Analisis Perbandingan Algoritma Random Forest, Support Vector Machine, dan Artificial Neural Network untuk Prediksi Kondisi Jaringan dan Mitigasi Gangguan Jaringan Starlink di PT X

Jaringan Starlink merupakan salah satu teknologi komunikasi satelit Low Earth Orbit (LEO) yang menawarkan cakupan luas dan latensi rendah. Namun, kualitas layanan jaringan masih dipengaruhi oleh kondisi cuaca yang dapat menyebabkan peningkatan delay, jitter, dan packet loss, serta penurunan throughput. Penelitian ini bertujuan untuk membandingkan kinerja algoritma Random Forest (RF), Support Vector Machine (SVM), dan Artificial Neural Network (ANN) dalam memprediksi kondisi jaringan Starlink serta mengimplementasikan model terbaik untuk mendukung mitigasi gangguan jaringan di PT X. Dataset penelitian diperoleh dari integrasi data cuaca Badan Meteorologi, Klimatologi, dan Geofisika (BMKG), yang meliputi curah hujan, kelembapan udara, dan kecepatan angin, dengan data Quality of Service (QoS) jaringan Starlink yang terdiri atas ping, throughput, jitter, dan packet loss. Tahapan penelitian meliputi preprocessing data, pelabelan kondisi jaringan berdasarkan standar TIPHON menjadi kategori Normal, Warning, dan Gangguan, pelatihan model menggunakan algoritma RF, SVM, dan ANN, serta evaluasi menggunakan metrik accuracy, precision, recall, F1-score, dan confusion matrix. Hasil pengujian menunjukkan bahwa algoritma Random Forest memberikan performa terbaik dengan akurasi 99,81%, diikuti oleh Support Vector Machine sebesar 99,03% dan Artificial Neural Network sebesar 98,58%. Model Random Forest kemudian diimplementasikan pada Raspberry Pi yang terintegrasi dengan ESP32, router MikroTik, modem Orbit sebagai jalur komunikasi cadangan, serta Telegram Bot untuk melakukan pemantauan kondisi jaringan secara real-time dan mendukung mekanisme failover otomatis ketika kondisi jaringan diprediksi mengalami critical.

Kata Kunci: Machine Learning, Random Forest, Support Vector Machine, Artificial Neural Network, Starlink, Quality of Service, Failover