You are on page 1of 31

PROPOSAL PENGJUAN JUDUL SKRIPSI

PERANCANGAN SISTEM INFORMASI AKADEMIK DAN MAHASISWA PROGRAM STUDI ELEKTRO UNIVERSITAS FAJAR

OLEH : ARIZAL 09 202 125 002 TEKNIK ELEKTRO - INFORMATIKA

PROGRAM PASCA SARJANA JURUSAN ELEKTRO FAKULTAS TEKNIK UNIVERSITAS FAJAR 2012

BAB I PENDAHULUAN

A. Latar Belakang Teknologi berkembang sejalan dengan kehidupan manusia itu sendiri. Hampir semua bagian dari kehidupan kita yang tidak terlepas dari sentuhan teknologi. Bahkan, segala sesuatu yang berupa susunan pengetahuan untuk mencapai tujuan praktis termasuk dalam kategori teknologi. Oleh karena itu, lingkup teknologi sangatlah luas, merambah keseluruh aspek kehidupan manusia, meliputi semua perkembangan pola pemikiran manusia dari satu teknik ke teknik lain. Informasi adalah salah satu aspek penting kehidupan manusia yang tidak terlepas dari perkembangan teknologi. Sekarang ini hampir semua instrumen telekomunikasi bergerak menggunakan teknologi yang berbasis seluler. Sistem telekomunikasi bergerak berbasis seluler menawarkan kelebihan dibandingkan dengan sistem jaringan kabel, yaitu mobilitas sehingga pengguna dapat bergerak kemanapun selama masih dalam cakupan layanan operator. Tetapi dalam penerapan teknologi telekomunikasi ini juga memiliki

keterbatasan-keterbatasan di antaranya terbatasnya kanal pembicaraan seiring dengan banyaknya jumlah pelanggan telekomunikasi seluler, sehingga mengakibatkan apa yang disebut dengan block call. Selain itu masalah penerimaan sinyal RF (Radio Frekuensi) juga menjadi faktor yang sangat penting dalam sistem komunikasi ini.

Rendahnya kualitas level sinyal penerima mengakibatkan terjadinya kegagalan proses panggilan atau biasa disebut dengan drop call. Monitoring dan prediksi trafik dalam suatu jaringan memainkan peran yang penting dalam perancangan dan peningkatan jaringan seluler tersebut. Sehingga merupakan suatu hal yang penting untuk memperkirakan beban trafik suatu jaringan ketika merencanakan, merancang, mengendalikan dan mengelola jaringan. Sebelumnya telah dilakukan penelitian pemodelan dan prediksi trafik jaringan seluler GSM menggunakan model Seasonal ARIMA [Yantai Shu, 2003] dan Multiplicative Seasonal ARIMA [Vasillos C. Moussas, 2005]. Pada penelitian kali ini penulis menggunakan neural network dalam melakukan prediksi trafik kanal suara jaringan GSM. Jaringan saraf tiruan atau juga disebut simulated neural network (SNN), atau umumnya hanya disebut neural network (NN), adalah jaringan dari sekelompok unit pemrosesan kecil yang dimodelkan berdasarkan jaringan saraf manusia. NN merupakan sistem adaptif yang dapat mengubah strukturnya untuk memecahkan masalah berdasarkan informasi eksternal maupun internal yang mengalir melalui jaringan tersebut. Secara sederhana, NN adalah sebuah alat pemodelan data statistik non-linier. NN dapat digunakan untuk memodelkan hubungan yang kompleks antara input dan output untuk menemukan pola-pola pada data. NN sudah diaplikasikan untuk menangani permasalahan dalam bidang business, engineering, dan science. Melihat kemampuan pemrosesan dari NN yang mampu melakukan komputasi dengan cukup handal dalam mencari solusi dari sebuah permasalahan yang rumit dan kompleks,

maka dalam tugas akhir ini, neural network akan diterapkan dalam memprediksi trafik komunikasi suara (Cs) pada jaringan GSM PT. Telkomsel di Site STO Gorontalo.

B. Rumusan Masalah Berdasarkan permasalahan yang terdapat dalam latar belakang maka pada penelitian ini : 1. Bagaimana memodelkan proses pemrediksi trafik komunikasi suara (Cs) pada jaringan GSM. 2. Bagaimana merancang suatu sistem Neural Network untuk memprediksi trafik komunikasi suara (Cs) pada jaringan GSM.

