<![CDATA[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.]]>
Copyrights © 2026
