KLASIFIKASI QUALITY OF SERVICE (QOS) JARINGAN KOMPUTER BERBASIS ENSEMBLE CLASSIFICATION MENGGUNAKAN WIRESHARK
Penulis RANDHA,ACHMAD FAHMISkripsi
2026
701/UB/FT-inf/26
Ind
KLASIFIKASI QUALITY OF SERVICE (QOS) JARINGAN KOMPUTER BERBASIS ENSEMBLE CLASSIFICATION MENGGUNAKAN WIRESHARK
#2114321002/FTPengarang: RANDHA,ACHMAD FAHMI
Pembimbing Pertama: R. DIMAS ADITYO, ST., MT.
Pembimbing Kedua: ARIF ARIZAL s.kom. M,Cs
Jenis: Skripsi
Penerbit: UBHARA - FT
Tahun Terbit: 2026
Bahasa: Ind
Kode: 701/UB/FT-inf/26
No. Klasifikasi: 005.4 RAN,k
Jenis Karya: S1
Jenis
Skripsi
Tahun
2026
Status
Tersedia
Kode
701/UB/FT-inf/26
Deskripsi Fisik
viii/107/ hlm, 21x30 cm
Subyek
Quality of Service (QoS) merupakan aspek penting
Kata Kunci
Anotasi
ABSTRAK Quality of Service (QoS) merupakan aspek penting dalam menjaga kinerja jaringan komputer, terutama pada lingkungan kritis seperti rumah sakit yang membutuhkan layanan jaringan yang stabil dan andal. Analisis QoS berbasis data lalu lintas jaringan diperlukan untuk memperoleh gambaran kondisi jaringan secara objektif dan sistematis. Penelitian ini bertujuan menganalisis dan mengklasifikasikan Quality of Service (QoS) jaringan komputer menggunakan metode ensemble classification berdasarkan data hasil packet capture Wireshark. Parameter QoS yang digunakan meliputi throughput, delay, jitter, packet loss, ukuran paket, protocol, dan inter- arrival time. Penilaian QoS dilakukan melalui dua pendekatan, yaitu metode konvensional berbasis standar TIPHON sebagai acuan awal serta metode machine learning menggunakan ensemble Bagging Random Forest sebagai metode utama, dengan Boosting dan Stacking sebagai metode pembanding.. Hasil pengujian menunjukkan bahwa metode konvensional berbasis standar TIPHON mengklasifikasikan seluruh area jaringan ke dalam kelas QoS Sedang, sedangkan metode ensemble Bagging Random Forest menghasilkan tingkat akurasi sebesar 85,71%. Metode Boosting menghasilkan nilai akurasi tertinggi pada data uji, namun dengan keterbatasan dalam mebedakan variasi kelas QoS, sementara metode Stacking menunjukkan akurasi yang sebanding dengan Bagging Random Forest. Hasil penelitian menunjukkan bahwa pendekatan machine learning mampu memberikan analisis QoS yang lebih adaptif, meskipun masih memiliki keterbatasan akibat ketidakseimbangan distribusi kelas pada dataset. Kata kunci : Quality of Service, Wireshark, Machine Learning, Random Forest, Ensemble Classification.
Catatan
Wisuda 2026