C. Tujuan Penelitian Adapun tujuan penelitian berdasarkan rumusan masalah yang ada yaitu, untuk : 1. Mengetahui pemodelan sistem pemrediksi trafik komunikasi suara (Cs) pada jaringan GSM. 2. Merancang suatu sistem Neural Network untuk memprediksi trafik komunikasi suara (Cs) pada jaringan GSM.

D. Manfaat Penelitian Penelitian ini diharapkan dapat memberikan manfaat bagi pengembangan ilmu pengetahuan dalam prediksi beban trafik komunikasi suara (Cs) pada jaringan GSM.

E. Sistematika Penulisan Sistematika penulisan penelitian ini terdiri dari beberapa bagian utama yaitu : Bab 1 : Pendahuluan, bab ini akan menjelaskan mengenai latar belakang pemilihan judul penelitian, rumusan masalah, batasan masalah, tujuan penelitian, manfaat penelitian, dan sistematika penulisan.

BAB II TRAFIK SELULER (GSM) DAN NEURAL NETWORK

A. Dasar Teknik Teletrafik Seluler

Perbedaan utama antara model trafik untuk sistem komunikasi seluler 2G dan 3G terutama adalah disebabkan sistem switching yang berbeda, yaitu disebabkan perbedaan tipikal dari switch dengan packet switch. Pada packet switch, semua user membagi penggunaan kanal secara bersama-sama, sehingga ukuran-ukuran kapasitas dalam dimensioning jaringan berbeda, karena dalam hal ini menjadi sangat terkait dengan statistik penggunaan kanal oleh masing-masing user. Untuk sistem 2G seperti IS-95 atau GSM, perilaku trafik dapat dimodelkan cukup akurat dengan Erlang B [1]. GSM adalah salah satu sistem yang efisien menggunakan spektrum yang tersedia. Jaringan radio seluler dioperasikan dengan terbatas (zona layanan), sumber daya yang terbatas (spektrum frekuensi yang tersedia) dan sumber daya ini harus digunakan secara efektif untuk memastikan semua user memperoleh layanan, yakni kualitas layanan yang terjaga. Dalam hal ini perlu didefinisikan suatu handover atau handoff sebagai suatu proses yang mengerjakan suatu koneksi panggilan keluar dari satu sel ke sel lain yang bertetangga. Hal ini berarti bahwa ada lokasi ³resources´ pada sel target tertentu dan membebaskan ³resources´ pada sel yang ditinggalkan. Sehingga, suatu kanal dalam jaringan seluler dapat digunakan oleh kedatangan suatu panggilan baru atau panggilan handover. Juga, suatu kanal dapat dibebaskan oleh karena berakhirnya suatu panggilan atau karena ada proses pemindahan panggilan dari satu sel ke sel tetangga lainnya. 1. Jaringan Seluler dengan Satu Tipe Trafik

Pada jaringan seluler, parameter-parameter trafik terkait dengan parameter mobility, seperti kecepatan dari pergerakan pelanggan dan karakteristik perpindahan mereka dalam suatu sel. Pada jaringan wireline, parameter performansi yang perlu diperhatikan adalah proses kedatangan panggilan, proses berakhirnya panggilan, dan blocking. Sedang untuk analisa jaringan wireless seluler, perlu ditambahkan parameter-parameter yang spesifik pada sistem wireless berupa fenomena handover seperti waktu pendudukan kanal rata-rata, intensitas panggilan baru dan panggilan handover, serta probabilitas blocking panggilan baru dan panggilan handover. Untuk analisa, akan digunakan skenario sederhana berikut : pelangganpelanggan pada suatu sel tertentu menginisiasi panggilan-panggilan baru sebagai suatu proses Poisson pada rate  dan tidak menerima panggilan handover. Jadi fungsi   . Dalam

distribusi untuk kedatangan panggilan-panggilan baru adalah

hal ini pelanggan-pelanggan diperkenankan untuk melakukan handover ke sel-sel tetangganya. Diasumsikan bahwa jumlah pelanggan dalam suatu sel adalah N>>c, di mana c adalah jumlah kanal yang tersedia pada suatu sel, sehingga panggilanpanggilan yang berasal dari pelanggan-pelanggan lain yang berbeda dapat dianggap tidak saling berhubungan (independent). Juga diasumsikan bahwa setiap pelanggan mobile pada sel originating dapat menyelesaikan panggilannya dalam sel tersebut atau melakukan handover ke suatu sel tetangganya setelah periode waktu tertentu secara distribusi eksponensial dengan nilai rata-rata masing-masing  dan .

