Penerapan Algoritma K-Means dan Linear Reggression Sederhana Dalam Klasterisasi Grafik Bandwidth

Authors

  • Muhammad Yasir Universitas Bhayangkara Jakarta Raya, Bekasi, Indonesia
  • Fried Sinlae Universitas Bhayangkara Jakarta Raya, Bekasi, Indonesia
  • Nurfiyah Universitas Bhayangkara Jakarta Raya, Bekasi, Indonesia

DOI:

https://doi.org/10.38035/jsmd.v1i4.54

Keywords:

Klasterisasi, K-Mean, Simple Linear Regression, Trafik Bandwith

Abstract

Pandemik covid-19 mengubah pola aktifitas di semua aspek kehidupan saat ini, Adanya Perda DKI nomor 14 tahun 2020 mengenai himbauan pemda DKI untuk Work from Home (WFH) agar memutuskan rantai covid 19 mengubah semua kegiatan baik aktifitas sekolah, bekerja, berdagang daln lai-lain dilakukan dari rumah dan tentunya menggunakan koneksi internet. Internet Service Provider (ISP) menjadi sangat di butuhkan dalam menunjang aktifitas tersebut, dalam monitoring jaringan user, dibutuhkan bandwith yang stabil agar semua berjalan dengan baik. Analisa terhadap suatu trafik bandwith di butuhkan sebagai salah satu cara untuk Quality of Sevices (QOS). Data mining dengan menggunakan algoritma K-means dan linear regression dapat membantu dalam membuat informasi network quality management untuk klasterisasi bandwith. Hasil dari penulisan ini didapatkan klaster bandwith low yang berada di centroid 35.88 GB, klaster bandwith medium berada di centroid 43.15 GB, dan klaster bandwith high di centroid 55.31 GB dalam 4 bulan terakhir dari oktober 2020 sampai januari 2021 dan juga dilakukan pengujian performance distance clustering menggunakan davies bouldin index didapatkan hasil 0.240 serta prediksi volume trafik trafik bandwith per klaster.

References

Agus Nur Khormarudin. (2016). Teknik Data Mining: Algoritma K-Means Clustering. Jurnal Ilmu Komputer, 1–12. https://ilmukomputer.org/category/datamining/
Aprilla Dennis. (2013). Belajar Data Mining dengan RapidMiner. Innovation and Knowledge Management in Business Globalization: Theory & Practice, Vols 1 and 2, 5(4), 1–5. http://esjournals.org/journaloftechnology/archive/vol1no6/vol1no6_6.pdf%5Cnhttp://www.airccse.org/journal/nsa/5413nsa02.pdf
Arya, I. B., & Mishra, R. (2011). Internet Traffic Classification?: An Enhancement in Performance using Classifiers Combination. 2(2), 663–667.
Fadli, A. (2003). Konsep Data Minning. Konsep Data Mining, 1–9. http://fadli84.wordpress.com
Hijriani, A., Muludi, K., & Andini, E. A. (2016). Implementasi Metode Regresi Linier Sederhana Pada Penyajian Hasil Prediksi Pemakaian Air Bersih Pdam Way Rilau Kota Bandar Lampung Dengan Sistem Informasi Geofrafis. Informatika Mulawarman?: Jurnal Ilmiah Ilmu Komputer, 11(2), 37. https://doi.org/10.30872/jim.v11i2.212
Junaedi, H., Budianto, H., Maryati, I., & Melani, Y. (2011). Data Transformation pada Data Mining. Prosiding Konferensi Nasional Inovasi Dalam Desain Dan Teknologi-IDeaTech, 7, 93–99.
Kahya-Özyirmidokuz, E., Gezer, A., & Ciflikli, C. (2012). Characterization of Network Traffic Data: A Data Preprocessing and Data Mining Application. International Conference on Data Analytics, September, 18–23.
Khairati, A. F., Adlina, A. A., Hertono, G. F., & Handari, B. D. (2019). Kajian Indeks Validitas pada Algoritma K-Means Enhanced dan K-Means MMCA. Prosiding Seminar Nasional Matematika, 2, 161–170.
Vijayakumar, M. (2010). Clustering of High-Volume Data Streams In Network Traffic. 8(6), 228–233.

Downloads

Published

2024-01-05

How to Cite

Yasir, M., Sinlae, F., & Nurfiyah. (2024). Penerapan Algoritma K-Means dan Linear Reggression Sederhana Dalam Klasterisasi Grafik Bandwidth. Jurnal Siber Multi Disiplin , 1(4), 150–158. https://doi.org/10.38035/jsmd.v1i4.54

Issue

Vol. 1 No. 4 (2024): (JSMD) Jurnal Siber Multi Disiplin (January 2024)

Section

Articles

License

Copyright (c) 2024 Muhammad Yasir, Fried Sinlae, Nurfiyah

Creative Commons License

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

Hak Cipta :

Penulis yang mempublikasikan manuskripnya di jurnal ini menyetujui ketentuan berikut:

  1. Hak cipta pada setiap artikel adalah milik penulis.
  2. Penulis mengakui bahwa Jurnal Siber Multi Disiplin (JSMD) berhak menjadi yang pertama menerbitkan dengan lisensi Creative Commons Attribution 4.0 International (Attribution 4.0 International CC BY 4.0) .
  3. Penulis dapat mengirimkan artikel secara terpisah, mengatur distribusi non-eksklusif manuskrip yang telah diterbitkan dalam jurnal ini ke versi lain (misalnya, dikirim ke repositori institusi penulis, publikasi ke dalam buku, dll.), dengan mengakui bahwa manuskrip telah diterbitkan pertama kali di JSMD.