Deteksi Akar Masalah Jaringan Bufferbloat Menggunakan Convolutional Neural Network Berbasis Flow Jaringan

ABDULLAH, HISYAM RAYYANOV (2026) Deteksi Akar Masalah Jaringan Bufferbloat Menggunakan Convolutional Neural Network Berbasis Flow Jaringan. Skripsi thesis, UPN Veteran Yogyakarta.

	Text 123220120_Cover - Ibam Hisyam.pdf Download (698kB)
	Text 123220120_Abstrak - Ibam Hisyam.pdf Download (238kB)
	Text 123220120_Halaman Pengesahan - Ibam Hisyam.pdf Download (375kB)
	Text 123220120_Daftar Isi - Ibam Hisyam.pdf Download (232kB)
	Text 123220120_Daftar Pustaka - Ibam Hisyam.pdf Download (187kB)
	Text 123220120_Fulltext - Ibam Hisyam.pdf Restricted to Repository staff only Download (2MB)

Abstract

Bufferbloat merupakan salah satu permasalahan performa jaringan yang terjadi akibat penumpukan paket secara berlebihan pada buffer perangkat jaringan, sehingga menyebabkan peningkatan latency atau Round Trip Time (RTT) secara konsisten meskipun tidak selalu disertai packet loss yang signifikan. Deteksi bufferbloat umumnya masih dilakukan menggunakan pendekatan berbasis aturan yang membandingkan nilai RTT terhadap estimasi delay minimum jaringan, namun pendekatan ini memiliki keterbatasan dalam menangkap pola trafik jaringan yang kompleks dan dinamis. Penelitian ini mengusulkan pendekatan berbasis machine learning menggunakan Convolutional Neural Network satu dimensi (CNN 1D) untuk mendeteksi akar masalah bufferbloat berdasarkan data packet capture (PCAP).
Penelitian ini menggunakan dataset HIKARI-2021 dalam format PCAP. Data diproses melalui pembentukan flow berdasarkan 4-tuple, identifikasi flight, perhitungan RTT, estimasi RTprop, dan pelabelan kondisi Normal/Bufferbloat menggunakan metode EVA. Setiap flight diekstraksi menjadi lima fitur sekuensial (payload_size, window_size, TCP flags, inter-arrival time, dan direction), dinormalisasi menggunakan StandardScaler, dan direpresentasikan sebagai matriks 80×5 sebagai input model CNN 1D. Prediksi pada tingkat flight kemudian diagregasi ke tingkat flow menggunakan majority voting.
Model CNN 1D terbaik diperoleh pada konfigurasi Custom-C (dua lapisan Conv1D 64 dan 128 filter, kernel size 3, dense layer 64, dropout 0,3, batch size 32, learning rate 0,001). Pada tingkat flight, model memperoleh accuracy 78%, precision Bufferbloat 67%, recall Bufferbloat 85%, dan F1-score Bufferbloat 75%. Setelah agregasi ke tingkat flow, sistem memperoleh accuracy 84%, precision Bufferbloat Flow 75%, recall Bufferbloat Flow 85%, dan F1-score Bufferbloat Flow 80%. Hasil ini menunjukkan bahwa CNN 1D mampu mempelajari pola temporal paket TCP untuk mendeteksi kondisi bufferbloat secara otomatis. Kontribusi penelitian ini adalah pipeline deteksi bufferbloat berbasis PCAP yang memadukan pelabelan EVA, representasi fitur sekuensial tingkat flight, model CNN 1D, dan agregasi hasil prediksi ke tingkat flow.

Item Type:	Tugas Akhir (Skripsi)
Uncontrolled Keywords:	Bufferbloat, CNN 1D, EVA, PCAP, Flow Jaringan
Subjek:	Q Science > QA Mathematics > QA75 Electronic computers. Computer science
Divisions:	Fakultas Teknik Industri > (S1) Informatika
Depositing User:	UPA Perpustakaan
Date Deposited:	12 Nov 2026 03:28
Last Modified:	12 Nov 2026 03:28
URI:	http://eprints.upnyk.ac.id/id/eprint/50380

Actions (login required)

View Item