Selanjutnya, suatu panggilan on-going (baru atau handover) menuntaskan layanan

yang diterima pada rate

dan pelanggan pasangannya pada sel tujuan dengan rate

. Akhirnya akan dieproleh rate terminasi panggilan total dalam sel sebagai  

(II.1)

Dengan menggunakan hasil penelitian Little untuk kasus panggilan-panggilan baru pada sel yang diamati, maka intensitas trafik dapat dinyatakan dengan .

Dengan menggunakan sistem antrian M/M/c/c, dan kanal mengikuti pola block call cleared (ketika semua kanal sibuk, panggilan yang datang akan di-block atau dihilangkan), maka dapat dikalkulasi probabilitas blocking untuk panggilan-panggilan baru dengan menggunakan formula Erlang-B sebagai berikut :

(II.2)

Trafik yang diolah dalam sel dapat dikalkulasi dengan 

(II.3)

Akan tetapi harus diperhatika juga bahwa pada sistem seluler dimungkinkan adanya panggilan-panggilan handover ke suatu sel, sehingga formula B-Erlang sederhana tidak dapat diaplikasikan secara langsung. Proses handover sendiri dapat dianggap sebagai suatu proses Poisson dengan instensitas rata-rata intensitas kedatangan panggilan menjadi   (II.4) , sehingga total

Trafik efektif yang ditawarkan ke suatu sel secara umum dapat dinyatakan dengan    

(II.5)

Handover sendiri bukan merupakan suatu proses yang independent. Proses tersebut tergantung pada kedatangan-kedatangan panggilan baru pada sel-sel dari jaringan mobile. Jika PB merupakan probabilitas blocking keseluruhan dari suatu sel (termasuk blocking terhadap panggilan baru dan handover), maka trafik yang dapat diolah/dimuat pada sel adalah  

(II.6)

Jika dianggap terjadi keseimbangan pada suatu sel, intensitas handover dari sel yang diamati terhadap sel-sel tetangganya akan sama dengan intensitas handover yang datang ke sel tersebut dari sel-sel lainnya. Sehingga dapat ditulis sebagai   

(II.7)

Dengan menggunakan dua persamaan terakhir, setelah penurunan beberapa langkah matematis sederhana, akan didapat trafik efektif yang ditawarkan ke suatu sel sebagai berikut  

(II.8)

Jika rate handover dari suatu sel sama dengan atau lebih rendah dari rate berakhirnya (completion) panggilan dan probabilitas blocking-nya kecil, maka secara pendekatan dapat dilakukan pengkalkulasian trafik efektif yang ditawarkan ke sel dengan menggunakan   . Jika tidak ada permintaan pendudukan kanal untuk

handover, probabilitas blocking panggilan baru PB akan sama dengan probabilitas blocking panggilan handover dan dapat dikalkuasi dengan menggunakan formula Erlang-B dan trafik efektif yang ditawarkan, sebagai berikut :   

(II.9)

di mana c adalah jumlah kanal dalam sel. 2. Model Analitik Seperti sudah dijelaskan terdahulu, parameter trafik pada sistem mobile terakit erat dengan parameter mobilitasnya, seperti kecepatan, posisi inisial dalam sel, dan arah dari pergerekan/perpindahan, yang seluruhnya dimodelkan sebagai variabel random. Agar dapat melakukan analisa trafik dari jaringan mobile, maka perlu dianalisa parameter trafik dan performansi berikut : waktu pendudukan kanal rata-rata Tch, intensitas handover, probabilitas blocking panggilan baru PBn, probabilitas blocking panggilan handover PBh, jumlah rata-rata dari handover per panggilan, dan probabilitas dropping mengacu pada terminasi yang dipaksakan (forced) untuk suatu panggilan yang sudah terbangun (on-going) dikarenakan tidak tersedianya ³resources´ pada selsel tetangga saat handover.

Handover merupakan kejadian khas pada suatu lingkungan wireless. Ketika suatu panggilan handover mengalami block, maka koneksi on-going akan didrop. Drop panggilan ini akan mengurangi durasi panggilan rata-rata. Dengan demikian, dapat didefinisikan suatu durasi panggilan efektif sebagai , di mana (II.10) dengan dan masing-masing adalah rate terminasi panggilan dan rate handover.

