Skripsi

KLASIFIKASI QUALITY OF SERVICE (QOS) JARINGAN KOMPUTER BERBASIS ENSEMBLE CLASSIFICATION MENGGUNAKAN WIRESHARK

Penulis RANDHA,ACHMAD FAHMI
Jenis

Skripsi

Tahun

2026

Kode

701/UB/FT-inf/26

Bahasa

Ind

Skripsi Tersedia
Unduh Laporan

KLASIFIKASI QUALITY OF SERVICE (QOS) JARINGAN KOMPUTER BERBASIS ENSEMBLE CLASSIFICATION MENGGUNAKAN WIRESHARK

#2114321002/FT

Pengarang: 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

Quality of Service Wireshark Machine Learning Random Forest Ensemble Classification.

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

Di-entri: 03 June 2026 04:54