Klasifikasi Kondisi Operasional ATM Berbasis Machine Learning untuk Mendukung Pengambilan Keputusan pada PT Solusi Media Semesta

Firmansyah Aji Trihantoro, Ir. Muhammad Arrofiq, S.T., M.T., Ph.D., IPM.

2026 | Tugas Akhir | D4 TEKNOLOGI JARINGAN

Anjungan Tunai Mandiri (ATM) merupakan layanan perbankan yang beroperasi tanpa batas waktu, sehingga ketersediaan jaringan menjadi faktor kritis dalam mendukung operasionalnya. Sistem monitoring yang ada saat ini masih bersifat deskriptif dan bergantung pada nilai threshold, sehingga belum mampu mengklasifikasikan gangguan secara otomatis. Penelitian ini bertujuan merancang model klasifikasi kondisi jaringan ATM berbasis Machine Learning menggunakan algoritma Decision Tree dan Random Forest berdasarkan parameter round trip time (RTT), availability rata-rata 7 hari, uptime perangkat, status link, dan frekuensi gangguan konektivitas (lan_link_downs). Dataset hasil monitoring dibagi dengan rasio 70:30 untuk pelatihan dan pengujian. Model terbaik diintegrasikan ke dalam aplikasi web berbasis Flask dengan fitur klasifikasi manual maupun unggah file Excel/CSV. Hasil evaluasi menunjukkan Random Forest memberikan performa terbaik dengan accuracy 98,33%, precision 98,41%, recall 98,33%, dan F1- Score 98,33%, sementara Decision Tree memperoleh accuracy 95%. Pengujian Quality of Service (QoS) pada dua kondisi jaringan menghasilkan nilai throughput, delay, dan packet loss yang memenuhi standar TIPHON. Sistem yang dikembangkan berhasil mengklasifikasikan kondisi ATM ke dalam kategori Hardware, LAN, dan Normal sebagai alat bantu klasifikasi otomatis yang mampu mengidentifikasi jenis gangguan secara lebih adaptif dibandingkan pendekatan analisis manual berbasis threshold yang digunakan sebelumnya.

Automated Teller Machine (ATM) is a banking service that operates without time limits, making network availability a critical factor in supporting their operations. Current monitoring systems are still descriptive and rely on threshold values, so they are not yet capable of classifying disruptions automatically. This study aims to design a Machine Learning-based ATM network condition classification model using Decision Tree and Random Forest algorithms based on round trip time (RTT) parameters, 7-day average availability, device uptime, link status, and frequency of connectivity disruptions (lan_link_downs). The monitoring dataset was divided with a 70:30 ratio for training and testing. The best model was integrated into a Flask-based web application with manual classification features or Excel/CSV file Upload. The evaluation results showed that Random Forest provided the best performance with 98.33?curacy, 98.41% precision, 98.33% recall, and 98.33?-score, while Decision Tree achieved 95?curacy. Quality of Service (QoS) testing under two network conditions yielded throughput, delay, and packet loss values that met TIPHON standards. The developed system successfully classified ATM conditions into Hardware, LAN, and Normal categories, an automatic classification tool capable of identifying types of disruptions more adaptively compared to the previous manual threshold-based analysis approach.

Kata Kunci : Machine Learning, Random Forest, Decision Tree, klasifikasi jaringan ATM, Quality of Service