Dengan memperhatikan suatu sistem dengan dua sel, di mana dimungkinkan terjadinya pertukaran handover antara satu dengan lainnya. Kemudian dinotasikan p(n1,n2) sebagai distribusi probabilitas gabungan ketika kanal-kanal n1 sibuk pada sel pertama dank anal-kanal n2 sibuk pada sel kedua. Maka diagram kondisi untuk skenario ini adalah seperti diperlihatkan pada Gambar II.1. Jika diasumsikan C1 merupakan kapasitas kanal pada sel 1 dan C2 merupakan kapasitas kanal pada sel 2, untuk ni = {0,1, «, Ci}, i = 1,2, maka             

(II.11)

Gambar II.1 Diagram kondisi Markov untuk skenario dua sel yang menggambarkan persamaan sistem . Dengan memecahkan

persamaan tersebut, maka akan didapatkan distribusi probabilitas gabungan. Untuk kondisi kesetimbangan, ketika tidak terjadi handover, distribusi kondisi dapat dinyatakan dengan 

dengan

dan

(II.12)

Tetapi jika ada handover, pendekatan di atas tidaklah efisien. Jumlah rata-rata handover per panggilan merupakan suatu parameter yang signifikan untuk mendapatkan performansi dari sistem mobile. Jika P[H=j] menyatakan probabilitas bahwa terjadi j handover per panggilan, maka jumlah rata-rata hando + ver per panggilan adalah 

(II.13)

Jika Pn merupakan probabilitas bahwa suatu panggilan baru akan memerlukan setidaknya satu kali handover sebelum terminasi, dan Ph merupakan probabilitas bahwa suatu panggilan setelah berhasil handover setidaknya akan memerlukan satu kali handover lagi sebelum terminasi, serta PFh merupakan probabilitas bahwa suatu percobaan handover akan gagal (fail). Maka dapat dikalkulasi P[H=j] : .  « (II.14) Dengan memasukkan persamaan (II.14) ke (II.13) akan diperoleh ekspresi untuk jumlah rata-rata handover per panggilan sebagai berikut : .

(II.15)

Probabilitas Pn dan Ph sendiri dapat dikalkulasi menggunakan hubungan berikut : 

 

 

 



(II.16)

(II.17)

Di mana fTn dan fTh masing-masing merupakan fungsi distribusi probabilitas untuk waktu pendudukan sel panggilan baru Tn dan waktu pendudukan sel panggilan handover Th. Probabilitas panggilan dropping adalah probabilitas suatu panggilan yang tidak mengalami block tetapi terpaksa dideterminasi karena tidak adanya resources yang bebas di sel target pada saat melakukan suatu handover. Probabilitas suatu panggilan yang sudah melakukan handover sebanyak H kali sebelum mengalami drop adalah:

(II.18)

Sehingga probabilitas panggilan mengalami dropping adalah  

(II.19)

di mana P[H=i] merupakan probabilitas bahwa panggilan telah mengalami i kali handover selama durasi panggilan. Lebih jauh, jika diasumsikan bahwa waktu pendudukan kanal adalah terdistribusi eksponensial dengan rata-rata Tch (misal jumlah handover per panggilan mengikuti proses Poisson), maka dapat ditulis     

(II.20)

di mana P[H|t] adalah proses probabilitas bahwa telah terjadi H kali handover ketika waktu pendudukannya adalah t. Jika disisipkan persamaan (II.20) ke (II.19), akan diperoleh   

(II.21)

Lebih jauh, jika dilakukan perubahan orde penjumlahan dan integrasi, dan dengan menggunakan ekspansi fungsi eksponensial, akan didapat     

(II.22)

Akhirnya, dari persamaan (II.22) akan diperoleh hubungan untuk probabilitas panggilan dropping PD :       

(II.23)

Persamaan terakhir menunjukkan hubungan antara probabilitas panggilan dropping PD dengan probabilitas blocking handover PFh. Saling ketergantungan antara dua parameter ini merupakan fundamental untuk analisa trafik dari suatu jaringan mobile.

