Implementasi AI untuk Analisis Penggunaan Bandwidth
Keywords:
Analisis Bandwidth, Klasterisasi K-Means, Kecerdasan Buatan, Jaringan Komputer, Pemantauan JaringanAbstract
Meningkatnya ketergantungan terhadap layanan internet telah menyoroti pentingnya pemantauan jaringan yang efisien dan andal. Metode analisis bandwidth tradisional sering kali memerlukan upaya manual yang signifikan dan rentan terhadap kesalahan manusia, sehingga diperlukan solusi yang lebih cerdas dan otomatis. Penelitian ini bertujuan untuk mengembangkan sistem pemantauan bandwidth cerdas yang mampu menganalisis pola penggunaan jaringan secara otomatis menggunakan algoritma K-Means Clustering. Penelitian ini memanfaatkan Adaptive Bandwidth Prediction Dataset yang diperoleh dari Kaggle, yang terdiri atas 8.653 data lalu lintas jaringan dan sembilan atribut terkait jaringan. Throughput, jitter, dan actual bandwidth dipilih sebagai fitur utama dalam proses clustering. Sebelum proses clustering dilakukan, data dinormalisasi menggunakan teknik StandardScaler untuk memastikan konsistensi nilai antar fitur. Algoritma K-Means diimplementasikan dengan tiga cluster (k=3) dan menghasilkan nilai Silhouette Score sebesar 0,2425 yang menunjukkan pemisahan pola penggunaan jaringan yang cukup baik. Hasil clustering berhasil mengidentifikasi tiga kategori penggunaan bandwidth, yaitu rendah, sedang, dan tinggi. Selain itu, sistem yang dikembangkan dilengkapi dengan berbagai fitur lanjutan, seperti deteksi anomali menggunakan Isolation Forest, identifikasi aktivitas pengguna, penilaian kesehatan jaringan, indikator suasana jaringan (network mood), serta pemantauan jaringan secara real-time melalui integrasi SNMP. Aplikasi dibangun menggunakan Streamlit dan visualisasi interaktif Plotly untuk mempermudah proses pemantauan dan analisis jaringan. Hasil pengujian menunjukkan bahwa sistem yang diusulkan mampu membantu mengidentifikasi kondisi jaringan, mendeteksi perilaku lalu lintas yang tidak normal, serta memberikan wawasan yang bermakna mengenai tren penggunaan bandwidth. Hasil penelitian menunjukkan bahwa K-Means Clustering dapat digunakan secara efektif untuk mengelompokkan pola penggunaan bandwidth dan mendukung pemantauan jaringan secara otomatis, sehingga memberikan informasi yang bermanfaat bagi administrator jaringan dalam mengelola, mengevaluasi, dan mengoptimalkan kinerja jaringan.
References
[1] K. Somsuk, S. Khummanee, and P. Songram, “Dynamic Predictive Feedback Mechanism for Intelligent Bandwidth Control in Future SDN Networks,” Network, vol. 5, no. 4, 2025, doi: 10.3390/network5040054.
[2] L. O. Sari, H. A. Suri, E. Safrianti, and F. Jalil, “Rancang Bangun Sistem Monitoring Bandwidth Server pada PT. Industri Kreatif Digital,” MALCOM, vol. 3, no. 2, pp. 168–179, 2023, doi: 10.57152/malcom.v3i2.914.
[3] A. S. Ningsih, Subardin, and Gunawan, “Analisis Kinerja Jaringan Wireless LAN Menggunakan Metode QoS dan RMA,” AnoaTIK, vol. 1, no. 1, 2023.
[4] E. Safrianti, L. O. Sari, and N. A. Sari, “Real-Time Network Device Monitoring System with Simple Network Management Protocol (SNMP) Model,” in Proc. ICRACOS, pp. 122–127, 2021.
[5] J. Koumar, K. Hynek, J. Pešek, and T. Čejka, “NetTiSA: Extended IP flow with time-series features for universal bandwidth-constrained high-speed network traffic classification,” Computer Networks, vol. 240, Art. 110147, 2024, doi: 10.1016/j.comnet.2023.110147.
