
Date Deposited:	09 Dec 2025 02:19
Last Modified:	09 Dec 2025 02:19
URI:	http://repo.darmajaya.ac.id/id/eprint/23362

Actions (login required)

View Item