PREDIKSI KONSUMSIDAYALISTRIKPADAPERANGKATJARINGAN BERDASARKANLALULINTASDATA

Aziz Juniardy, Prof. Dr. Suprapto, M.I.Kom. ; Muhammad Alfian Amrizal, B.Eng., M.I.S., Ph.D.

2025 | Tesis | S2 Ilmu Komputer

Penelitian ini berfokus pada pengembangan model prediksi konsumsi daya router berbasis informasi lalu lintas data untuk mendukung pengelolaan energi per angkat jaringan secara efisien. Router sebagai komponen utama infrastruktur jaring an rumah dan kantor mengonsumsi daya yang signifikan dan bervariasi sesuai beban kerjanya. Sayangnya, tidak semua perangkat dilengkapi fitur pemantauan daya bawa an, sehingga diperlukan pendekatan estimasi berbasis data historis. Sementara data penggunaan daya jarang tersedia, lalu lintas data merupakan informasi yang selalu tercatat dan mudah diakses. Studi sebelumnya menunjukkan bahwa lalu lintas data dapat digunakan sebagai fitur estimasi, dengan tingkat kedalaman yang bervariasi, mulai dari metrik global hingga pembongkaran isi paket yang berpotensi melanggar privasi. Penelitian ini menggunakan data per detik dari router MikroTik CCR1036 yang mencakup konsumsi daya, metrik lalu lintas global, dan metadata isi paket. Tiga jenis dataset dibentuk berdasarkan tingkat detail informasi, lalu dilatih menggu nakan model regresi. Hasil menunjukkan bahwa kombinasi fitur global dan isi paket menghasilkan estimasi terbaik dengan RMSE rata-rata 0,5870, diikuti oleh fitur glo bal saja (0,5899), dan fitur isi paket saja terendah (0,7402). Artinya, metrik global sudah cukup untuk estimasi daya yang efisien sekaligus menjaga privasi. Temuan ini membuka peluang pengembangan sistem monitoring daya yang ringan, terintegrasi, dan privasi-sentris untuk perangkat jaringan modern.

This study focuses on developing a router power consumptionprediction model based on network traffic information to support efficient energy management of net workdevices. As acorecomponentofhomeandofficenetworkinfrastructure, routers consume a significant amount of power, which varies depending on their workload. Unfortunately, not all devices are equipped with built-in power monitoring capabili ties, making data-driven estimation approaches necessary. While power consumption data is rarely available, network traffic is continuously recorded and easily accessi ble. Previous studies have shown that traffic data can serve as a useful feature for estimation, with varying degrees of detail, from global metrics to deep packet inspec tion, which may raise privacy concerns. This research utilizes per-second data from a MikroTik CCR1036 router, including power measurements, global traffic metrics, and packet-level metadata. Three types of datasets were constructed based on dif ferent levels of information granularity and were trained using regression models. The results show that the best estimation performance was achieved using a combi nation of global metrics and packet-level features, with an average RMSE of 0.5870. This was followed by global metrics alone (0.5899), while packet-level features alone yielded the lowest performance (0.7402). These findings indicate that global metrics are sufficient for accurate power estimation while preserving user privacy. This opens up opportunities for developing lightweight, integrated, and privacy-friendly power monitoring systems for modern network environments.

Kata Kunci : Power consumption estimation, Network traffic, Router, Network privacy