B. Jaringan Syaraf Tiruan Jaringan syaraf tiruan pertama kali secara sederhana diperkenalkan oleh McCulloch dan Pitts pada tahun 1943. McCulloch dan Pitts menyimpulkan bahwa kombinasi beberapa neuron sederhana menjadi sebuah sistem neural akan meningkatkan kemampuan komputasinya. Bobot dalam jaringan yang diusulkan oleh McCulloch dan Pitts diatur untuk melakukan fungsi logika sederhana[5]. Fungsi aktivasi

yang dipakai adalah fungsi threshold. Selanjutnya pada tahun 1958, Rosenblatt memperkenalkan dan mulai mengembangkan model jaringan baru yang terdiri dari beberapa lapisan yang disebut perceptron. Metode pelatihan diperkenalkan untuk mengoptimalkan hasil iterasinya. Widrow dan Hoff (1960) mengembangkan perceptron denganmemperkenalkan aturan pelatihan jaringan, yang dikenal sebagai aturan delta (atausering disebut kuadrat rata-rata terkecil). Aturan ini akan mengubah bobot perceptronapabila keluaran yang dihasilkan tidak sesuai dengan target yang diinginkan.Apa yang dilakukan peneliti terdahulu hanya menggunakan jaringan denganlayer tunggal (single layer). Rumelhart (1986) mengembangkan perceptron menjadi backpropagation, yang memungkinkan jaringan diproses melalui beberapa layer. Selain itu, beberapa model jaringan syaraf tiruan lain juga dikembangkan oleh Kohonen (1972), Hopfield (1982), dan lain-lain. Pengembangan yang ramai dibicarakan sejak tahun 1990-an adalah aplikasi model-model jaringan syaraf tiruan untuk menyelesaikan berbagai masalah di dunia nyata. 1. Deskripsi AwalNeural Network Jaringan saraf tiruan (JST) atau disebut juga dengan neural network (NN),

adalah sistem pemroses informasi yang memiliki karakteristik mirip dengan jaringan syaraf biologi (jaringan saraf manusia)[5]. Jaringan syaraf tiruan merupakan sistem adaptif yang dapat merubah strukturnya untuk memecahkan masalah berdasarkan informasi eksternal maupun internal yang mengalir melalui jaringan tersebut. Secara sederhana, JST adalah sebuah alat pemodelan data statistik non-linier. JST dapat digunakan untuk memodelkan hubungan yang kompleks antara input dan output untuk menemukan pola-pola pada data. Hecht-Nielsend mendefinisikan bahwa jaringan

syaraf tiruan adalah suatu struktur pemroses informasi yang terdistribusi dan bekerja secara paralel, yang terdiri atas elemen pemroses (yang memiliki memori lokal dan beroperasi dengan informasi lokal) yang diinterkoneksi bersama dengan alur sinyal searah yang disebut koneksi. Setiap elemen pemroses memiliki koneksi keluaran tunggal yang bercabang ke sejumlah koneksi kolateral yang diinginkan (setiap koneksi membawa sinyal yang sama dari keluaran elemen pemroses tersebut). Keluaran dari elemen pemroses tersebut dapat merupakan sebarang jenis persamaan matematis yang diinginkan. Seluruh proses yang berlangsung pada setiap elemen pemroses harus benar-benar dilakukan secara lokal, yaitu keluaran hanya bergantung pada nilai masukan pada saat itu yang diperoleh melalui koneksi dan nilai yang tersimpan dalam memori lokal.Sebuah jaringan saraf adalah sebuah prosesor yang terdistribusi paralel dan mempuyai kecenderungan untuk menyimpan pengetahuan yang didapatkannya dari pengalaman dan membuatnya tetap tersedia untuk digunakan. Hal ini menyerupai kerja otak dalam dua hal yaitu: pengetahuan diperoleh oleh jaringan melalui suatu proses belajar dan kekuatan hubungan antar sel saraf yang dikenal dengan bobot sinapsis digunakan untuk menyimpan pengetahuan. Jaringan syaraf tiruan menjadi salah satu pilihan ketika rumusan persoalanpersoalan yang dihadapi tidak bisa diselesaikan secara analitik,dan dengan mengasumsikan suatu black box yang kita tidak tahu isinya maka jaringan syaraf tiruan menemukan pola hubungan antara input dan output melalui tahap pelatihan. JST dibentuk sebagai generalisasi model matematika dari jaringan syaraf biologi, dengan asumsi bahwa[6] :

a. Pemrosesan informasi terjadi pada banyak elemen sederhana (neuron). b. Sinyal dikirirnkan diantara neuron-neuron melalui penghubung- penghubung. c. Penghubung antar neuron memiliki bobot yang akan memperkuat atau memperlemah sinyal. d. Untuk menentukan output, setiap neuron menggunakan fungsi aktivasi (biasanya bukan fungsi linier) yang dikenakan pada jumlahan input yang diterima. Besarnya outputini selanjutnya dibandingkan dengan suatu batas ambang. JST ditentukan oleh 3 hal :
y y

Pola hubungan antar neuron (disebut arsitektur jaringan) Metode untuk menentukan bobot penghubung (disebut metode

training/learning/ algoritma)
y

Fungsi aktivasi (fungsi transfer)

2.

