Manajemen Bandwidth Berdasarkan Prediksi Perilaku Pengguna Pada Jaringan TCP/IP Dengan Jaringan Syaraf Tiruan

Rama Beta Herdian; Lie Jasa; Linawati Linawati

doi:10.24843/MITE.2020.v19i01.P11

Rama Beta Herdian Udayana
Lie Jasa Universitas Udayana
Linawati Linawati Universitas Udayana

##plugins.pubIds.doi.readerDisplayName## https://doi.org/10.24843/MITE.2020.v19i01.P11

Abstrak

Prediksi terhadap perilaku pengguna pada jaringan TCP/IP sangat mungkin untuk dilakukan dengan cara menganalisa setiap paket data yang melalui router, kemudian mengklasifikasikannya kedalam beberapa jenis perilaku dari aktifitas yang umum dilakukan oleh pengguna internet. Prediksi terhadap perilaku pengguna yang dikembangkan menggunakan jaringan syaraf tiruan (JST), dimana dapat menunjukkan hasil yang akurat dalam memprediksi bandwitdth yang digunakan oleh pengguna dalam beberapa hari kedepan. Hasil prediksi perilaku pengguna internet menggunakan JST membantu memberikan gambaran terhadap pola perilaku pengguna dengan lebih akurat di masa depan. Administrator jaringan akan lebih mudah melakukan kontrol jaringan serta dapat membuat keputusan lebih cepat dalam menentukan koneksi yang merupakan prioritas maupun yang bukan prioritas. Penelitian yang dikembangkan menunjukkan hasil, dimana Sistem Aplikasi Pelayanan Kepegawaian(SAPK) yang menjadi prioritas perilaku pengguna internet di Kantor Regional X BKN, hanya memanfaatkan sumber daya jaringan sebesar 26,8% dari keseluruhan sumber daya jaringan internet yang ada. Hasil prediksi juga menunjukkan 40,3% sumber daya jaringan lebih banyak digunakan aktifitas streaming video dan 37% digunakan aktifitas streaming audio. Berdasarkan hasil prediksi tersebut, administrator jaringan mengatur kembali pembagian sumber daya jaringan internet dengan alokasi bandwidth setiap jenis perilaku pengguna internet yang disesuaikan dengan menerapkan pola baru dari hasil prediksi, yakni mengalokasikan sumber daya jaringan sebesar 50% untuk koneksi SAPK dan 50% sisanya dialokasikan bagi penggunaan selain SAPK. Kesimpulan dari penelitian ini menunjukkan bahwa perilaku pengguna dengan aktifitas streaming video, merupakan pengguna bandwidth terbesar dan perlu mendapatkan perhatian khusus pada jaringan internet di Kantor Regional X Badan Kepegawaian Negara.

##plugins.generic.usageStats.downloads##

##plugins.generic.usageStats.noStats##

Referensi

[1] A. Callado et al., “A Survey on Internet Traffic Identification,” IEEE Commun. Surv. Tutor., vol. 11, no. 3, pp. 37–52, rd 2009, doi: 10.1109/SURV.2009.090304.
[2] M. Hemmati, B. McCormick, and S. Shirmohammadi, “Fair and Efficient Bandwidth Allocation for Video Flows Using Sigmoidal Programming,” in 2016 IEEE International Symposium on Multimedia (ISM), Dec. 2016, pp. 226–231, doi: 10.1109/ISM.2016.0052.
[3] M. Amiri, H. Al Osman, and S. Shirmohammadi, “Game-aware bandwidth allocation for home gateways,” in 2017 15th Annual Workshop on Network and Systems Support for Games (NetGames), Jun. 2017, pp. 1–3, doi: 10.1109/NetGames.2017.7991546.
[4] A. Badea, V. Croitoru, and D. Gheorghică, “Computer networks security based on the detection of user’s behavior,” in 2015 9th International Symposium on Advanced Topics in Electrical Engineering (ATEE), May 2015, pp. 55–60, doi: 10.1109/ATEE.2015.7133679.
[5] B. Leng, J. Liu, H. Pan, S. Zhou, and Z. Niu, “Topic model based behaviour modeling and clustering analysis for wireless network users,” in 2015 21st Asia-Pacific Conference on Communications (APCC), Oct. 2015, pp. 410–415, doi: 10.1109/APCC.2015.7412547.
[6] A. Sinha, K. Mitchell, and D. Medhi, “Flow-level upstream traffic behavior in broadband access networks: DSL versus broadband fixed wireless,” Nov. 2003, pp. 135–141, doi: 10.1109/IPOM.2003.1251235.
[7] H. Marques-Neto, L. Rocha, P. Guerra, J. Almeida, W. Meira Jr, and V. Almeida, “Characterizing broadband user behavior,” Nov. 2004, doi: 10.1145/1026763.1026767.
[8] J. Ma and Y. Zhang, “Research on Trusted Evaluation Method of User Behavior Based on AHP Algorithm,” in 2015 7th International Conference on Information Technology in Medicine and Education (ITME), Nov. 2015, pp. 588–592, doi: 10.1109/ITME.2015.39.
[9] H. Harsono, M. Khambali, and A. W. Muhammad, “Klasifikasi Paket Jaringan Berbasis Analisis Statistik dan Neural Network,” J. Inform. J. Pengemb. IT, vol. 3, no. 1, pp. 67–70, Jan. 2018, doi: 10.30591/jpit.v3i1.764.
[10] Suyanto, DATA Mining untuk Klasifikasi dan Klasterisasi, 1st ed., vol. Cet. 1. Bandung: INFORMATIKA Bandung, 2017.
[11] B. Santosa, “Data mining teknik pemanfaatan data untuk keperluan bisnis,” Yogyak. Graha Ilmu, vol. 978, no. 979, p. 756, 2007.
[12] N. A. Al-Sammarraie, Y. M. H. Al-Mayali, and Y. A. Baker El-Ebiary, “Classification and diagnosis using back propagation Artificial Neural Networks (ANN),” in 2018 International Conference on Smart Computing and Electronic Enterprise (ICSCEE), Jul. 2018, pp. 1–5, doi: 10.1109/ICSCEE.2018.8538383.
[13] A. Hasim, “Prakiraan Beban Listrik Kota Pontianak Dengan Jaringan Syaraf Tiruan (Artificial Neural Network),” 2008, Accessed: Sep. 02, 2019 [Online]. Available: http://repository.ipb.ac.id/handle/123456789/41400.
[14] W. Setiawan and S. A. Asri, “APLIKASI JARINGAN SYARAF TIRUAN PERAMBATAN BALIK PADA PENGENALAN ANGKA TULISAN TANGAN,” Maj. Ilm. Teknol. Elektro, vol. 4, no. 2, Jul. 2005, Accessed: Jul. 12, 2019. [Online]. Available: https://ojs.unud.ac.id/index.php/JTE/article/view/209.
[15] “RegexOne - Learn Regular Expressions - Lesson 1: An Introduction, and the ABCs.” https://regexone.com/ (accessed Sep. 11, 2019).