Penerapan Logistic Regression Untuk Memprediksi Kualitas Sinyal Optik Menggunakan Data Parameter Jaringan Telekomunikasi
Abstract
Jaringan telekomunikasi optik memegang peranan penting dalam mendukung layanan komunikasi modern yang membutuhkan kecepatan dan keandalan tinggi. Penelitian ini bertujuan membangun model prediksi kualitas sinyal optik secara real-time menggunakan metode Logistic Regression. Model dikembangkan dengan memanfaatkan 20 parameter teknis. Data diperoleh dari platform Kaggle, kemudian diproses melalui tahapan pembersihan, normalisasi, serta pembagian dataset menjadi 80% data latih dan 20% data uji. Model regresi logistik menghasilkan nilai intercept -3,733 dengan koefisien tertinggi pada Optical Amplifier Gain (1,661), diikuti oleh Transmission Distance, PMD Coefficient, dan BER, yang masing-masing memiliki nilai di atas 1,3. Beberapa variabel seperti Fiber Attenuation dan Noise berpengaruh negatif terhadap kualitas sinyal. Nilai koefisien ini menunjukkan arah dan besar pengaruh tiap fitur terhadap probabilitas sinyal optik tergolong baik. Model menunjukkan tingkat akurasi 100% pada data uji, dengan seluruh prediksi sesuai nilai aktual. Model ini diimplementasikan dalam aplikasi desktop berbasis PyQt5, dilengkapi fitur input parameter teknis, normalisasi otomatis, prediksi, visualisasi hasil, dan ekspor data ke Excel. Logistic Regression terbukti efektif untuk prediksi kualitas sinyal optik dan mendukung pengambilan keputusan operasional secara efisien.
Kata Kunci: Jaringan Telekomunikasi Optik, Logistic Regression, PyQt5
References
M. K. Nurwijaya, “Analisis Gangguan Dan Identifikasi Kabel Fiber Optic Menggunakan Otdr Di Otb Cirebon-Brebes R4,” J. Inform. dan Tek. Elektro Terap., vol. 12, no. 2, 2024.
R. R. S. R. R. Srimurni, S. N. S. Nur, I. S. N. I. S. Nugroho, R. Rantiyo, M. L. G. M. L. Gozali, and M. R. M. Rafi, “ANALISIS JARINGAN AKSES OPTIK UNTUK MENINGKATKAN KUALITAS LAYANAN BTS TELKOMSEL DI PT TELKOM WITEL BANDUNG,” Teknol. Nusant., vol. 6, no. 1, pp. 1–11, 2024.
P. Schober and T. R. Vetter, “Logistic regression in medical research,” Anesth. Analg., vol. 132, no. 2, pp. 365–366, 2021.
N. O. R. K. C. PRATIWI, N. U. R. IBRAHIM, and S. SAIDAH, “Prediksi Kanker Paru Menggunakan Grid Search Untuk Optimasi Hyperparameter Pada Algoritma Mlp Dan Logistic Regression,” ELKOMIKA J. Tek. Energi Elektr. Tek. Telekomun. Tek. Elektron., vol. 12, no. 3, p. 556, 2024.
Y. Xie, Z. Yang, M. Shi, W. Hu, and L. Yi, “Signal-to-noise ratio degradation analysis for optoelectronic feedback-based chaotic optical communication systems,” Opt. Lett., vol. 48, no. 19, pp. 5005–5008, 2023.
T. Kullolli, B. Trebicka, and S. Fortuzi, “Understanding customer satisfaction factors: A logistic regression analysis,” J. Bus. Res., vol. 12, no. 2, pp. 218–231, 2024.
