<![CDATA[Pertumbuhan trafik internet yang masif mendorong transisi menuju Elastic Optical Networks (EONs) yang menawarkan efisiensi spektrum melalui flexible grid. Namun, fenomena fragmentasi spektrum menjadi tantangan utama yang memicu terjadinya blocking event pada koneksi baru. Penelitian ini mengevaluasi performa model Deep Learning berbasis Deep Neural Network (DNN) untuk memprediksi Access Blocking Probability (ABP) pada Elastic Optical Network (EON) menggunakan fitur traffic load, resource utilization, external fragmentation, entropy fragmentation, dan timestamp. Pengujian dilakukan pada dua skenario hiperparameter untuk membandingkan fungsi aktivasi ReLU dan LeakyReLU. Seluruh model menggunakan Batch Normalization dan Dropout 0,2 untuk meningkatkan stabilitas pelatihan dan kemampuan generalisasi. Skenario pertama menggunakan optimizer Adam selama 50 epoch, sedangkan skenario kedua menggunakan AdamW, Huber Loss, learning rate 0,01, dan 100 epoch. Pada kedua skenario, kurva training loss dan validation loss menunjukkan konvergensi yang cepat tanpa indikasi overfitting. Hasil pengujian menunjukkan bahwa LeakyReLU secara konsisten mengungguli ReLU. Pada skenario pertama, LeakyReLU memperoleh (R2) Score 0,9710, MAE 0,003042, dan RMSE 0,005372, lebih baik dibandingkan ReLU dengan (R2) Score 0,9610, MAE 0,003841, dan RMSE 0,006041. Pada skenario kedua, LeakyReLU kembali memberikan performa terbaik dengan (R2) Score 0,9672, MAE 0,003438, dan RMSE 0,005841. Analisis SHAP menunjukkan bahwa external fragmentation dan entropy fragmentation merupakan fitur yang paling berpengaruh terhadap prediksi ABP, sementara LeakyReLU menghasilkan representasi fitur yang lebih seimbang. Secara keseluruhan, model DNN dengan LeakyReLU pada skenario pertama memberikan kombinasi terbaik antara akurasi, stabilitas pelatihan, dan kemampuan generalisasi. Kata kunci: Elastic Optical Networks, Fragmentation, Deep Learning, Routing and Spectrum Allocation (RSA), Blocking Probability]]>