Neuron Neuron dalam jaringan syaraf tiruan sering diganti dengan istilah simpul. Setiap

simpul tersebut berfungsi untuk menerima atau mengirim sinyal dari atau kesimpulsimpul lainnya[6]. Pengiriman sinyal disampaikan melalui penghubung.Kekuatan hubungan yang terjadi antara setiap simpul yang saling terhubung dikenaldengan nama bobot.Arsitektur jaringan dan algoritma pelatihan sangat menentukan model-

modeljaringan syaraf tiruan. Arsitektur tersebut gunanya untuk menjelaskan arah perjalanansinyal atau data di dalam jaringan. Sedangkan algoritma belajar

menjelaskanbagaimana bobot koneksi harus diubah agar pasangan masukan-keluaran yangdiinginkan dapat tercapai. Dalam setiap perubahan harga bobot koneksi dapat dilakukan dengan berbagai cara, tergantung pada jenis algoritma pelatihan yang

digunakan. Dengan mengatur besarnya nilai bobot ini diharapkan bahwa kinerja jaringan dalam mempelajari berbagai macam pola yang dinyatakan oleh setiap pasangan masukan-keluaran akan meningkat. Sebagai contoh, perhatikan neuron Y pada gambar berikut :

Gambar II.2 Sebuah Sel Syaraf Tiruan[6] Y menerima input dari neuron x1, x2, dan x3 dengan bobot hubungan masingmasing adalah w1, w2 dan w3. Ketiga impuls neuron yang ada dijumlahkan net = x1w1+ x2w2+ x3w3[6]. Besarnya impuls yang diterima oleh Y mengikuti fungsi aktivasi y = f(net). Apabila nilai fungsi akivasi cukup kuat, maka sinyal akan diteruskan. Nilai fungsi aktivasi (keluaran model jaringan) juga dapat dipakai sebagai dasar untuk merubah bobot. 3. Backpropagation Kelemahan JST yang terdiri dari layar tunggal membuat perkembangan JST menjadi terhenti pada sekitar tahun 1970 an. Penemuan backpropagation yang terdiri dari beberapa layar membuka kembali cakarawala. Terlebih setelah berhasil ditemukannya berbagai aplikasi yang dapat diselesaikan dengan backpropagation, membuat JST semakin diminati orang.

JST dengan layar tunggal memiliki keterbatasan dalam pengenalan pola. Kelemahan ini bisa ditanggulangi dengan menambahkan satu/beberapa layar tersembunyi diantara layar masukan dan keluaran. Meskipun penggunaan lebih dari satu layar tersembunyi memiliki kelebihan manfaat untuk beberapa kasus, tapi pelatihannya memerlukan waktu yang lama. Maka umumnya orang mulai mencoba dengan sebuah layar tersembunyi lebih dahulu. Seperti halnya model JST lain, Backpropagation melatih jaringan untuk mendapatkan keseimbangan antara kemampuan jaringan untuk mengenali pola yang digunakan selama pelatihan serta kemampuan jaringan untuk memberikan respon yang benar terhadap pola masukan yang serupa (tapi tidak sama) dengan pola yang dipakai selama pelatihan. 4. Arsitektur Jaringan Syaraf Arsitektur jaringan yang sederhana adalah jaringan layar tunggal yang menghubungkan langsung neuron-neuronpada layar inputdengan neuron-neuronpada layar output. Sedangkan arsitektur jaringan yang lebih kompleksterdiri dari layar input, beberapa layar tersembunyi dan layar output. Arsitektur seperti ini disebut juga jaringan layar jamak (Rumelhart, et al. 1986)[6]. Jaringan layar jamak lebih sering digunakan karena dapat menyelesaikan masalah yang lebih kompleks dibandingkan jaringan layar tunggal, meskipun proses pelatihannya lebih komplek dan lebih lama (Haykin, 1999). Jaringan dengan lapisan tunggal hanya memiliki satu lapisan dengan bobot-bobot terhubung. Jaringan ini hanya menerima input kemudian secara langsung akan mengolahnya menjadi output tanpa harus melalui lapisan tersembunyi. Jaringan

