MAKALAH SISTEM OPERASI

XGBOOST

Disusun Oleh :

KELOMPOK 9

ACHMAD FADHILAH SHIDIQ : 2210114001959

M. REVAN EKA PUTRA : 2210114003185

STUDI TEKNIK INFORMATIKA

FAKULTAS ILMU KOMPUTER UNIVERSITAS PAMULANG 2023

Jl. Surya Kencana No.1 Pamulang Telp (021)7412566, Fax. (021)7412566

Tangerang Selatan – Banten

 BAB I

XGBOOST

A. Tujuan Pembelajaran

Pada pertemuan ini akan dijelaskan pengetahuan dasar (basic science) tentang
Naves Bayes. Anda harus mampu:

1.1. Memahami konsep dasar dan prinsip kerja XBOOST

1.2. Mampu menerapkan XBOOST dalam konteks yang relevan
1.3. Mengidentifikasi dan mengevaluasi kelebihan dan kelemahan XBOOST
1.4. Mampu melakukan tuning dan penyesuaian parameter XBOOST
1.5. Mampu menerapkan evaluasi dan validasi model menggunakan XBOOST
1.6. Mengembangkan pemahaman tentang penggunaan XBOOST dalam
domain atau industri tertentu

B. Uraian Materi

Tujuan Pembelajaran 1.1

Memahami konsep dasar dan prinsip kerja XBOOST
1.1.1. Pengertian Konsep Dasar Dan Prinsip Kerja XBOOST

XBOOST adalah sebuah algoritma pengoptimalan dan peningkatan kinerja

yang digunakan dalam pembelajaran mesin (machine learning) dan pengambilan
keputusan. Konsep dasar XBOOST didasarkan pada penggunaan kombinasi model
lemah (weak learners) yang disebut "pohon keputusan" (decision trees) untuk
membentuk model yang lebih kuat dan akurat.

Prinsip kerja XBOOST dapat dijelaskan dalam langkah-langkah berikut:

1. Inisialisasi Model Awal: XBOOST memulai dengan membentuk model

awal yang sederhana, yang sering kali disebut "weak learner." Weak learner
ini bisa berupa pohon keputusan yang hanya memiliki sedikit tingkat
kedalaman atau memiliki performa yang rendah. Model awal ini berfungsi
sebagai baseline untuk ditingkatkan melalui langkah-langkah selanjutnya.
 2. Perhitungan Residual Error: XBOOST menghitung kesalahan prediksi
(residual error) antara prediksi yang diberikan oleh model awal dengan nilai
sebenarnya dari data pelatihan. Residual error ini mengindikasikan sejauh
mana model awal tidak mampu menggambarkan data dengan baik.
3. Pembentukan Weak Learner Tambahan: Selanjutnya, XBOOST
membangun weak learner tambahan untuk memprediksi residual error dari
langkah sebelumnya. Weak learner baru ini bertujuan untuk memperbaiki
kesalahan yang dilakukan oleh model awal. Weak learner baru ini
ditambahkan ke dalam model secara bertahap, sehingga model secara
keseluruhan semakin kompleks.
4. Penentuan Bobot Model: Setiap weak learner yang ditambahkan ke dalam
model memiliki bobot yang ditentukan berdasarkan sejauh mana mereka
mampu mengurangi residual error secara keseluruhan. Bobot ini
menunjukkan tingkat kontribusi weak learner terhadap model akhir.
5. Agregasi Model: XBOOST menggabungkan semua weak learner, yang
telah ditambahkan ke dalam model dengan bobot masing-masing, untuk
membentuk model akhir yang lebih kuat. Dalam proses ini, model awal
ditingkatkan secara bertahap dengan menekankan pada data yang sulit
diprediksi oleh model sebelumnya.
6. Prediksi dan Evaluasi: Setelah model akhir terbentuk, XBOOST dapat
digunakan untuk melakukan prediksi pada data baru. Selanjutnya, performa
model dievaluasi menggunakan metrik evaluasi yang relevan, seperti
akurasi, presisi, atau recall, untuk memastikan kualitas dan keakuratan
model yang dihasilkan.

