Klasifikasi Gangguan Jaringan Load Balancing Menggunakan  Metode Naive Bayes

Sriyono Pambudi; Atang Susila

doi:10.69693/jesa.v4i1.124

Authors

Sriyono Pambudi Universitas Pamulang
Atang Susila Universitas Pamulang

DOI:

https://doi.org/10.69693/jesa.v4i1.124

Keywords:

Naive Bayes, Load Balancing, Machine Learning, Klasifikasi, Gangguan Jaringan, TF-IDF

Abstract

Perkembangan teknologi informasi yang semakin pesat menyebabkan kebutuhan terhadap jaringan komputer yang stabil dan andal menjadi sangat penting dalam menunjang operasional perusahaan. Pada lingkungan jaringan yang menggunakan metode load balancing, gangguan jaringan seperti Server Down, Packet Loss, Latency, Overload, Routing Loop, dan Delay dapat mempengaruhi kestabilan distribusi trafik jaringan. PT. Indomarco Prismatama sebagai perusahaan yang menggunakan beberapa ISP dalam sistem load balancing masih melakukan pencatatan gangguan jaringan secara manual, sehingga proses identifikasi dan analisis gangguan menjadi kurang efektif. Penelitian ini bertujuan untuk menerapkan metode Naive Bayes dalam mengklasifikasikan gangguan jaringan load balancing berdasarkan data historis gangguan jaringan. Metode penelitian yang digunakan adalah metode eksperimen dengan pendekatan machine learning menggunakan algoritma Naive Bayes. Tahapan penelitian meliputi pengumpulan data, preprocessing data teks, transformasi data menggunakan TF-IDF, pembagian data training dan testing, proses klasifikasi, serta evaluasi model menggunakan Accuracy, Precision, Recall, dan F1-Score. Dataset yang digunakan terdiri dari data gangguan jaringan yang diklasifikasikan ke dalam beberapa kategori gangguan jaringan. Hasil penelitian menunjukkan bahwa metode Naive Bayes mampu mengklasifikasikan gangguan jaringan dengan baik. Berdasarkan hasil pengujian terhadap total data 950 dengan 750 data training dan 200 data testing, model berhasil memperoleh nilai Accuracy sebesar 90%, Precision sebesar 90%, Recall sebesar 90%, dan F1-Score sebesar 90%. Hasil tersebut menunjukkan bahwa metode Naive Bayes efektif digunakan dalam proses klasifikasi gangguan jaringan load balancing berbasis data teks. Sistem yang dibangun diharapkan dapat membantu teknisi jaringan dalam melakukan identifikasi gangguan secara lebih cepat, objektif, dan efisien dibandingkan metode manual.

Downloads

Download data is not yet available.

References

[1] Andika, R., Fernando, L., and Y. P. Bagas, “Penerapan Algoritma Machine Learning untuk Klasifikasi Data pada Sistem Informasi,” Jurnal Ilmu Komputer dan Artificial Intelligence, vol. 12, no. 1, pp. 23–30, 2024.

[2] Hidayat, A., Riko, P., and Danu, S., “Implementasi Confusion Matrix dalam Evaluasi Model Klasifikasi,” Jurnal Teknologi Informasi, vol. 10, no. 1, pp. 60–68, 2022.

[3] Hidayat, Didik, B., and Satria, M., “Pengaruh Preprocessing pada Text Mining terhadap Akurasi Klasifikasi Data,” Jurnal Sistem Cerdas dan Teknologi Informasi, vol. 12, no. 1, pp. 45–53, 2024.

[4] Nugraha, A., Kevin, T., and Fajar, R., “Analisis F1-Score pada Model Machine Learning,” Jurnal Informatika dan Artificial Intelligence, vol. 11, no. 2, pp. 78–86, 2023.

[5] Prasetyo, A., Galih, N., and Rizky, A., “Implementasi Stemming dalam Pengolahan Data Teks untuk Meningkatkan Akurasi Klasifikasi,” Jurnal Sistem Cerdas dan AI, vol. 12, no. 1, pp. 40–48, 2024.

[6] Pratama, R., Aldo, K., and Dimas, H., “Penerapan Text Mining untuk Klasifikasi Data Teks Menggunakan Machine Learning,” Jurnal Informatika dan Komputer, vol. 10, no. 2, pp. 120–128, 2022.

[7] Putra, A., Vino, C., and Reza, F., “Penerapan Machine Learning untuk Klasifikasi Data pada Sistem Informasi,” Jurnal Teknologi Informasi, vol. 9, no. 2, pp. 101–108, 2022.

[8] Putri, D., Melani, S., and Rendra, W., “Analisis Accuracy pada Model Klasifikasi Data,” Jurnal Informatika, vol. 10, no. 2, pp. 70–78, 2022.

[9] Rahman, A., Bayu, T., and Ilham, K., “Evaluasi Model Machine Learning Menggunakan Berbagai Metrik Klasifikasi,” Jurnal Teknologi Informasi dan Sistem Cerdas, vol. 11, no. 1, pp. 50–58, 2023.

[10] Putra, D., Ardi, L., and Yoga, P., “Penerapan Machine Learning dalam Analisis Data dan Prediksi Sistem,” Jurnal Teknologi Informasi dan Komputer, vol. 10, no. 2, pp. 85–92, 2022.

[11] Rahmawati, D., Tegar, S., and Wira, H., “Analisis Preprocessing pada Text Mining untuk Klasifikasi Data Teks,” Jurnal Informatika dan Data Mining, vol. 10, no. 2, pp. 90–98, 2022.

[12] Ramadhani, F., Fikri, A., and Bagus, M., “Evaluasi Model Klasifikasi Menggunakan Recall dan F1-Score,” Jurnal Artificial Intelligence dan Machine Learning, vol. 12, no. 1, pp. 25–33, 2024.

[13] Saputra, F., Andra, K., and Hendra, P., “Analisis Kinerja Model Klasifikasi Menggunakan Metode Supervised Learning,” Jurnal Informatika Modern, vol. 11, no. 1, pp. 55–63, 2023.

[14] Saputri, D., Nabila, R., and Farhan, T., “Analisis Data Teks Menggunakan Metode Text Mining pada Sistem Informasi,” Jurnal Teknologi Informasi, vol. 11, no. 1, pp. 67–75, 2023.

[15] Sari, M., Joko, H., and Rian, P., “Pengukuran Precision dan Recall dalam Klasifikasi Data,” Jurnal Sistem Cerdas, vol. 11, no. 1, pp. 40–48, 2023.

[16] Sari, Dimas, A., and Lestari, D., “Implementasi Metode Machine Learning pada Klasifikasi Data Berbasis Supervised Learning,” Jurnal Informatika dan Sistem Cerdas, vol. 11, no. 1, pp. 45–53, 2023.

[17] Utami, S., Fadli, M., and Arman, K., “Pengaruh Stopword Removal terhadap Kinerja Klasifikasi Teks,” Jurnal Teknologi Informasi, vol. 11, no. 1, pp. 56–64, 2023.

[18] Wahyuni, S., Putu, R., and Mahendra, D., “Implementasi Supervised Learning dalam Klasifikasi Data Berbasis Machine Learning,” Jurnal Sistem Cerdas dan AI, vol. 12, no. 1, pp. 34–42, 2024.

[19] Sriyono Pambudi, “Klasifikasi Gangguan Jaringan Load Balancing Menggunakan Metode Naive Bayes,” Skripsi, Program Studi Teknik Informatika, Fakultas Ilmu Komputer, Universitas Pamulang, Tangerang Selatan, 2026.