Di tengah-tengah maraknya AI dan big data, kepercayaan masyarakat terhadap infrastruktur digital saat ini mengandung kekhawatiran yang belum banyak disadari. Setiap bulan, masyarakat patuh membayar tagihan internet sesuai angka yang tertera di kontrak, menganggap bahwa layanan yang diterima sesuai dengan yang dibayar. Namun, ada pertanyaan penting yang belum mendapatkan jawaban pasti. Apakah bandwidth yang dijanjikan oleh penyedia layanan internet benar-benar sampai ke pengguna 100%? Pertanyaan ini bukan sekadar soal filosofis, melainkan persoalan teknis yang nyata dan dapat dibuktikan secara ilmiah.
Kecurigaan ini menjadi awal dari sebuah riset panjang yang dilakukan sejak 2023 oleh tim saya bersama kedua pembimbing yaitu Dr. Yiiong Siew Ping dan Assoc. Prof. Ts. Dr. Ting Huong Yong. Riset ini bermula dari kegelisahan sederhana mengenai ketidaksesuaian antara bandwidth yang dialokasikan dan yang diterima pengguna. Fenomena ini kami sebut sebagai “fake bandwidth”, yaitu kondisi di mana kapasitas bandwidth yang dijanjikan tidak sepenuhnya tersalurkan kepada pengguna. Fenomena ini bukan akibat gangguan sesaat atau faktor eksternal seperti cuaca, melainkan terjadi secara konsisten tanpa adanya perhitungan kerugian yang jelas bagi pengguna.
Agar dapat memahami fenomena ini lebih jelas, kita dapat mengambil analogi sederhana. Bayangkan kita membayar tagihan listrik penuh setiap bulan, tetapi voltase listrik yang masuk ke rumah hanya setengahnya. Lampu yang seharusnya menyala terang kini menjadi redup, kulkas bekerja di bawah kapasitas optimal, sementara tagihan tetap harus dibayar penuh. Atau bayangkan layanan air pasca bayar yang alirannya sangat kecil sepanjang hari dan berhenti di saat kita sangat membutuhkannya pagi hari di mana anak harus mandi pagi untuk pergi ke Sekolah, Ibu harus mencuci daging dan sayur dengan air untuk sarapan anak-anak, dan ayah harus menggunakan air untuk menyiram tanaman ataupun mencuci kendaraan . Dalam situasi seperti ini, konsumen tidak mungkin diam, namun, dalam dunia koneksi internet kondisi seperti itu sudah terjadi bertahun-tahun tanpa protes signifikan. Situasi ini sebagian besar disebabkan karena pengguna tidak mengetahui kondisi sebenarnya, tidak memiliki alat untuk membuktikannya, dan industri telekomunikasi pun belum diwajibkan untuk transparan mengenai hal ini sampai detail ke bandwidth yang hilang meskipun beberapa provider dapat menunjukkan kuota penggunaan harian, mingguan, bulanan.
Riset kami diawali dengan mengkaji berbagai studi terkait optimasi deep learning dan klasifikasi kualitas layanan jaringan. Dari 70 studi yang kami telaah, lebih dari 60 persen masih menghadapi kendala pada model yang digunakan, dan lebih dari 67 persen bermasalah pada teknik pelabelan data. Bukti ini menunjukkan bahwa bidang deep learning pada jaringan komputer masih dalam tahap perkembangan dan opens space bagi penelitian lanjutan sangat luas. Kami memilih pendekatan berbeda, yaitu menggunakan data jaringan nyata yang aktif, bukan sekedar simulasi berbasis teori. Langkah pertama kami menggunakan model Long Short-Term Memory (LSTM). Dengan menggunakan 1.400 titik data yang dikumpulkan selama sebulan dari router MikroTik di jaringan University of Technology Sarawak, model ini berhasil mengklasifikasikan bandwidth asli dan palsu dengan tingkat akurasi 98,93 persen. Hasil ini memang mengesankan, tetapi kami menyadari bahwa dataset kecil memiliki keterbatasan dan bisa membuat hasil terlihat sempurna, sehingga kami harus menguji metode ini pada skala yang lebih besar.