Prinsip utama di balik XBOOST adalah menggabungkan kelemahan weak

learner secara berurutan dan berfokus pada data yang sulit diprediksi oleh model
sebelumnya. Dengan cara ini, XBOOST mampu membangun model yang lebih
kuat dan akurat dari sekumpulan weak learner, dan mampu mengatasi kelemahan
individual dalam memprediksi data secara efektif.
Keuntungan utama XBOOST adalah kemampuannya untuk mengatasi masalah
overfitting (pemodelan yang terlalu beradaptasi dengan data pelatihan) dan
menghasilkan model yang lebih generalisasi. Dengan menggabungkan beberapa
weak learner, XBOOST dapat memperbaiki kesalahan yang dilakukan oleh masing-
masing weak learner, sehingga menghasilkan model yang lebih baik dalam
melakukan prediksi pada data yang tidak terlihat sebelumnya.

Tujuan Pembelajaran 1.2

Mampu menerapkan XBOOST dalam konteks yang relevan
1.2.1. Penerapan XBOOST Dalam Konteks Yang Relevan

Untuk menerapkan XBOOST dalam konteks yang relevan, berikut

adalah beberapa langkah yang dapat Anda ikuti:

1. Persiapkan Data: Kumpulkan dan persiapkan data yang relevan

untuk analisis. Pastikan data tersebut memiliki fitur (variabel
independen) dan target (variabel dependen) yang jelas.
2. Eksplorasi Data: Lakukan eksplorasi data untuk memahami
karakteristiknya. Identifikasi tipe data, lakukan pemrosesan
data yang diperlukan seperti penghapusan nilai yang hilang
atau pemrosesan variabel kategorikal.
3. Bagi Data: Bagi data Anda menjadi dua subset, yaitu data
pelatihan (training data) dan data pengujian (test data). Data
pelatihan akan digunakan untuk melatih model XBOOST,
sedangkan data pengujian akan digunakan untuk menguji
kinerja model.
4. Inisialisasi Model Awal: Inisialisasikan model awal XBOOST
yang sederhana sebagai weak learner. Pilihan yang umum
adalah pohon keputusan dengan tingkat kedalaman terbatas
atau dengan parameter yang diatur secara default.
5. Latih Model: Latih model XBOOST pada data pelatihan.
Gunakan metode XBOOST yang tersedia dalam pustaka atau
alat yang Anda pilih, dan tentukan parameter yang sesuai,
 seperti jumlah iterasi (n_estimators), kedalaman maksimum
pohon (max_depth), dan tingkat pembelajaran (learning_rate).
6. Evaluasi dan Tuning: Evaluasi kinerja model XBOOST pada
data pengujian menggunakan metrik evaluasi yang relevan,
seperti akurasi, presisi, recall, atau area di bawah kurva ROC
(AUC-ROC). Jika hasil evaluasi tidak memenuhi harapan,
lakukan tuning parameter untuk meningkatkan kinerja model.
Anda dapat mencoba variasi nilai parameter seperti jumlah
iterasi, kedalaman pohon, dan tingkat pembelajaran untuk
mencari kombinasi terbaik.
7. Prediksi pada Data Baru: Setelah Anda puas dengan kinerja
model, gunakan model XBOOST yang telah dilatih untuk
melakukan prediksi pada data baru yang belum pernah dilihat
sebelumnya.
8. Evaluasi Kinerja dan Interpretasi: Evaluasi kinerja model pada
data baru menggunakan metrik evaluasi yang relevan. Selain
itu, interpretasikan hasil prediksi dan pemahaman tentang
faktor-faktor yang berkontribusi pada hasil tersebut.
9. Penyempurnaan Model: Jika diperlukan, lakukan
penyempurnaan lebih lanjut pada model dengan melatih
kembali model XBOOST pada data yang diperbarui atau
dengan menambahkan data baru.
10. Validasi Model: Lakukan validasi silang (cross-validation)
atau validasi out-of-sample untuk memastikan kehandalan dan
kestabilan model XBOOST.

Penting untuk dicatat bahwa implementasi XBOOST dapat bervariasi

tergantung pada pustaka atau alat yang Anda gunakan. Pastikan untuk
merujuk dokumentasi resmi dan panduan pengguna untuk petunjuk yang
lebih rinci tentang implementasi XBOOST dalam alat yang Anda pilih.
 Tujuan Pembelajaran 1.3
Mengidentifikasi dan mengevaluasi kelebihan dan kelemahan XBOOST
1.3.1. Cara Mengidentifikasi Dan Mengavaluasi Kelebihan Dan Kelemahan

Untuk mengidentifikasi dan mengetahui kelebihan dan kelemahan XBOOST,

Anda dapat melakukan beberapa langkah berikut:

1. Studi Literatur dan Riset Terkait

Membaca artikel, buku, dan riset yang telah dilakukan tentang XBOOST
dapat memberikan wawasan tentang kelebihan dan kelemahannya. Anda dapat
mencari studi perbandingan dengan algoritma lain atau membaca ulasan yang
mencakup keunggulan dan keterbatasan XBOOST.

