PERBANDINGAN KINERJA ALGORITMA RECURRENT NEURAL NETWORK (RNN) DAN LONG SHORT-TERM MEMORY (LSTM): STUDI KASUS PREDIKSI KEMACETAN LALU LINTAS JARINGAN PT XYZ

Silmy Sephia Nurashila
Faqih Hamami
Tien Fabrianti Kusumasari


DOI: https://doi.org/10.29100/jipi.v8i3.3961

Abstract


Peningkatan perkembangan teknologi sebanding dengan peningkatan penggunaan internet. Kualitas jaringan internet di Indonesia yang masih rendah dengan peningkatan penggunaan jaringan yang terus bertambah menyebabkan kemungkinan terjadinya kemacetan jaringan lebih tinggi. Penggunaan internet yang tinggi menyebabkan seringkali terjadi kemacetan jaringan yang menyebabkan penurunan kualitas dan performa jaringan. Pada penelitian ini akan dilakukan prediksi lalu lintas jaringan. Terdapat beberapa model algoritma yang dapat digunakan untuk melakukan prediksi dan penelitian ini akan dibahas mengenai perbandingan performa dari model Long Short-Term Memory (LSTM) dan Recurrent Neural Network (RNN). Dari hasil perbadingan diperoleh bahwa LSTM memiliki nilai yang lebih tinggi dalam performa dengan mendapatkan nilai akurasi R-Squard sebesar 99.2% jika debandingkan dengan model dengan algoritma RNN yang memiliki nilai akurasi R-Squard sebesar 99,1%. Manfaat dari penelitian ini yaitu untuk menguji performa dari model LSTM dan RNN terhadap dataset PT XYZ. Penelitian ini diharapkan dapat memberikan referensi kepada pengembang model Deep Learning untuk pengembangan kedepannya agar mendapatkan hasil yang lebih baik.

Keywords


Kemacetan Jaringan; Prediksi; Deep Learning; RNN; LSTM.

Full Text:

PDF

Article Metrics :

References


M. Ngafifi, “KEMAJUAN TEKNOLOGI DAN POLA HIDUP MANUSIA DALAM PERSPEKTIF SOSIAL BUDAYA,” Sukoharjo, 2014. [Daring]. Tersedia pada: http://www.tempo.co/read/news/2010/12/23

Simon Kemp, “DATAREPORTAL,” 15 Februari 2022. https://datareportal.com/reports/digital-2022-indonesia (diakses 2 Desember 2022).

E. Harahap, “Prediksi Kemacetan pada Jaringan Komputer Menggunakan Metode Naive Bayesian Classifier,” 2012.

M. NJ, S. Sahib, N. Suryana, dan B. Hussin, “UNDERSTANDING NETWORK CONGESTION EFFECTS ON PERFORMANCE-ARTICLES REVIEW,” Journal of Theoretical and Applied Information Technology, vol. 92, no. 2, hlm. 311–321, Okt 2016, [Dar-ing]. Tersedia pada: www.jatit.org

M. E. Dodan, Q. T. Vien, dan T. T. Nguyen, “Internet Traffic Prediction Using Recurrent Neural Networks,” EAI Endorsed Transac-tions on Industrial Networks and Intelligent Systems, vol. 9, no. 4, 2022, doi: 10.4108/eetinis.v9i4.1415.

W. Jiang, “Internet traffic prediction with deep neural networks,” Internet Technology Letters, vol. 5, no. 2, Mar 2022, doi: 10.1002/itl2.314.

U. Khaira, M. Alfalah, P. Claudia Septiani Gulo, dan R. Purnomo, “Prediksi Kemunculan Titik Panas Di Lahan Gambut Provinsi Riau Menggunakan Long Short Term Memory,” vol. 5, no. 3, 2020.

Suryanto, K. N. Ramadhani, dan S. Mandala, Deep Learning Modernisasi Machine Learning untuk Big Data. Bandung: Informatika Bandung, 2019.

W. Nusalina, “Pengenalan Deep Learning : Neural Network,” https://medium.com/, 25 Juni 2019.

S. Sharma, S. Sharma, dan A. Athaiya, “ACTIVATION FUNCTIONS IN NEURAL NETWORKS,” 2020. [Daring]. Tersedia pada: http://www.ijeast.com

Y. Bai, J. Xie, C. Liu, Y. Tao, B. Zeng, dan C. Li, “Regression modeling for enterprise electricity consumption: A comparison of re-current neural network and its variants,” International Journal of Electrical Power and Energy Systems, vol. 126, Mar 2021, doi: 10.1016/j.ijepes.2020.106612.

A. Mittal, “Understanding RNN and LSTM,” https://aditi-mittal.medium.com/, 12 Oktober 2019.

O. C, “Understanding LSTM Networks,” Internet: https://colah.github.io/posts/2015-08-Understanding-LSTMs/, 2015.

Z. Shen, Y. Zhang, J. Lu, J. Xu, dan G. Xiao, “A novel time series forecasting model with deep learning,” Neurocomputing, vol. 396, hlm. 302–313, Jul 2020, doi: 10.1016/j.neucom.2018.12.084.

X. Shi dkk., “Convolutional LSTM Network: A Machine Learning Approach for Precipitation Nowcasting,” 2015.

X. Ma, Z. Tao, Y. Wang, H. Yu, dan Y. Wang, “Long short-term memory neural network for traffic speed prediction using remote microwave sensor data,” Transp Res Part C Emerg Technol, vol. 54, hlm. 187–197, Mei 2015, doi: 10.1016/j.trc.2015.03.014.

U. Azmi, Z. N. Hadi, dan S. Soraya, “ARDL METHOD: Forecasting Data Curah Hujan Harian NTB,” Jurnal Varian, vol. 3, no. 2, hlm. 73–82, Mei 2020, doi: 10.30812/varian.v3i2.627.

M. Kuncoro, Metode kuantitatif : Teori dan aplikasi untuk bisnis dan ekonomi , 4 ed. Yogyakarta: Unit Penerbit dan Percetakan, 2011.