Predictive Analytics dan Clustering Sebagai Early Warning System Untuk Optimasi Penanganan Gangguan di Jaringan Satelit

Priyambodo, Galih (2021) Predictive Analytics dan Clustering Sebagai Early Warning System Untuk Optimasi Penanganan Gangguan di Jaringan Satelit. Masters thesis, Intitut Teknologi Sepuluh Nopember.

Text 09211950055006-Master_Thesis.pdf - Accepted Version Restricted to Repository staff only until 1 April 2023. Download (1MB) | Request a copy

Abstract

Kebutuhan konektivitas data di era digital saat ini sangat dibutuhkan oleh masyarakat indonesia, khususnya yang berada di daerah pedesaan atau blankspot dengan topologi nusantara yang besar. Solusi yang menggunakan teknologi satelit adalah alternatif terbaik untuk mendukung distribusi akses internet, sehingga diperlukan jaminan layanan yang handal oleh masyarakat. Kecepatan, kelancaran dan kenyamanan akses ke pengguna data adalah ukuran keberhasilan layanan pengiriman yang disediakan oleh penyedia, sehingga pengoptimalan diperlukan dari sisi Aftersales yang dapat meningkatkan Perjanjian Tingkat Layanan dengan meminimalkan gangguan pada jaringan dan memprediksi kapan jaringan akan mengalami gangguan dengan memperhatikan parameter dan transmisi Satelit.
Proses pengelompokan dapat diproses dengan cara mengelompokkan sejumlah data faktor kualitas Sinyal dari remote jauh di beberapa klaster. Setelah hasil klaster diperoleh, diproses lagi dengan regresi logistik biner untuk hasil pengujian data dalam bentuk model yang digunakan untuk menganalisis seberapa kuat pengaruh beberapa variabel transmisi pada kualitas sinyal dalam jaringan satelit. Model yang digunakan diuji menggunakan nilai Recevier Operating Characteristic (ROC) dan Area Under Curve (AUC) sebagai nilai kelayakan dalam pengujian model data. Kemudian dari hasil penelitian ini, didapatkan suatu model untuk mencari peluang atau nilai prediksi dengan menggunakan nilai odds ratio.
Proses yang dilakukan oleh penelitian ini akan menjadi sistem cerdas untuk peringatan dini di dunia penyedia, sehingga dapat membantu dalam upaya pencegahan untuk menangani dan bahkan meminimalkan gangguan yang terjadi, akhirnya menciptakan layanan dengan Perjanjian dan Jaminan Tingkat Layanan yang lebih tinggi. Berdasarkan nilai AUC metode regresi logistik dengan kategori respon yang telah menjadi patokan enginner memberikan hasil yang lebih bagus dibandingkan dengan regresi logistik dengan penerapan K-means cluster, meskipun perbedaannya tidak terlalu signifikan. Variable prediktor yang signifikan mempengaruhi SQF adalah FEC Rate, average esno, Ranging SQF, current bin, ranging init esno, average pwm dan stream error rate, untuk variabel yang paling signifikan adalah FEC Rate dengan nilai AUC Regresi Logistik Biner Kluster sebesar 0,844 dan Original sebesar 0,883.
==========================================================================================================
The need for data connectivity in the digital era is currently very much needed by the people of Indonesia, especially those in rural areas or blankspots with a large archipelago topology. Solutions that use satellite technology are the best alternative to support the distribution of internet access, so that reliable service guarantees are needed by the public. Speed, smoothness and convenience of access to data users is a measure of the success of the delivery service provided by the provider, so optimization is needed from the side of Aftersales which can improve the Service Level Agreement by minimizing disruption to the network and predicting when the network will experience disruption by paying attention to Satellite parameters and transmission.
The grouping process can be processed by grouping a number of signal quality factor data from a remote remote in several clusters. After the cluster results are obtained, it is processed again with binary logistic regression for the results of data testing in the form of a model used to analyze how strong the influence of several transmission variables on the signal quality in the satellite network. The model used was tested using the Recevier Operating Characteristic (ROC) and Area Under Curve (AUC) values as the value of the feasibility of testing the data model. Then from the results of this study, we get a model to look for opportunities or predictive value using the odds ratio value.
The process carried out by this research will become a smart system for early warning in the provider world, so that it can assist in prevention efforts to deal with and even minimize the disruptions that occur, ultimately creating services with a higher Service Level Agreement and Guarantee. Based on the AUC value, the logistic regression method with the response category that has become the engineer's benchmark gives better results than the logistic regression with the application of K-means cluster, although the difference is not too significant. Predictor variables that significantly affect SQF are FEC Rate, average esno, Ranging SQF, current bin, ranging init esno, average pwm and stream error rate. The most significant variable being the FEC Rate with the AUC value of Cluster Binary Logistic Regression of 0.844 and Original of 0.883.

Item Type:	Thesis (Masters)
Uncontrolled Keywords:	Satelit Service, SLA & SLG, Clustering dan Predictive analytics, ROC, AUC , Early warning system
Subjects:	T Technology > T Technology (General) > T57.5 Data Processing
Divisions:	Faculty of Creative Design and Digital Business (CREABIZ) > Technology Management > 61101-(S2) Master Thesis
Depositing User:	Galih Priyambodo
Date Deposited:	08 Mar 2021 03:18
Last Modified:	08 Mar 2021 06:35
URI:	http://repository.its.ac.id/id/eprint/83711

Actions (login required)

View Item