Perbandingan Hasil Prediksi Bandwidth Management menggunakan Metode Naive Bayes Classifier dan Decision Tree C4.5

Muhammad Happe, Yulita Salin, Purnawansyah Purnawansyah

Abstract


Bandwidth merupakan satuan ukuran untuk koneksi internet, sehingga untuk mendapatkan koneksi yang lancar membutuhkan bandwith yang besar. Saat ini dalam pembagian bandwidth di Universitas Muslim Indonesia (UMI) dibagi berdasarkan jumlah fakultas yang ada. Sehingga saat setiap fakultas melaksanakan kegiatan yang membutuhkan koneksi internet maka performa koneksi akan terasa lambat. Untuk menangani masalah tersebut administrator jaringan harus melakukan penambahan bandwidth. Untuk membantu administrator jaringan dalam penentuan penambahan bandwidth dapat digunakan metode Naïve Bayes Classifier (NBC) dan Decision Tree C4.5. Analisis trafik penggunaan paket data dilakukan di beberapa fakultas, yaitu fakultas ilmu komputer, fakultas hukum, fakultas ekonomi, dan fakultas teknik. Berdasarkan hasil percobaan pada tiga kategori utama, yaitu penggunaan tertinggi, penggunaan sedang, dan penggunaan terendah atas penggunaan paket data setiap fakultas dan unit, status perkuliahan, dan adanya kegiatan yang dilaksanakan. Dari percobaan yang dilakukan, diperoleh hasil penambahan bandwidth “Ya” pada fakultas ilmu komputer dengan probabilitas 0,04 dan gain 0,317 sedangkan fakultas hukum dengan probabilitas 0,011 dan gain 0, fakultas ekonomi dengan probabilitas 0,013 dan gain 0, fakultas teknik dengan probabilitas 0,076 dan gain 0,414 diperoleh hasil penambahan bandwidth “Tidak”.


Keywords


paket data; bandwidth; naive bayes classifier; C4.5, probabilitas; gain;

Full Text:

PDF

References


Purnawansyah and Haviluddin, “Comparing performance of

Backpropagation and RBF neural network models for predicting daily network traffic,” pp. 166–169, 2014.

L. Zhang, L. Jiang, and C. Li, “C4.5 or naive bayes: A discriminative model selection approach,” in Lecture Notes in Computer Science (including subseries Lecture Notes in Artificial Intelligence and Lecture Notes in Bioinformatics), 2016, vol. 9886 LNCS, pp. 419–426.

VOIP-Info.org LLC, “Bandwidth consumption -,” voip-info.org, 2016. .

Bustami, “Penerapan Algoritma Naive Bayes,” J. Inform., 2014.

M. Ridwan, H. Suyono, and M. Sarosa, “Penerapan Data Mining Untuk Evaluasi Kinerja Akademik Mahasiswa Menggunakan Algoritma Naive Bayes Classifier,” Eeccis, vol. 7, no. 1, pp. 59–64, 2013.

L. S. Malang et al., “Penerapan Metode Naive Bayes dalam

Pengklasifikasi Trafik Jaringan,” Smatik J., vol. Vol 06, no. January 2016, pp. 26–36, 2017.

T. I. Andini, W. Witanti, and F. Renaldi, “Prediksi Potensi Pemasaran Produk Baru dengan Metode Naïve Bayes Classifier dan Regresi Linear,” Semin. Nas. Apl. Teknol. Inf., pp. 27–32, 2016.

E. M. Sipayung, H. Maharani, I. Zefanya, and D. S. Informasi, “Perancangan Sisitem Analisis Sentimen Komentar Pelanggan Menggunakan Metode Naive Bayes Classifier,” J. Sist. Inf., vol. 8, no. 1, pp. 958–965, 2016.

C. J. Mantas and J. Abellán, “Credal-C4.5: Decision tree based on imprecise probabilities to classify noisy data,” Expert Syst. Appl., vol. 41, no. 10, pp. 4625–4637, 2014.

S. Özsoy, G. Gümüş, and S. Khalilov, “C4.5 Versus Other Decision Trees: A Review,” Comput. Eng. Appl., vol. 4, no. 173, pp. 2252–4274, 2015.

H. Dhika, F. Destiawati, and A. Fitriansyah, “Implementasi Algoritma C4.5 Terhadap Kepuasan Pelanggan,” SNAPP 2016, vol. Vol. 6, no. Sains dan Teknologi, pp. 16–22, 2016.

D. Jenderal, P. Tinggi, B. Standar, and N. Pendidikan, “Standar Nasional Pendidikan Tinggi Kementerian Pendidikan dan Kebudayaan,” pp. 1–47, 2013.


Refbacks

  • There are currently no refbacks.


Copyright (c) 2018 Prosiding SAKTI (Seminar Ilmu Komputer dan Teknologi Informasi)

Creative Commons License
This work is licensed under a Creative Commons Attribution-NonCommercial-ShareAlike 4.0 International License.