2. Konsultasi dengan Ahli

Berdiskusi dengan ahli atau praktisi yang memiliki pengalaman dalam
menggunakan XBOOST dapat memberikan pandangan dan wawasan yang
berharga tentang kelebihan dan kelemahan algoritma ini. Mereka dapat berbagi
pengalaman langsung mereka dalam menerapkan XBOOST dan memberikan
perspektif yang lebih mendalam.

3. Uji dan Evaluasi

Implementasikan XBOOST dalam kasus yang relevan dan uji kinerjanya
dengan menggunakan data pengujian yang sesuai. Bandingkan hasilnya dengan
metrik evaluasi yang tepat, dan perhatikan kelebihan dan kelemahan yang muncul
selama pengujian. Misalnya, perhatikan waktu pelatihan dan prediksi, ketepatan
prediksi, kehandalan, dan skalabilitas XBOOST.

4. Sensitivitas terhadap Data Outlier

Cermati bagaimana XBOOST merespons keberadaan data outlier.
Algoritma ini cenderung rentan terhadap data outlier yang kuat, dan dapat
menghasilkan model yang tidak stabil atau overfitting jika tidak diatasi secara
tepat.

5. Keandalan dengan Data yang Kurang Proporsional

Perhatikan bagaimana XBOOST berperilaku ketika dihadapkan pada data

yang tidak seimbang atau kurang proporsional, yaitu ketika kelas target memiliki
 jumlah observasi yang tidak sebanding. Algoritma ini dapat menghasilkan model
yang cenderung condong ke mayoritas kelas atau mengabaikan kelas minoritas jika
tidak ditangani dengan baik.

6. Kerumitan Model

Perhatikan kompleksitas model yang dihasilkan oleh XBOOST. Algoritma

ini cenderung menghasilkan model yang lebih kompleks dibandingkan dengan
beberapa metode pembelajaran mesin lainnya. Dalam beberapa kasus, hal ini dapat
menyebabkan peningkatan waktu pelatihan dan risiko overfitting jika tidak diatur
dengan baik.

7. Ketergantungan terhadap Parameter

XBOOST memiliki beberapa parameter yang perlu dikonfigurasi, seperti
jumlah iterasi, kedalaman pohon, dan tingkat pembelajaran. Perhatikan bagaimana
kinerja XBOOST bervariasi dengan perubahan parameter ini, dan pelajari
bagaimana mengoptimalkan parameter tersebut agar sesuai dengan data dan kasus
yang sedang Anda hadapi.

Dalam mengidentifikasi kelebihan dan kelemahan XBOOST, penting untuk

mempertimbangkan konteks dan tujuan spesifik Anda dalam menerapkan algoritma
ini. Setiap algoritma memiliki kelebihan dan kelemahan masing-masing, dan
pemahaman yang mendalam tentang karakteristik XBOOST akan membantu Anda
dalam pengambilan keputusan yang tepat terkait penerapannya dalam kasus yang
relevan.

Tujuan Pembelajaran 1.4

Mampu melakukan tuning dan penyesuaian parameter XBOOST
1.4.1. Tuning Dan Penyesuaian Parameter XBOOST

Untuk melakukan tuning dan penyesuaian parameter XBOOST, Anda dapat

mengikuti langkah-langkah berikut:
1. Pahami Parameter XBOOST

Pelajari parameter-parameter yang tersedia dalam XBOOST dan

pemahami pengaruhnya terhadap kinerja model. Beberapa parameter yang umum
adalah jumlah iterasi (n_estimators), kedalaman maksimum pohon (max_depth),
tingkat pembelajaran (learning_rate), ukuran subsample, dan banyak lagi. Pahami
arti dan pengaruh setiap parameter ini terhadap hasil yang dihasilkan oleh model
XBOOST.

2. Tentukan Rentang Nilai

Tentukan rentang nilai yang akan diuji untuk setiap parameter. Misalnya,
Anda dapat menentukan rentang nilai dari 1 hingga 10 untuk jumlah iterasi, dan
dari 3 hingga 10 untuk kedalaman maksimum pohon. Rentang nilai ini akan
digunakan dalam proses tuning.

