Ahmad Al-Kahfi Kenedy

Jaringan serat optik berperan penting dalam komunikasi data berkecepatan tinggi, tetapi kualitas transmisinya dapat menurun akibat soft failure yang berkembang secara bertahap. Penelitian ini menerapkan pendekatan machine learning dan deep learning untuk klasifikasi soft failure serta prediksi Optical Signal-to-Noise Ratio (OSNR) berbasis data Quality of Transmission (QoT). Dataset berupa data sekunder hasil simulasi Software Defined Optical Network (SDON) dari Mendeley Data yang diproses melalui preprocessing, meliputi segmentasi time-series, group-based splitting, sliding window (10 timestep, 1 horizon), normalisasi fitur, serta representasi data tabular dan sequence. Model klasifikasi yang dievaluasi meliputi TabNet, Logistic Regression, Random Forest, LSTM, dan SimpleRNN, sedangkan regresi OSNR menggunakan Ridge Regression, Random Forest, LSTM, dan SimpleRNN dengan sequential grid search. Hasil menunjukkan TabNet Classifier memberikan performa klasifikasi terbaik dengan accuracy 99,9577%, precision 99,9578%, recall 99,9577%, dan F1-score 99,9577%, sementara LSTM Regressor menghasilkan prediksi OSNR terbaik dengan MAE 0,009698, RMSE 0,021962, dan R² 0,999933. Temuan ini menunjukkan bahwa TabNet efektif untuk klasifikasi soft failure melalui feature importance dan attention mechanism, sedangkan LSTM lebih optimal dalam memprediksi OSNR pada data QoT simulasi.