[6] J. Koumar, T. Smoleň, K. Jeřábek, and T. Čejka, “Comparative Analysis of Deep Learning Models for Real-World ISP Network Traffic Forecasting,” 2025. [Online]. Available: https://arxiv.org/abs/2503.17410.
[7] E. Zadeh et al., “Automated Contextual Anomaly Detection for Network Interface Bandwidth Utilisation: A Case Study in Network Capacity Management,” in Frontiers in Artificial Intelligence and Applications, pp. 659–666, 2021, doi: 10.3233/FAIA210459.
[8] K. A. Nugroho, “Deteksi Anomali Trafik Jaringan dan Aktivitas Pengguna Menggunakan Isolation Forest untuk Meningkatkan Keamanan Jaringan,” Jurnal Pendidikan dan Teknologi Indonesia, vol. 5, no. 5, pp. 1365–1376, 2025, doi: 10.52436/1.jpti.790.
[9] Y. Feng et al., “An improved X-means and isolation forest based methodology for network traffic anomaly detection,” PLOS ONE, vol. 17, no. 1, e0263423, 2022, doi: 10.1371/journal.pone.0263423.
[10] V. Chandola, A. Banerjee, and V. Kumar, “Anomaly Detection: A Survey,” ACM Computing Surveys, vol. 41, no. 3, Art. 15, 2009, doi: 10.1145/1541880.1541882.
[11] M. Fahmi and A. Fajri, “Analisis Clustering Trafik Jaringan Menggunakan Metode K-Means,” Buletin Poltanesa, vol. 23, no. 2, 2022, doi: 10.51967/tanesa.v23i2.1736.
[12] H. Budiati, A. B. M. Wijaya, B. S. V. Zebua, Jatmika, and Y. P. Sumihar, “Implementation of K-Means Clustering Method for Network Traffic Anomaly Detection,” Jurnal Mantik, vol. 6, no. 3, 2022.
[13] E. K. Silalahi, D. Kiswanto, F. Suleho, and C. K. Panjaitan, “Pengembangan Sistem Logging Jaringan Berbasis Web Untuk Deteksi Anomali Secara Real-Time,” Jurnal Sistem Komputer dan Kecerdasan Buatan, vol. 9, no. 3, pp. 399–408, 2026, doi: 10.47970/siskom-kb.v9i3.959.
[14] A. Thakkar and R. Logiya, “A survey on intrusion detection system: feature selection, model, performance measures, application perspective, challenges, and future research directions,” Artificial Intelligence Review, vol. 55, no. 1, pp. 453–563, 2022.
[15] M. Shen et al., “Machine Learning-Powered Encrypted Network Traffic Analysis: A Comprehensive Survey,” IEEE Communications Surveys & Tutorials, vol. 25, no. 1, pp. 791–824, 2023, doi: 10.1109/COMST.2022.3208196.
[16] A. H. Alhilali, A. Al Farawn, and A. Y. Mjhool, “Design and implement a real-time network traffic management system using SNMP protocol,” Eastern-European Journal of Enterprise Technologies, vol. 5, no. 9(125), pp. 35–44, 2023, doi: 10.15587/1729-4061.2023.286528.
[17] Y. Miftahuddin and A. R. S. Ridwan, “Application of Self-Organizing Map and K-Means to Cluster Bandwidth Usage Patterns in Campus Environment,” JOIN: Jurnal Online Informatika, vol. 10, no. 1, pp. 66–76, 2025, doi: 10.15575/join.v10i1.1438.
Downloads
Published
Issue
Section
License
Copyright (c) 2026 Maissy Angelica Pakpahan, Mika M.F Simanullang, Sirlia Sahid, Dedy Kiswanto
This work is licensed under a Creative Commons Attribution 4.0 International License.
JTT (Jurnal Teknologi Terpadu) is licensed under a Creative Commons Attribution-ShareAlike 4.0 International License.
