ANALISIS DAN EVALUASI KINERJA JARINGAN KOMPUTER DENGAN METODE QUALITY OF SERVICE (QOS) MENGGUNAKAN APLIKASI WIRESHARK DI SMA NEGERI 9 KOTA TASIKMALAYA

Authors

DOI:

https://doi.org/10.46576/djtechno.v7i2.8872

Keywords:

Quality of Service, Evaluasi Jaringan, Wireshark, Jaringan Komputer, Throughput, Delay, Packet Loss.

Abstract

Penelitian ini bertujuan untuk menganalisis dan menyalakan kinerja jaringan komputer di SMA Negeri 9 Tasikmalaya menggunakan metode Quality of Service (QoS). Penelitian ini dilatarbelakangi oleh adanya beberapa permasalahan jaringan seperti koneksi WiFi yang tidak stabil, keterbatasan bandwidth sebesar 130 Mbps, serta penggunaan satu sumber internet. Tujuan penelitian ini adalah untuk mengetahui kualitas jaringan serta memberikan rekomendasi perbaikan. Metode yang digunakan adalah analisis QoS dengan parameter Throughput, Delay, Jitter, dan Packet Loss yang diukur menggunakan aplikasi Wireshark. Pengumpulan data dilakukan melalui observasi, wawancara, dan pengukuran langsung di tiga lokasi yaitu ruang guru, ruang wakasek dan TU, serta area lobi. Hasil penelitian menunjukkan bahwa nilai Throughput berbeda di setiap lokasi, dengan kinerja terbaik terdapat di ruang guru. Parameter Delay dan Jitter berada dalam kategori sangat baik yang menunjukkan kestabilan jaringan. Namun, nilai Packet Loss di ruang guru mencapai 7,8% yang termasuk kategori sedang. Secara keseluruhan, kinerja jaringan tergolong baik namun belum merata. Oleh karena itu, diperlukan optimalisasi bandwidth, penambahan sumber internet, serta pembaruan perangkat jaringan untuk meningkatkan kualitas layanan.

References

REFERENCES

M. Sigala, A. Beer, L. Hodgson, and A. O’Connor, Big Data for Measuring the Impact of Tourism Economic Development Programmes: A Process and Quality Criteria Framework for Using Big Data. 2019.

G. Nguyen et al., “Machine Learning and Deep Learning frameworks and libraries for large-scale data mining: a survey,” Artif. Intell. Rev., vol. 52, no. 1, pp. 77–124, 2019, doi: 10.1007/s10462-018-09679-z.

C. Shorten and T. M. Khoshgoftaar, “A survey on Image Data Augmentation for Deep Learning,” J. Big Data, vol. 6, no. 1, 2019, doi: 10.1186/s40537-019-0197-0.

R. Vinayakumar, M. Alazab, K. P. Soman, P. Poornachandran, A. Al-Nemrat, and S. Venkatraman, “Deep Learning Approach for Intelligent Intrusion Detection System,” IEEE Access, vol. 7, pp. 41525–41550, 2019, doi: 10.1109/ACCESS.2019.2895334.

K. Sivaraman, R. M. V. Krishnan, B. Sundarraj, and S. Sri Gowthem, “Network failure detection and diagnosis by analyzing syslog and SNS data: Applying big data analysis to network operations,” Int. J. Innov. Technol. Explor. Eng., vol. 8, no. 9 Special Issue 3, pp. 883–887, 2019, doi: 10.35940/ijitee.I3187.0789S319.

A. D. Dwivedi, G. Srivastava, S. Dhar, and R. Singh, “A decentralized privacy-preserving healthcare blockchain for IoT,” Sensors (Switzerland), vol. 19, no. 2, pp. 1–17, 2019, doi: 10.3390/s19020326.

F. Al-Turjman, H. Zahmatkesh, and L. Mostarda, “Quantifying uncertainty in internet of medical things and big-data services using intelligence and deep learning,” IEEE Access, vol. 7, pp. 115749–115759, 2019, doi: 10.1109/ACCESS.2019.2931637.

S. Kumar and M. Singh, “Big data analytics for healthcare industry: Impact, applications, and tools,” Big Data Min. Anal., vol. 2, no. 1, pp. 48–57, 2019, doi: 10.26599/BDMA.2018.9020031.

L. M. Ang, K. P. Seng, G. K. Ijemaru, and A. M. Zungeru, “Deployment of IoV for Smart Cities: Applications, Architecture, and Challenges,” IEEE Access, vol. 7, pp. 6473–6492, 2019, doi: 10.1109/ACCESS.2018.2887076

B. P. L. Lau et al., “A survey of data fusion in smart city applications,” Inf. Fusion, vol. 52, no. January, pp. 357–374, 20619, doi: 10.1016/j.inffus.2019.05.004.

Y. Wu et al., “Large scale incremental learning,” Proc. IEEE Comput. Soc. Conf. Comput. Vis. Pattern Recognit., vol. 2019-June, pp. 374–382, 2019, doi: 10.1109/CVPR.2019.00046.