dengan banyak lapisan memiliki satu atau lebih lapisan yang terletak diantara lapisan input dan lapisan output (memiliki satu atau lebih lapisan tersembunyi). Umumnya, ada lapisan bobot-bobot yang terletak antara dua lapisan yang bersebelahan. Jaringan dengan banyak lapisan ini dapat menyelesaikan permasalahan yang lebih sulit daripada jaringan dengan lapisan tunggal, tentu saja dengan pembelajaran yang lebih rumit. Namun demikian, pada banyak kasus pembelajaran pada jaringan dengan banyak lapisan ini lebih sukses dalam menyelesaikan masalah. 5. Fungsi Aktivasi Siang (2005) menyebutkan bahwa fungsi aktivasi digunakan untuk

menentukankeluaran suatu neuron[5].Dalam backpropagation, fungsi aktivasi yang dipakai harus memenuhi beberapa syarat yaitu : kontinu, terdiferensial dengan mudah dan merupakan fungsi yang tidak turun. Salah satu fungsi yang memenuhi ketiga syarat tersebut sehingga sering dipakai adalah fungsi sigmoid biner yang memiliki range (0,1). Fungsi sigmoid biner dirumuskan sebagai :[6] 1 1  e Wx

y ! f ( x) !

Dengan : f' (x) ! Wf ( x)[1  f ( x )]

6.

Algoritma Belajar dan Pelatihan Dalam jaringan syaraf yang tiruan terdapat konsep belajar belajar atau pelatihan. generalisasi

Sehinggajaringan-jaringan

dibentuk akan

melakukan

karakteristik tingkah laku objek.Algoritma pelatihan artinya membentuk pemetaan

(fungsi) yang menggambarkan hubungan antara vector masukan dan vektor keluaran. Biasanya diberikan contoh yang cukup penting dalam membangun pemetaan tersebut. Walaupun untuk pasangan masukan keluaran yang belum pernah digambarkan sebelumnya. Dalam menyelesaikan suatu permasalahan, jaringan syaraf tiruan memerlukan algoritma belajar atau pelatihan yaitu bagaimana sebuah konfigurasi jaringan dapat dilatih untuk mempelajari data historis yang ada. Dengan pelatihan ini, pengetahuan yang terdapat pada data dapat diserap dan direpresentasikan oleh nilainilai bobot koneksinya. Berdasarkan cara modifikasi bobotnya, ada dua macam pelatihan yang dikenal (Siang 2005)[6], yaitu sebagai berikut: a. Pelatihan Dengan Supervisi (Supervised Training) Dalam pelatihan dengan supervisi, terdapat sejumlah pasangan data (masukantarget keluaran) yang dipakai untuk melatih jaringan hingga diperoleh bobot yang diinginkan. Pada setiap pelatihan, suatu masukan diberikan ke jaringan. Jaringan akan memproses dan mengeluarkan keluaran. Selisih antara keluaran jaringan dengan target (keluaran yang diinginkan) merupakan kesalahan yang terjadi. Jaringan akan memodifikasi bobot sesuai dengan kesalahan tersebut. b. Pelatihan Tanpa Supervisi (Unsupervised Training) Dalam pelatihannya, perubahan bobot jaringan dilakukan berdasarkan parameter tertentu dan jaringan dimodifikasi menurut ukuran parameter tersebut. Model yang menggunakan pelatihan ini adalah model jaringan kompetitif.

