Article Per Year (5 Year)
p-Index From 2021 - 2026
0.23
P-Index
This Author published in this journals
All Journal Journal of Information Technology and Education (JITED)
Damar Albaribin Syamsu
Universitas Negeri Yogyakarta
Computer Science & IT Education Engineering

Published : 1 Documents Claim Missing Document
Claim Missing Document
Check
Articles

Found 1 Documents
Search

 1 
COMPARATIVE PERFORMANCE OF DEEP LEARNING ARCHITECTURES FOR 5G NETWORK TRAFFIC CLASSIFICATION Damar Albaribin Syamsu; Eko Marpanaji
Journal of Information Technology and Education (JITED) Vol. 4 No. 2 (2026): September 2026
Publisher : Department of Electronics and Informatics Engineering Education

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.21831/jited.v4i2.4048

Abstract

Studi ini melakukan evaluasi komparatif terhadap arsitektur deep learning (LSTM, BiLSTM, GRU, dan Transformer) untuk klasifikasi trafik jaringan 5G dengan fokus pada performa klasifikasi, efisiensi komputasi, dan ketahanan terhadap variasi trafik. Metode yang digunakan melibatkan pelatihan dan pengujian model pada dataset Key Performance Indicator (KPI) jaringan dengan analisis terhadap skor F1, waktu inferensi, dan jumlah parameter. Hasil menunjukkan bahwa model Transformer mencapai performa klasifikasi tertinggi (unggul secara statistik), tetapi membutuhkan waktu inferensi terpanjang (78,56 ms) meskipun memiliki jumlah parameter paling sedikit (4.696). Sebaliknya, model GRU menawarkan keseimbangan optimal antara performa (F1: 0,8822) dan efisiensi (waktu inferensi 31,44 ms; 27.609 parameter) sehingga cocok untuk skenario dengan keterbatasan sumber daya. Ukuran jendela optimal adalah 100 sampel KPI berturut-turut (25 detik), dan indikator skema modulasi dan pengodean merupakan fitur paling berpengaruh. Model LSTM menunjukkan ketahanan yang sangat baik (F1: 0,8780) di seluruh skenario variasi trafik. Simpulannya, pemilihan arsitektur melibatkan kompromi antara akurasi, efisiensi, dan ketahanan sesuai kebutuhan penerapan. Implikasi studi ini mencakup panduan pemilihan arsitektur berbasis bukti, konfirmasi keunggulan pemrosesan temporal Transformer, serta wawasan terkait alokasi sumber daya komputasi.
Co-Authors Eko Marpanaji