Ujian berikutnya mengadopsi model Gated Recurrent Unit (GRU) untuk menghadapi kendala LSTM yang boros sumber daya komputasi dan cenderung overfitting saat data membesar. Dengan data asli sebanyak lebih dari 867.000 log jaringan selama 29 hari dari jaringan backbone yang sama, GRU menghasilkan akurasi rata-rata 86,8 persen dan skor F1 sebesar 0,90 untuk kelas bandwidth asli. Angka ini memang lebih rendah secara absolut, tetapi jauh lebih dapat dipercaya secara ilmiah karena diuji pada kondisi nyata tanpa rekayasa. Kami juga menguji model Convolutional Neural Network (CNN), yang umumnya dikenal sebagai metode untuk mengenali pola visual. Namun, kami memandang log jaringan sebagai pola temporal dalam dimensi waktu, sehingga CNN dapat digunakan untuk mengidentifikasi pola bandwidth asli dan palsu secara efektif. Dari 500.000 lebih entri data yang dikumpulkan selama 20 hari di Laboratorium Cyber Security Kampus UTS, CNN memberikan presisi 0,92 untuk bandwidth asli dan 0,89 untuk bandwidth palsu. Ketika skala diperbesar ke lebih dari 1,3 juta sampel dalam periode 10-12 hari dengan konfigurasi bandwidth simetris 100 Mbps, CNN mampu mengidentifikasi dengan akurasi mencapai 96,93 persen dan tingkat kesalahan hanya 3,07 persen.
Meski angka akurasi yang tinggi menjadi prestasi yang patut diapresiasi, hasil riset ini membuka fakta yang jauh lebih mengkhawatirkan terkait jaringan di tempat skala menengah ke atas. Bagaimana tidak, model jaringan pada Institusi ini memiliki infrastruktur dan anggaran yang terbilang baik, namun selama periode pengamatan, sekitar 23,39 persen bandwidth tergolong palsu. Artinya, dari bandwidth 100 Mbps yang dijanjikan dalam kontrak, hanya sekitar 53,85 persen yang benar-benar sampai ke pengguna. Sisanya terbuang dalam kategori palsu, tidak aktif, atau bahkan tidak terklasifikasi, tanpa adanya pemberitahuan. Jika fenomena seperti ini terjadi di jaringan yang relatif terjaga, kondisi di jaringan dengan infrastruktur yang lebih tua, kurang modern, atau berada di daerah terpencil tentu patut dikhawatirkan lebih jauh sudah pasti lebih besar skala Fake Bandiwidth yang terjadi.
Walaupun riset ini berasal dari jaringan kampus di Sarawak, metodologi yang dikembangkan memiliki cakupan lebih luas. Sistem deteksi berbasis log yang kami gunakan bersifat agnostik terhadap merek perangkat dan sangat adaptif pada berbagai konfigurasi infrastruktur router khususnya Mikrotik. Model ini memungkinkan penerapan pada berbagai jaringan di Indonesia yang memiliki kompleksitas dan karakteristik infrastruktur yang beragam terlebih kondisi digital Malaysia dengan Indonesia memiliki beberapa persamaan seperti penggunaan internet untuk hiburan, industri, hingga pendidikan dan lainnya.
Di Indonesia sendiri, perkembangan digital bergerak dengan cepat. Pemasangan jutaan sambungan baru, implementasi program Smart City di banyak kabupaten dan kota, serta ketergantungan pada koneksi internet yang stabil bukan lagi pilihan, melainkan kebutuhan mendasar yang menopang aktivitas ekonomi, pendidikan, kesehatan, dan pekerjaan sehari-hari. Dalam konteks ini, fake bandwidth bukan lagi persoalan teknis semata yang hanya ditangani oleh divisi teknis ISP, melainkan merupakan isu keadilan ekonomi digital yang mendesak. Masalah ini mungkin sudah pernah terungkap namun belum pernah terungkap secara jelas dan dalam menjadi tekanan serius bagi penyedia layanan untuk bertindak.