3. Gunakan Metode Tuning Parameter

Ada beberapa metode yang dapat Anda gunakan untuk menemukan

kombinasi parameter yang optimal. Metode yang umum digunakan termasuk grid
search, random search, atau teknik optimasi seperti Bayesian Optimization. Pilih
metode yang sesuai dengan kebutuhan Anda dan lakukan tuning parameter
menggunakan metode tersebut.

 Grid SearcH

Grid search melibatkan pengujian semua kombinasi nilai

parameter yang mungkin dalam rentang yang telah ditentukan. Ini
dilakukan dengan membuat grid dari semua kombinasi nilai parameter dan
melatih model untuk setiap kombinasi. Grid search membutuhkan waktu
yang lebih lama karena mencoba semua kombinasi, tetapi dapat
memberikan hasil yang komprehensif.

 Random SearcH
Random search melibatkan pemilihan acak dari nilai
parameter dalam rentang yang telah ditentukan. Sejumlah
kombinasi parameter yang dihasilkan secara acak kemudian dilatih
dan dievaluasi. Random search lebih efisien dalam hal waktu
 dibandingkan dengan grid search, tetapi mungkin tidak mencoba
semua kombinasi secara eksplisit.
 Bayesian Optimization
Metode optimasi bayesian menggunakan algoritma yang
menggabungkan informasi dari percobaan sebelumnya untuk
memilih kombinasi parameter yang paling mungkin memberikan
kinerja terbaik. Metode ini lebih efisien daripada grid search dan
random search karena memanfaatkan pengetahuan yang diperoleh
dari setiap percobaan untuk mengarahkan pencarian ke ruang
parameter yang lebih berpotensi.

4. Evaluasi Kinerja

Setiap kali Anda melatih dan mengevaluasi model dengan

kombinasi parameter tertentu, evaluasi kinerja model menggunakan metrik
evaluasi yang relevan. Hal ini akan membantu Anda memahami bagaimana
perubahan parameter mempengaruhi kinerja model, dan memilih kombinasi
parameter yang menghasilkan hasil yang paling baik.

5. Pilih Kombinasi Parameter Terbaik

Setelah menjalankan proses tuning parameter dengan metode yang

Anda pilih, pilih kombinasi parameter yang memberikan hasil kinerja
terbaik sesuai dengan metrik evaluasi yang Anda gunakan. Kombinasi ini
akan menjadi konfigurasi parameter optimal untuk model XBOOST Anda.

6. Uji Validitas

Setelah menentukan kombinasi parameter terbaik, uji kinerja model

XBOOST pada data pengujian yang belum pernah dilihat sebelumnya,
Pastikan model memberikan hasil yang baik dan kinerja yang konsisten
pada data baru.
 7. Penyempurnaan Lanjutan

Jika diperlukan, lakukan iterasi lebih lanjut dalam tuning parameter

untuk meningkatkan kinerja model. Perhatikan bahwa tuning parameter
dapat menjadi proses yang iteratif, di mana Anda dapat melanjutkan
eksplorasi nilai parameter yang lebih detail untuk meningkatkan kinerja
model.

Penting untuk diingat bahwa tuning parameter adalah proses yang

membutuhkan waktu dan dapat memerlukan sumber daya komputasi yang
signifikan, terutama jika Anda mencoba kombinasi parameter yang sangat luas.
Oleh karena itu, pastikan Anda mempertimbangkan batasan sumber daya dan waktu
yang Anda miliki saat melakukan tuning dan penyesuaian parameter
XBOOST.klasifikasi.

Tujuan Pembelajaran 1.5

Mampu menerapkan evaluasi dan validasi model menggunakan XBOOST

1.5.1. Penerapan Evaluasi Dan Validasi Model Menggunakan XBOOST

Ketika menggunakan metode klasifikasi berbasis probabilitas seperti Naive

Bayes Untuk menerapkan evaluasi dan validasi model menggunakan XBOOST,
Anda dapat mengikuti langkah-langkah berikut:

1. Bagi Data

Mulailah dengan membagi data Anda menjadi dua subset yang

terpisah, yaitu data pelatihan (training data) dan data pengujian (test data).
Data pelatihan akan digunakan untuk melatih model XBOOST, sedangkan
data pengujian akan digunakan untuk menguji kinerja model.

