Skip to main navigation menu Skip to main content Skip to site footer

Articles

Vol. 11 No. 6 (2026): Kohesi: Jurnal Sains dan Teknologi, ISSN 3025-1311

PREDIKSI TREN PAYLOAD DAN JUMLAH PENGGUNA SUATU NETWORK PADA DAERAH SURABAYA DENGAN MENGGUNAKAN METODE LONG SHORT-TERM MEMORY (LSTM)

Submitted
November 3, 2026
Published
2026-11-03

Abstract

Perubahan volume trafik data pada jaringan seluler memerlukan peramalan untuk mendukung perencanaan kapasitas layanan. Penelitian ini bertujuan mengevaluasi model peramalan payload harian jaringan di wilayah operasional Surabaya untuk horizon 92 hari. Data yang digunakan terdiri atas 731 pengamatan harian pada periode 1 Januari 2024 hingga 31 Desember 2025. Tahapan penelitian mencakup validasi data, deteksi anomali, pembentukan 23 fitur historis dan musiman, serta pembagian data secara kronologis menjadi 639 hari pelatihan dan 92 hari pengujian. Lima kandidat model dibandingkan melalui tiga pembagian validasi pada backtesting, yaitu rata-rata 28 hari, musiman tujuh hari, Ridge, Random Forest, dan CatBoost. Berdasarkan hasil yang dilaporkan, Ridge memperoleh rata-rata Total Absolute Percentage Error terendah pada backtesting sebesar 4,37%. Pada pengujian Oktober–Desember 2025, model menghasilkan Total Absolute Percentage Error sebesar 0,24%, Weighted Absolute Percentage Error sebesar 3,99%, Mean Absolute Percentage Error sebesar 3,97%, dan Root Mean Squared Error sebesar 9.548,02 GB/hari. Hasil tersebut menunjukkan bahwa prediksi akumulasi payload mendekati nilai aktual, meskipun kesalahan harian tetap terjadi. Evaluasi pada periode tambahan dan pengembangan interval prediksi diperlukan untuk menilai konsistensi model dalam mendukung perencanaan kapasitas jaringan.

References

  1. Asosiasi Penyelenggara Jasa Internet Indonesia (APJII), Laporan Survei Penetrasidan Perilaku Pengguna Internet Indonesia 2024, Jakarta, Indonesia: APJII, 2024.
  2. N. M. Aslam, I. U. Khan, S. A. AlQahtani, and N. Aslam, "Cellular traffic prediction for 5G and beyond networks using deep learning," IEEE Access, vol. 11, pp. 45120–45132, 2023.
  3. M. K. M. Shapi, N. A. Ramli, and L. J. Awalin, "Time series forecasting of network traffic using ARIMA and deep learning approaches: A comparative study," Journal of Communications, vol. 17, no. 6, pp. 482–490, Jun. 2022.
  4. A. R. Pratama, B. Setiawan, and D. R. Wijaya, "Prediksi trafik jaringan telekomunikasi seluler menggunakan metode Long Short-Term Memory (LSTM)," Jurnal Nasional Teknik Elektro dan Teknologi Informasi (JNTETI), vol. 12, no. 2, pp. 115–122, Mei 2023.
  5. Y. Liu, Z. Wang, and H. Chen, "Long-term mobile traffic forecasting based on LSTM neural networks for network capacity planning," in Proc. IEEE Int. Conf. Communications (ICC), Denver, CO, USA, 2024, pp. 2110–2115.
  6. R. F. Syam and F. Aziz, “Peramalan trafik untuk alokasi bandwidth jaringan seluler 4G menggunakan model hybrid ARIMA-LSTM,” Advances in Computer System Innovation Journal, vol. 2, no. 2, pp. 78–84, 2024, doi:10.51577/acsijournal.v2i2.585.
  7. I. O. Arissinta, I. D. Sulistiyawati, D. Kurnianto, and I. Kharisudin, “Pemodelan time series untuk peramalan web traffic menggunakan algoritma Arima, LSTM, dan GRU,” PRISMA, Prosiding Seminar Nasional Matematika, vol. 5, pp. 693–700, 2022. Accessed: Oct. 16, 2026. [Online]. Available: https://journal.unnes.ac.id/sju/prisma/article/view/54712
  8. R. Akbar, R. Santoso, and B. Warsito, “Prediksi tingkat temperatur Kota Semarang menggunakan metode Long Short-Term Memory (LSTM),” Jurnal Gaussian, vol. 11, no. 4, pp. 572–579, Feb. 2023, doi:10.14710/j.gauss.11.4.572-579.
  9. N. Khairunisa and P. Hendikawati, “Long Short-Term Memory and Gated Recurrent Unit Modeling for Stock Price Forecasting,” Jurnal Matematika, Statistika dan Komputasi, vol. 21, no. 1, pp. 321–333, Sep. 2024, doi:10.20956/j.v21i1.35930.
  10. M. T. Rasyadan, A. R. Utami, and B. Hasanah, “Penerapan metode LSTM, ARIMA dan SARIMA untuk memprediksi jam sibuk pada trafik internet,” InComTech: Jurnal Telekomunikasi dan Komputer, vol. 16, no. 1, pp. 13–31, Apr. 2026, doi:10.22441/incomtech.v16i1.27716.

Similar Articles

1-10 of 178

You may also start an advanced similarity search for this article.