Oleh karena itu, bukan penelitian lebih lanjut yang dibutuhkan saat ini untuk membuktikan adanya masalah ini, melainkan keberanian institusional dari pihak regulator dan pemangku kepentingan terkait untuk mengambil tindakan nyata yang lebih baik. Regulator telekomunikasi harus berperan lebih dari sekadar mengatur izin frekuensi dan tarif, tetapi juga mampu melakukan audit kualitas layanan secara real time berbasis data independen, bukan hanya berdasarkan laporan dari ISP yang berpotensi memiliki konflik kepentingan.
Transparansi mengenai kualitas bandwidth perlu dikelola seperti halnya standar transparansi kualitas udara atau keamanan pangan, menjadi kewajiban yang dapat diverifikasi secara publik. Dari sisi penelitian, pekerjaan ini pun belum selesai. Meskipun capaian CNN dengan akurasi mendekati 97 persen mengesankan, hasil ini masih terbatas pada satu lokasi dan karakteristik jaringan tertentu. Tantangan berikutnya adalah memperluas cakupan riset ke jaringan di wilayah pedesaan, dan infrastruktur tersebar di ratusan kota dengan berbagai kondisi yang heterogen. Hanya dengan cakupan yang luas dan variatif, temuan ini dapat mewakili seluruh pengguna internet di Indonesia, bukan hanya sebagian kecil.
Pada akhirnya, persoalan ini tidak sekadar soal algoritma deep learning atau preferensi model CNN versus GRU atau LSTM melainkan lebih kepada kepercayaan yang diberikan setiap pengguna setiap bulan saat membayar tagihan internet dan mengharapkan layanan sesuai janji. Ketika ilmu pengetahuan dapat membuktikan adanya pelanggaran sistematis terhadap kepercayaan tersebut, maka peran ilmu pengetahuan tidak lagi terbatas di ranah akademik. Ilmu pengetahuan menjadi bentuk perlindungan paling nyata bagi setiap orang yang pernah bertanya mengapa koneksinya lambat meski telah membayar mahal. Bukti ini menuntut kesadaran kolektif dan tindakan konkret agar keadilan digital dapat terwujud.
Referensi
- Kementerian Komunikasi dan Informatika (Kominfo). (2020, August 26). Langkah menuju “100 Smart City”. Komdigi. https://www.komdigi.go.id/berita/sorotan-media/detail/langkah-menuju-100-smart-city
- Nurcahyo, A. C., Yong, A. T. H., & Atanda, A. F. (2024). Enhancing QoS with deep learning: A comprehensive literature review on model optimization and advanced data labeling. ISST 2024, Vol. 4, 189–207. https://doi.org/10.33830/isst.v4i1.5254
- Nurcahyo, A. C., Yong, A. T. H., & Atanda, A. F. (2024). Classification of simulated fake bandwidth data using LSTM. TEPIAN, 5(3), 35–47. https://doi.org/10.51967/tepian.v5i3.3106
- Nurcahyo, A. C., Ting, H. Y., & Atanda, A. F. (2025). Network log implementation for GRU based bandwidth classification. Journal of Computers and Digital Business, 4(2), 76–89. https://doi.org/10.56427/jcbd.v4i2.763
- Nurcahyo, A. C., Ting, H. Y., & Atanda, A. F. (2025). Optimisation of network logs for fake bandwidth classification using CNN. TEPIAN, 6(2), 85–96. https://doi.org/10.51967/tepian.v6i2.3260
- Nurcahyo, A. C., Ping, Y. S., & Ting, H. Y. (2026). Fake bandwidth classification in internet networks using convolutional neural networks. Proceeding – CAMIC (Cirebon Annual Multidisciplinary International Conference 2026), 156–164.
