Sistem Prediksi Kebutuhan Bandwidth dengan Machine Learning metode Long Short Term Memory (LSTM)

Ananta Wicaksana

Internet telah menjadi kebutuhan esensial dalam berbagai aspek kehidupan, terutama di lingkungan publik seperti Malang Creative Center (MCC). Namun, pengelolaan bandwidth yang masih dilakukan secara manual di MCC menyebabkan alokasi yang tidak efisien dan berdampak pada kualitas layanan. Oleh karena itu, penelitian ini bertujuan untuk merancang sistem prediksi penggunaan bandwidth menggunakan metode Long Short Term Memory (LSTM) guna mengoptimalkan manajemen bandwidth di MCC. Metode LSTM dipilih karena kemampuannya dalam mempelajari pola data masa lalu dan memberikan prediksi yang akurat. Penelitian ini menggunakan data latih sebesar 80% dan data uji sebesar 20%, dengan konfigurasi model LSTM yang optimal terdiri dari 80 lapisan dan 100 epoch, serta optimasi menggunakan Adam. Hasil evaluasi menunjukkan tingkat akurasi prediksi sebesar 82,39%, yang menandakan bahwa model ini dapat diandalkan dalam memprediksi penggunaan bandwidth di berbagai lantai dan waktu yang telah ditentukan. Sistem yang dirancang juga memberikan rekomendasi penggunaan bandwidth yang dapat diimplementasikan pada fungsi simple queue di Mikrotik, dengan pembaruan data yang disarankan dilakukan setiap minggu. Kesimpulannya, sistem prediksi berbasis LSTM ini menawarkan solusi untuk manajemen bandwidth yang lebih tepat dan efisien di MCC. Hal ini tidak hanya menghemat biaya operasional jaringan tetapi juga meningkatkan kualitas layanan internet bagi para pengguna, mendukung aktivitas ekonomi kreatif di MCC dengan menyediakan koneksi internet yang memadai dan efisien.

© 2026 UPA Perpustakaan POLINEMAStatus LayananKebijakan PrivasiSyarat & Ketentuan

v2026.11.18.2 · ee0bb0b