<![CDATA[Jam sibuk terjadi karena antrian padat jaringan di jam-jam tertentu menyebabkan kemacetan jaringan dan penurunan kinerja. Penelitian ini melakukan peramalan jam sibuk trafik internet dari PT. Comtelindo Balikpapan menggunakan metode LSTM, ARIMA dan SARIMA. Hasil peramalan dihitung menggunakan metode TCBH untuk menentukan nilai jam sibuk. Metode ARIMA, SARIMA dan LSTM diterapkan untuk meramalkan trafik jam sibuk selama periode 28 hari, 56 hari dan 84 hari. Analisis nilai RMSE dan MAPE menunjukkan variasi akurasi prediksi. ARIMA dan SARIMA mengalami peningkatan nilai RMSE dan MAPE seiring dengan panjang periode peramalan, menunjukkan ketidakpastian lebih tinggi. Namun, pada peramalan 56 hari terdapat penurunan signifikan dalam RMSE dan MAPE dengan ARIMA mencatat RMSE sebesar 5013.23, MAPE sebesar 7.73% dan SARIMA mencatat RMSE sebesar 5127.80, MAPE sebesar 8.07%. Ini menunjukkan akurasi sangat baik di bawah 10%. LSTM menunjukkan kesalahan rendah untuk periode pendek (28 hari) dengan RMSE sebesar 1057.18 dan MAPE sebesar 3.34%, tetapi performanya menurun untuk periode lebih panjang. Pengujian dilakukan pada ketiga metode dengan membagi data menjadi empat bagian untuk melihat bagaimana metode merespons data yang ada. Metode ARIMA mendapatkan nilai parameter terbaik untuk data yang sangat kompleks, walaupun nilai parameter MAPE termasuk kategori peramalan yang cukup. Metode SARIMA mendapatkan nilai parameter terbaik untuk data yang cukup kompleks. Metode LSTM mendapatkan nilai parameter terbaik untuk data yang tidak kompleks. Semua model bermanfaat untuk prediksi trafik internet, namun pengembangan lebih lanjut dalam pengolahan data pelatihan diperlukan untuk meningkatkan akurasi peramalan, terutama untuk LSTM.]]>
Copyrights © 2026