A. Mosavi, S. Shamshirband, E. Salwana, K. wing Chau, and J. H. M. Tah, “Prediction of multi-inputs bubble column reactor using a novel hybrid model of computational fluid dynamics and machine learning,” Eng. Appl. Comput. Fluid Mech., vol. 13, no. 1, pp. 482–492, 2019, doi: 10.1080/19942060.2019.1613448.

V. Palanisamy and R. Thirunavukarasu, “Implications of big data analytics in developing healthcare frameworks – A review,” J. King Saud Univ. - Comput. Inf. Sci., vol. 31, no. 4, pp. 415–425, 2019, doi: 10.1016/j.jksuci.2017.12.007.

J. Sadowski, “When data is capital: Datafication, accumulation, and extraction,” Big Data Soc., vol. 6, no. 1, pp. 1–12, 2019, doi: 10.1177/2053951718820549.

J. R. Saura, B. R. Herraez, and A. Reyes-Menendez, “Comparing a traditional approach for financial brand communication analysis with a big data analytics technique,” IEEE Access, vol. 7, pp. 37100–37108, 2019, doi: 10.1109/ACCESS.2019.2905301.

D. Nallaperuma et al., “Online Incremental Machine Learning Platform for Big Data-Driven Smart Traffic Management,” IEEE Trans. Intell. Transp. Syst., vol. 20, no. 12, pp. 4679–4690, 2019, doi: 10.1109/TITS.2019.2924883.

S. Schulz, M. Becker, M. R. Groseclose, S. Schadt, and C. Hopf, “Advanced MALDI mass spectrometry imaging in pharmaceutical research and drug development,” Curr. Opin. Biotechnol., vol. 55, pp. 51–59, 2019, doi: 10.1016/j.copbio.2018.08.003.

C. Shang and F. You, “Data Analytics and Machine Learning for Smart Process Manufacturing: Recent Advances and Perspectives in the Big Data Era,” Engineering, vol. 5, no. 6, pp. 1010–1016, 2019, doi: 10.1016/j.eng.2019.01.019.

Y. Yu, M. Li, L. Liu, Y. Li, and J. Wang, “Clinical big data and deep learning: Applications, challenges, and future outlooks,” Big Data Min. Anal., vol. 2, no. 4, pp. 288–305, 2019, doi: 10.26599/BDMA.2019.9020007.

M. Huang, W. Liu, T. Wang, H. Song, X. Li, and A. Liu, “A queuing delay utilization scheme for on-path service aggregation in services-oriented computing networks,” IEEE Access, vol. 7, pp. 23816–23833, 2019, doi: 10.1109/ACCESS.2019.2899402.

G. Xu, Y. Shi, X. Sun, and W. Shen, “Internet of things in marine environment monitoring: A review,” Sensors (Switzerland), vol. 19, no. 7, pp. 1–21, 2019, doi: 10.3390/s19071711.

M. Aqib, R. Mehmood, A. Alzahrani, I. Katib, A. Albeshri, and S. M. Altowaijri, Smarter traffic prediction using big data, in-memory computing, deep learning and gpus, vol. 19, no. 9. 2019.

S. Leonelli and N. Tempini, Data Journeys in the Sciences. 2020.

N. Stylos and J. Zwiegelaar, Big Data as a Game Changer: How Does It Shape Business Intelligence Within a Tourism and Hospitality Industry Context? 2019.

Q. Song, H. Ge, J. Caverlee, and X. Hu, “Tensor completion algorithms in big data analytics,” arXiv, vol. 13, no. 1, 2017.

Downloads

Published

2026-07-31

Issue

Vol. 7 No. 2 (2026): Agustus

Section

Articles

License

Pernyataan Hak Cipta dan Lisensi

  1. Hak Cipta atas naskah-naskah karya ilmiah di dalam Jurnal ini dipegang oleh Penulis.
  2. Penulis menyerahkan hak saat pertama kali mempublikasi Naskah karya ilmiahnya dan secara bersamaan Penulis memberikan izin/lisensi dengan mengacu pada  Creative Commons Attribution-ShareAlike 4.0 International License kepada pihak lain untuk menyebarkan karya ilmiahnya tersebut dengan tetap mencantumkan penghargaan bagi penulis dan Djtechno sebagai media Publikasi pertama atas karya tersebut.
  3. Hal-hal yang berkaitan dengan non-eksklusivitas pendistribusian Jurnal yang menerbitkan karya ilmiah penulis dapat diperjanjikan secara terpisah (contoh: permintaan untuk menempatkan karya yang dimaksud pada perpustakaan suatu institusi atau menerbitkannya sebagai buku) dengan Penulis sebagai salah satu pihak perjanjian dan dengan penghargaan pada Djtechno sebagai media publikasi pertama atas karya dimaksud.
  4. Penulis dapat dan diharapkan untuk mengumumkan karyanya secara online (misalnya pada Repositori atau pada laman Organisai/Institusinya) sejak sebelum dan selama proses pengumpulan naskah, sebab upaya tersebut dapat meningkatkan pertukaran citasi lebih awal dan dengan cakupan yang lebih luas.