2. Pelatihan Model
Gunakan data pelatihan untuk melatih model XBOOST. Tentukan
parameter-parameter yang relevan, seperti jumlah iterasi (n_estimators),
kedalaman maksimum pohon (max_depth), tingkat pembelajaran
 (learning_rate), dan sebagainya. Latih model menggunakan fungsi
XBOOST yang tersedia dalam pustaka atau alat yang Anda gunakan.
3. Evaluasi Kinerja pada Data Pelatihan
Evaluasi kinerja model XBOOST pada data pelatihan untuk
memastikan bahwa model sedang belajar dari data tersebut. Gunakan metrik
evaluasi yang sesuai, seperti akurasi, presisi, recall, atau area di bawah
kurva ROC (AUC-ROC), untuk mengevaluasi kinerja model pada data
pelatihan. Ini akan memberikan Anda pemahaman awal tentang kinerja
model.
4. Evaluasi Kinerja pada Data Pengujian

Setelah model dilatih, gunakan data pengujian yang terpisah untuk

menguji kinerja model XBOOST secara objektif. Evaluasi kinerja model
menggunakan metrik evaluasi yang relevan, seperti akurasi, presisi, recall, atau
AUC-ROC, untuk mendapatkan pemahaman tentang sejauh mana model dapat
melakukan prediksi yang akurat pada data yang belum pernah dilihat sebelumnya.

5. Validasi Silang (Cross-Validation)

Gunakan validasi silang (cross-validation) untuk memvalidasi dan
memperkirakan kinerja model XBOOST secara lebih reliabel. Dalam
validasi silang, data Anda dibagi menjadi beberapa subset yang saling
bergantian, dan model dilatih dan dievaluasi pada setiap subset. Hal ini
membantu mengurangi bias dalam penilaian kinerja model dan memberikan
estimasi yang lebih konsisten tentang kinerja model secara keseluruhan.
6. Tuning Parameter

Selama proses evaluasi dan validasi, Anda mungkin perlu melakukan

tuning parameter untuk meningkatkan kinerja model. Cobalah variasi nilai
parameter seperti jumlah iterasi, kedalaman pohon, atau tingkat pembelajaran, dan
periksa bagaimana perubahan tersebut mempengaruhi kinerja model. Anda dapat
menggunakan metode seperti grid search, random search, atau teknik optimasi
untuk menemukan kombinasi parameter yang optimal.
 7. Interpretasi Hasil

Selain menguji kinerja model, juga penting untuk memahami faktor-

faktor yang berkontribusi pada hasil prediksi. Anda dapat melakukan
analisis fitur penting (feature importance) menggunakan XBOOST untuk
memahami variabel mana yang memiliki pengaruh signifikan terhadap
prediksi model.

8. Validasi pada Data Baru

Setelah Anda puas dengan kinerja dan interpretasi model, lakukan validasi
akhir pada data baru yang belum pernah dilihat sebelumnya. Gunakan model
XBOOST yang telah dilatih untuk melakukan prediksi pada data baru dan evaluasi
kinerja model pada data tersebut.

Penting untuk dicatat bahwa evaluasi dan validasi model adalah proses yang
penting dalam pengembangan model XBOOST yang baik. Pastikan Anda
memahami metrik evaluasi yang digunakan, memperhatikan kekurangan atau bias
yang mungkin muncul, dan memperbaiki atau menyesuaikan model jika diperlukan.

Tujuan Pembelajaran 1.6

Mengembangkan pemahaman tentang penggunaan XBOOST dalam domain
atau industri tertentu
1.6.1. Pengembangan XBOOST Dalam Domain Atau Industri Tertentu

Dalam Untuk mengembangkan pemahaman tentang penggunaan XBOOST

dalam domain atau industri tertentu, Anda dapat mengikuti langkah-langkah
berikut:

1. Studi Literatur

Mulailah dengan mempelajari literatur yang ada tentang

penggunaan XBOOST dalam domain atau industri yang Anda minati. Baca
artikel, jurnal, dan buku yang membahas penggunaan XBOOST dalam
konteks tersebut. Pahami bagaimana XBOOST telah diterapkan dalam
masalah yang serupa dengan yang Anda hadapi.
2. Penelitian Terkait

Teliti penelitian yang telah dilakukan oleh orang lain dalam domain
atau industri yang sama. Identifikasi studi kasus, riset, atau proyek yang
telah menggunakan XBOOST untuk memecahkan masalah serupa atau
relevan dengan yang Anda hadapi. Perhatikan penggunaan XBOOST yang
sukses dan penerapan terbaik yang dapat Anda pelajari dari penelitian
tersebut.

