Prediksi Penggunaan Bandwidth Jaringan Internet dengan Machine Learning Pada Sebuah Bank

Oleh Pratama Putra, Sukma Wijaya, Zahid Abdurrahman Wirahaditenaya, Riyanto Jayadi dan Tuga Mauritsius

Saat ini, peran jaringan internet di perusahaan sangat besar. Operasional perusahaan tidak lepas dari jaringan internet. Dalam dunia perbankan, internet juga sangat dibutuhkan. Kebutuhan internet ini juga terjadi pada PT. Bank ABC, salah satu bank swasta di Indonesia dengan banyak kantor cabang yang tersebar di seluruh Indonesia dan akan terus membuka kantor cabang di lokasi lain. Untuk mendukung operasional PT. Bank ABC sangat bergantung pada jaringan internet. Jaringan internet ini disediakan oleh penyedia layanan mitra yang telah bermitra.

Permasalahannya adalah tidak sesuainya bandwidth yang disediakan dengan kebutuhan bandwidth yang sebenarnya sehingga terjadi penurunan kecepatan jaringan karena bandwidth yang disewakan sudah penuh, tidak mampu menampung kebutuhan trafik data yang terjadi. Jika itu terjadi, PT. Bank ABC wajib melakukan upgrade bandwidth melalui service provider dengan beberapa tahapan yang harus dilalui hingga bandwidth dapat diupgrade sesuai permintaan. Tahapan ini membutuhkan waktu hingga beberapa hari kerja untuk proses administrasi, baik dari pihak PT. Bank ABC dan penyedia jasa, sedangkan operasional cabang terkait harus selalu tetap berjalan dengan kondisi yang ada. Kondisi ini membuat kualitas pelayanan kepada pelanggan terganggu. Jika bandwidth yang diberikan melebihi kebutuhan sebenarnya maka akan menjadi tidak efisien karena bandwidth akan menjadi idle dan tidak terpakai.

Untuk mengukur kebutuhan bandwidth dan menjaga kualitas koneksi yang digunakan oleh PT. Cabang baru Bank ABC, diperlukan analisis melalui data kebutuhan bandwidth dari kantor cabang PT. Bank ABC saat ini sudah tersedia, sehingga diharapkan manajemen tidak salah dalam memberikan kapasitas bandwidth jaringan pada setiap koneksi yang ada. Karena jika bandwidth yang diberikan terlalu kecil akan mengganggu kestabilan koneksi cabang, namun jika bandwidth yang diberikan terlalu besar akan menjadi tidak efisien. Data ini akan dianalisa untuk menentukan kebutuhan bandwidth yang akan digunakan pada suatu saluran (cabang) nantinya untuk mendukung operasional yang maksimal.

Metode data mining dilakukan dengan menggunakan teknik prediksi menggunakan tiga algoritma yaitu Deep Learning, Generalized Linear Model dan K-Nearest Neighbors yang masing-masing diuji menggunakan model data split dan cross-validation. Dari penelitian ini didapatkan bahwa optimalisasi kebutuhan bandwidth di kantor cabang PT. Bank ABC dapat dilakukan dengan menggunakan data mining. Dari beberapa algoritma yang digunakan, algoritma Generalized Linear Model memiliki hasil yang paling baik. Model cross-validation adalah yang terbaik karena memiliki nilai root mean square error sebesar 0,465 +/- 0,203 dibandingkan dengan 0,643 +/- 0,000 pada model split data.
Dengan menerapkan sistem ini, PT. Bank ABC dapat meminimalkan kesalahan dalam menentukan kebutuhan bandwidth kantor cabang sehingga masalah lalu lintas penuh tidak mengganggu operasional cabang tersebut.

Juga, memberikan bandwidth cabang yang terlalu besar dapat dihindari. Dari hasil nilai prediksi penggunaan bandwidth, manajemen akan mampu memberikan kapasitas bandwidth 1 level di atas nilai prediksi dalam kelipatan 128kbps, 256, 512, 1024 atau 2048 kbps. Selain itu, penelitian ini membuktikan bahwa data mining bermanfaat dan dapat diandalkan, salah satunya memprediksi banyak hal. Pengelolaan data diperlukan untuk mengumpulkan data yang telah tersedia tanpa kita sadari selama ini untuk dijadikan bahan analisis guna memperkuat sesuatu yang akan kita prediksi.

Selengkapnya di https://doi.org/10.1109/Comnetsat50391.2020.9328970