PERBANDINGAN KINERJA ALGORITMA RECURRENT NEURAL NETWORK (RNN) DAN LONG SHORT-TERM MEMORY (LSTM): STUDI KASUS PREDIKSI KEMACETAN LALU LINTAS JARINGAN PT XYZ

Silmy Sephia Nurashila (Telkom University)
Faqih Hamami (Telkom University)
Tien Fabrianti Kusumasari (Telkom University)

JIPI (Jurnal Ilmiah Penelitian dan Pembelajaran Informatika)
Vol 8, No 3 (2023)

Peningkatan perkembangan teknologi sebanding dengan peningkatan penggunaan internet. Kualitas jaringan internet di Indonesia yang masih rendah dengan peningkatan penggunaan jaringan yang terus bertambah menyebabkan kemungkinan terjadinya kemacetan jaringan lebih tinggi. Penggunaan internet yang tinggi menyebabkan seringkali terjadi kemacetan jaringan yang menyebabkan penurunan kualitas dan performa jaringan. Pada penelitian ini akan dilakukan prediksi lalu lintas jaringan. Terdapat beberapa model algoritma yang dapat digunakan untuk melakukan prediksi dan penelitian ini akan dibahas mengenai perbandingan performa dari model Long Short-Term Memory (LSTM) dan Recurrent Neural Network (RNN). Dari hasil perbadingan diperoleh bahwa LSTM memiliki nilai yang lebih tinggi dalam performa dengan mendapatkan nilai akurasi R-Squard sebesar 99.2% jika debandingkan dengan model dengan algoritma RNN yang memiliki nilai akurasi R-Squard sebesar 99,1%. Manfaat dari penelitian ini yaitu untuk menguji performa dari model LSTM dan RNN terhadap dataset PT XYZ. Penelitian ini diharapkan dapat memberikan referensi kepada pengembang model Deep Learning untuk pengembangan kedepannya agar mendapatkan hasil yang lebih baik.