3. Konsultasi dengan Ahli

Jika memungkinkan, konsultasikan dengan ahli yang memiliki

pengalaman dalam menerapkan XBOOST dalam domain atau industri yang
Anda minati. Diskusikan dengan mereka tentang tantangan yang mungkin
Anda hadapi, strategi terbaik, dan tips praktis dalam menerapkan XBOOST
dalam konteks tersebut. Ahli tersebut dapat memberikan wawasan berharga
dan perspektif yang mendalam.

4. Pelajari Dataset yang Relevan

Jika Anda memiliki akses ke dataset yang relevan dengan domain

atau industri tersebut, pelajari dengan seksama dataset tersebut. Pahami
karakteristik dan struktur dataset, serta tantangan atau keunikan yang
mungkin ada dalam data tersebut. Hal ini akan membantu Anda memahami
bagaimana XBOOST dapat diterapkan dengan efektif dalam mengolah data
tersebut.

5. Eksplorasi Fitur dan Preprocessing Data

Memahami fitur-fitur yang relevan dalam dataset dan melakukan

preprocessing data yang tepat adalah langkah penting dalam menerapkan
XBOOST dalam domain atau industri tertentu. Eksplorasi fitur-fitur yang
memiliki pengaruh signifikan pada masalah yang ingin Anda selesaikan,
dan terapkan preprocessing data yang diperlukan, seperti normalisasi,
penghapusan outlier, atau pengkodean variabel kategorikal.
 6. Penyesuaian Parameter
Setiap implementasi XBOOST dapat memerlukan penyesuaian
parameter yang tepat untuk mencapai hasil yang optimal dalam domain atau
industri yang spesifik. Lakukan tuning parameter untuk menyesuaikan
XBOOST dengan masalah yang Anda hadapi. Perhatikan parameter seperti
jumlah iterasi, kedalaman pohon, atau tingkat pembelajaran, yang mungkin
perlu disesuaikan dengan karakteristik data dan tantangan yang unik dalam
domain atau industri Anda.
7. Evaluasi dan Validasi Model

Evaluasi dan validasi model XBOOST dalam konteks domain atau

industri tertentu sangat penting. Gunakan metrik evaluasi yang relevan dan
sesuaikan dengan masalah yang Anda selesaikan. Evaluasi kinerja model
pada dataset validasi atau pengujian, dan pastikan bahwa model
memberikan hasil yang baik dalam konteks domain atau industri tersebut.

8. Praktek dan Pengalaman

Teruslah berlatih dan memperoleh pengalaman dalam menerapkan

XBOOST dalam domain atau industri yang Anda minati. Semakin banyak
Anda bekerja dengan dataset dan masalah yang relevan, semakin Anda akan
mengembangkan pemahaman yang mendalam tentang penggunaan
XBOOST dan strategi terbaik dalam menerapkannya.

Selama proses ini, penting untuk terus belajar dan beradaptasi dengan
perubahan dan perkembangan dalam domain atau industri Anda. Tetap mengikuti
literatur dan penelitian terbaru, serta berinteraksi dengan komunitas atau forum
yang berhubungan dengan XBOOST dalam konteks yang Anda minati.
 DAFTAR PUSTAKA

Ariyus, Dony dan Rum Andri K.R. 2008. Komunikasi Data. Yogyakarta :
C.V ANDI OFFSET

Achmadi, Meizar Didi dan Asep Supriadi. 2010. Membangun Jaringan LAN.
Jurnal Perkembangan Telematika.

Fitriani RE, Riyanto A. 2016. Mendesain Keamanan Sistem Jaringan. Jurnal

Teknologi Informasi dan Komunikasi. Vol. 36, Hal. 22-40

Sutanta, Edhy. 2005.” Komunikasi Data dan Jaringan Komputer”, Graha

Ilmu.

Maulida, Lisna. 2012. Protokol Komunikasi Data, 30, 4350-1308. Jurnal

Komunikasi Data. Retrieved from;

http://xo.unindra.blogspot.com/2012/06/jurnal-lisna-maulida-2011-4350-
1308.html

Riadi, Imam. 2010. Optimasi Bandwith menggunakan Traffic Shapping.

Jurnal Informatika. Vol. 4 No. 1. Retrieved from;

http://jogjapress.com/index.php/JIFO/article/viewFile/33/57

https://www.nesabamedia.com/topologi-tree/

http://jurnalinformatika.petra.ac.id/index.php/inf/article/download/15822/15
4