Implementasi dan Analisis Optimasi Traffic Jaringan Menggunakan Machine Learning Untuk Quality of Service(QoS) Adaptif Pada Lingkungan Jaringan Lokal

Wijaya Kusuma Wardana, Ir. Budi Bayu Murti, S.T., M.T.

2025 | Tugas Akhir | D4 TEKNOLOGI JARINGAN

Perkembangan aplikasi jaringan yang beragam menciptakan kebutuhan Quality of Service (QoS) yang berbeda-beda, dimana aplikasi real-time seperti gaming memerlukan latensi rendah sementara file transfer membutuhkan throughput tinggi. Sistem alokasi bandwidth konvensional menggunakan pendekatan statis seperti FIFO dan Round Robin yang kurang efektif dalam memenuhi kebutuhan QoS yang dinamis dan heterogen. Penelitian ini mengembangkan sistem optimasi QoS jaringan berbasis machine learning untuk klasifikasi traffic adaptif dan alokasi bandwidth otomatis.

Sistem memanfaatkan arsitektur dual-ensemble Random Forest dan ExtraTrees untuk klasifikasi traffic berdasarkan 28 fitur dari karakteristik aliran data. Dataset sintetis dibangkitkan untuk lima kelas aplikasi dengan distribusi seimbang menggunakan stratified sampling. Framework optimasi QoS mengintegrasikan hasil klasifikasi dengan modul alokasi bandwidth dinamis. Implementasi menggunakan Python dengan scikit-learn dan evaluasi melalui comparison analysis dengan tiga metode baseline konvensional.

 Hasil pengujian menunjukkan model dual-ensemble mencapai akurasi klasifikasi 94.51?ngan feature importance didominasi port_number (13.9%), duration_sqrt (10.5%), dan is_udp (9.3%). Sistem berhasil meningkatkan skor QoS: 29.3% lebih baik dibandingkan FIFO, 17.0% lebih baik dibandingkan Round Robin, dan 11.6% lebih baik dibandingkan Static Priority. Sistem ML Random Forest mencapai skor QoS konsisten 0.838 pada semua skenario evaluasi dengan classification accuracy improvement 24.7% dibandingkan baseline classification.

The diverse development of network applications creates different Quality of Service (QoS) requirements, where real-time applications such as gaming require low latency while file transfer applications need high throughput. Conventional bandwidth allocation systems using static approaches like FIFO and Round Robin are less effective in meeting dynamic and heterogeneous QoS requirements. This research develops a machine learning-based network QoS optimization system for adaptive traffic classification and automatic bandwidth allocation.

The system utilizes dual-ensemble Random Forest and ExtraTrees architecture for traffic classification based on 28 features extracted from data flow characteristics. A representative synthetic dataset was generated for five application classes with balanced distribution using stratified sampling. The QoS optimization framework integrates classification results with dynamic bandwidth allocation modules. Implementation uses Python with scikit-learn and comprehensive evaluation through comparison analysis with three conventional baseline methods.

Test results show that the dual-ensemble model achieves classification accuracy of 94.51% with feature importance dominated by port_number (13.9%), duration_sqrt (10.5%), and is_udp (9.3%). The system successfully improves QoS scores: 29.3?tter than FIFO, 17.0?tter than Round Robin, and 11.6?tter than Static Priority. The ML Random Forest system achieves a consistent QoS score of 0.838 across all evaluation scenarios with classification accuracy improvement of 24.7% compared to baseline classification.  

Kata Kunci : Machine learning, Optimasi QoS, Klasifikasi Traffic, Dual-ensemble, Alokasi Bandwidth Adaptif