Claim Missing Document
Check
Articles

Found 12 Documents
Search

Implementasi Load Balancing PCC dan Failover Recursive Gateway pada Jaringan Mikro Provider Farhan Adiaswara; Asril Adi Sunarto; Fathia Frazna Az-Zahra
Exact Papers in Compilation (EPiC) Vol. 8 No. 3 (2026): Agustus 2026
Publisher : Lembaga Penelitian Pengabdian Masyarakat Universitas KH. A. Wahab Hasbullah

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.32764/epic.v8i3.1837

Abstract

Jaringan mikro provider (RT/RW Net) menjadi tulang punggung akses internet bagi komunitas lokal, namun ketergantungan pada satu jalur koneksi internet (single WAN) menyebabkan layanan terhenti total saat terjadi gangguan tanpa mekanisme pengalihan otomatis. Berdasarkan catatan operasional Network Operation Center (NOC) periode Januari-Maret 2025, jaringan yang menjadi objek penelitian mengalami rata-rata tiga gangguan per bulan dengan durasi dua hingga enam jam akibat putusnya kabel serat optik pada jalur distribusi dari ODP menuju ONT. Penelitian ini merancang dan mengimplementasikan load balancing dengan metode Per Connection Classifier (PCC) serta failover berbasis Recursive Gateway pada jaringan mikro provider menggunakan dua link internet IndiBiz berkapasitas 200 Mbps dan 300 Mbps, dengan router MikroTik Cloud Hosted Router di atas hypervisor Proxmox VE. Metode penelitian yang digunakan adalah rekayasa jaringan dengan pendekatan implementatif-eksperimental melalui kerangka kerja PPDIOO (Prepare, Plan, Design, Implement, Operate, Optimize), diuji melalui enam skenario yang mencakup kondisi single WAN baseline, dual WAN dengan PCC aktif, simulasi failover, dan pemulihan. Hasil pengujian menunjukkan load balancing PCC mendistribusikan trafik dengan rasio aktual 2,00:2,99, mendekati target 2:3 dengan deviasi ±0,01, serta menghasilkan throughput agregat rata-rata 208,82 Mbps, latency 4,5 ms, jitter 1,4 ms, dan packet loss 0,7%, seluruhnya memenuhi standar ITU-T G.1010. Mekanisme failover Recursive Gateway mengalihkan koneksi secara otomatis dengan switching time ±15–18 detik dan recovery time ±17-23 detik tanpa memutus sesi PPPoE pelanggan aktif. Implementasi ini berhasil mengeliminasi Single Point of Failure serta meningkatkan kapasitas bandwidth agregat dari 200 Mbps menjadi 500 Mbps, dengan throughput rata-rata naik 121,2% dibandingkan kondisi single WAN.
PENERAPAN ARSITEKTUR EFFICIENTNET-B3 BERBASIS TRANSFER LEARNING UNTUK KLASIFIKASI PENYAKIT DAUN POHON KARET ubang ubang; Asril Adi Sunarto; Fathia Frazna Az-Zahra
Jurnal Informatika dan Teknik Elektro Terapan Vol. 14 No. 3 (2026)
Publisher : Universitas Lampung

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.23960/jitet.v14i3.10854

Abstract

Abstrak. Sektor perkebunan karet terancam oleh penyakit daun utama (Oidium, Corynespora, Colletotrichum) yang menurunkan produksi lateks. Identifikasi visual manual di lapangan memiliki keterbatasan kecepatan dan bersifat subjektif. Penelitian ini mengimplementasikan model Deep Learning arsitektur EfficientNet-B3 dengan Transfer Learning untuk klasifikasi penyakit daun karet berdasarkan metodologi CRISP-DM. Dataset terdiri dari 2.972 citra yang terbagi merata dalam empat kelas (Sehat, Colletotrichum, Corynespora, Oidium). Data diproses melalui penyesuaian dimensi 300x300 piksel, normalisasi, dan augmentasi. Hasil pengujian menggunakan Confusion Matrix pada 448 citra uji independen menghasilkan tingkat akurasi keseluruhan sebesar 99,11% dengan nilai presisi rata-rata 0,99. Evaluasi kompleksitas menunjukkan model ini sangat ringan dengan waktu inferensi 80,39 ms per citra. Model ini diintegrasikan ke dalam prototipe aplikasi web lokal menggunakan arsitektur hibrida FastAPI dan PHP yang dilengkapi Hybrid Validation System. Hasil integrasi ini menghasilkan sistem deteksi penyakit daun karet yang akurat dan efisien untuk lingkungan komputasi terbatas. Abstract. The rubber plantation sector is threatened by major leaf diseases (Oidium, Corynespora, Colletotrichum) which decrease latex production. Manual visual identification in the field has speed limitations and is subjective. This study implements the EfficientNet-B3 Deep Learning architecture with Transfer Learning for rubber leaf disease classification based on the CRISP-DM methodology. The dataset consists of 2,972 images evenly divided into four classes (Healthy, Colletotrichum, Corynespora, Oidium). The data is processed through 300x300 pixel resizing, normalization, and augmentation. Testing using a Confusion Matrix on 448 independent test images yielded an overall accuracy of 99.11% with an average precision value of 0.99. Complexity evaluation shows this model is very lightweight with an inference time of 80.39 ms per image. This model is integrated into a local web application prototype using a hybrid architecture of FastAPI and PHP equipped with a Hybrid Validation System. This integration produces a highly accurate and efficient rubber leaf disease detection system for limited computing environments.