Hasil Pencarian  ::  Simpan CSV :: Kembali

Abstrak :
Penelitian ini bertujuan untuk meningkatkan prediksi time series pada jaringan seluler dengan memasukkan variabel lagged ke dalam model peramalan yang berbeda. Penelitian ini berfokus pada memprediksi Total Traffic Volume (Payload) pada jaringan seluler menggunakan model statistik dan machine learning. Teknik feature engineering melibatkan pemilihan variabel lagged, termasuk beban PRB, CQI, dan pengguna RRC, bersama dengan variabel waktu. Model yang memasukkan variabel lagged tambahan, yaitu SARIMAX, LSTM Multi, dan SVR Multi, memiliki performa lebih baik daripada model sebanding univariat tambahan, dengan hasil RMSE yang lebih rendah, MAE yang lebih rendah, dan nilai R-squared yang lebih tinggi. Penelitian ini menekankan pentingnya memasukkan variabel lagged dan menghitung peningkatan akurasi peramalan pada model multi-variabel dibandingkan dengan model variabel tunggal. Temuan ini berkontribusi pada pemahaman tentang peramalan time series pada jaringan seluler dan memberikan panduan untuk prediksi traffic volume yang akurat. ...... This research aims to improve time series prediction in cellular networks by incorporating lagged variables into different forecasting models. The study focuses on predicting the Total Traffic Volume (Payload) in cellular networks using statistical and machine learning models. Feature engineering involves selecting lagged variables, including PRB load, CQI, and RRC users, along with time variables. The models incorporating additional lagged variables, namely SARIMAX, LSTM Multi, and SVR Multi, outperform their counterparts without additional variables, resulting in lower RMSE, MAE, and higher R-squared values. The study highlights the importance of incorporating lagged variable and calculates the improvement of forecasting accuracy at multi-variable models compared to single variable models. These findings contribute to the understanding of time series forecasting in cellular networks and provide insights for accurate traffic volume prediction.

Abstrak :
PVM (Parallel Virtual Machine) adalah salah satu pustaka pengembangan aplikasi paralel yang memanfaatkan jaringan komputer sebagai komputer paralel virtual. Aplikasi paralel pada PVM memanfaatkan komputer-komputer yang terhubung sebagai prosesor dan jaringan komputer sebagai media komunikasi antarprosesor. Salah satu topik penting dalam pengembangan aplikasi paralel adalah kinerja aplikasi paralel tersebut. Aplikasi paralel yang mendekati ideal adalah aplikasi yang mempunyai waktu komunikasi sangat kecil dibandingkan waktu komputasi. Untuk meminimumkan waktu komunikasi membutuhkan untuk mengetahui kinerja jaringan komputer, sehingga dapat mengatur beban pada jaringan komputer tersebut. Salah satu pendekatan untuk mengetahui kinerja tersebut adalah melakukan pengukuran kinerja jaringan komputer dan komponen jaringannya. Pengukuran pada penelitian ini ditujukan untuk mengetahui pengaruh prosesor dan router pada kinerja pertukaran data pada sistem PVM. Kedua pengukuran tersebut dilakukan pada dua kondisi kepadatan lalu-lintas data, yaitu kepadatan rendah dan kepadatan tinggi. Kepadatan lalu-lintas data rendah disimulasikan sebagai kondisi tidak ada beban pada jaringan selain pengukuran tersebut sendiri, sedangkan kepadatan lalu-lintas data tinggi disimulasikan sebagai kondisi dengan beban pada jaringan komputer. Hasil penelitian menunjukkan bahwa kinerja pertukaran data dipengaruhi oleh komponen-komponen yang dipergunakan, meliputi prosesor pengirim, prosesor penerima, komponen jaringan seperti router, dan kepadatan lalu-lintas data.