C. Roadmap Penelitian Penelitian tentang prediksi trafik komunikasi suara (Cs) pada jaringan GSM menggunakan metode neural network belum ada sebelumnya, akan tetapi penelitianpenelitian yang berkaitan erat dengan peelitian penulis telah dilakukan oleh : 1. Yantai Shu, Minfang Yu, Jiakun Liu, Tianjin University, 2003 melakukan penelitian yang berjudul Wireless Traffic Modeling and Prediction Using Seasonal ARIMA Model. Pada penelitian ini mereka melakukan penelitian tentang pemodelan pecahan ARIMA dalam admission control dan pemodelan seasonal ARIMA untuk memprediksi trafik panggilan. Adapun tujuan penelitian tersebut adalah mempelajari karakteristik dari trafik wireless, yakni menyediakan sebuah persamaan umum untuk trafik wireless di China, memodelkan season ARIMA yang sesuai untuk menangkap sifat-sifat dari trafik wireless yang nyata dengan menggunakan dua periodisitas, dan menggunakan model tersebut untuk memprediksi trafik wireless. Penelitian ini menyimpulkan bahwa model seasonal ARIMA merupakan model trafik yang baik yang memiliki kemampuan dalam menangkap dan merekam sifat-sifat dari trafik sebenarnya di mana error antara nilai prediksi dan nilai sebenarnya kurang dari 0.02 atau kurang dari 2%. 2. Vassilios C. Moussas, Marios Dgalis, Eva Kolega, Technological Educational Institution (TEI) of Athens, 2005 melakukan penelitian yang berjudul Network Traffic Modelling and Prediction Using Multiplicative Seasonal ARIMA Models. Penelitian ini menggunakan metode yang hampir sama dengan penelitian sebelumnya. Pada awalnya mereka memodelkan jaringan menggunakan model ARIMA tetapi prediksinya memiliki rentang waktu yang terbatas. Selanjutnya, prediksi tersebut meningkat secara signifikan dengan menggunakan model multiplicative seasonal ARIMA. Model ini terbukti sangat mampu menciptakan kembali data saat ini dan memprediksi utilisasi akan datang dengan presisi.

BAB III METODOLOGI PENELITIAN

A. Rancangan Penelitian Perancangan dan pembuatan simulasi sistem prediksi trafik kanal suara (Cs) jaringan GSM dengan neural network dimulai dengan metode studi literatur (library research). Dalam pemodelan dan perancangan sistem dilakukan analisis kebutuhan akan data masukan sistem tersebut agar nantinya dapat menghasilkan prediksi yang cukup akurat. Selanjutnya dilakukan pengumpulan data trafik kanal suara (Cs) jaringan GSM pada site Kabila di Kota Gorontalo untuk tiga bulan, yakni pada bulan Desember 2011 sampai dengan Februari 2012.

Mulai

Studi literatur Pengambilan data Pemilihan dan pemilahan data Pelatihan dan pengujian variabel input dengan NN Validasi sistem NN

Ketepatan Sistem NN? YA

TIDAK

Validasi trafik bulan Februari 2012 dengan Metode neural network Analisa dan pembuatan laporan Selesai

Gambar III.1 Diagram Alir Penelitian

B. Lokasi Penelitian Lokasi penelitian dilakukan di Site Kabila PT. Telkomsel yang berlokasi di Kecamatan Kabila Kota Gorontalo, Provinsi Gorontalo.

Profil Perusahaan Telkomsel didirikan pada tahun 1995 sebagai wujud semangat inovasi untuk mengembangkan telekomunikasi Indonesia yang terdepan. Untuk mencapai visi

tersebut, Telkomsel terus memacu pertumbuhan jaringan telekomunikasi di seluruh penjuru Indonesia secara pesat sekaligus memberdayakan masyarakat. Telkomsel menjadi pelopor untuk berbagai teknologi telekomunikasi selular di Indonesia, termasuk yang pertama meluncurkan layanan roaming internasional dan layanan 3G di Indonesia. Telkomsel merupakan operator yang pertama kali melakukan ujicoba teknologi jaringan pita lebar LTE. Di kawasan Asia, Telkomsel menjadi pelopor penggunaan energi terbarukan untuk menara-menara Base Transceiver Station (BTS). Telkomsel secara berkelanjutan membangun fondasi telekomunikasi

berteknologi tinggi untuk menghadirkan beragam layanan telekomunikasi terkini dan multimedia berbasis jaringan broadband. Jaringan Telkomsel membentang luas menjangkau seluruh penjuru Nusantara, dikelola oleh para ahli yang merupakan puteraputeri terbaik bangsa. Dengan semangat melayani Indonesia, dari kota hingga

pedesaan, dari lautan ke hutan pedalaman, menara-menara BTS Telkomsel berdiri tegak di seluruh pelosok negeri. Perpaduan infrastruktur dan sumber daya manusia yang unggul merupakan kunci keberhasilan Telkomsel dalam mengantarkan Indonesia ke gerbang dunia telekomunikasi berbasis broadband.

C. Instrumentasi Penelitian Dalam pemodelan dan perencanaan sistem prediksi trafik kanal suara (Cs) jaringan GSM dengan neural network ini membutuhkan seperangkat komputer,

perangkat lunak berorientasi objek yang pada penelitian kali ini menggunakan Matlab R2008a.

D. Tahapan Penelitian Secara garis besar tahapan-tahapan dalam perancangan simulasi prediksi trafik kanal suara (Cs) pada jaringan GSM adalah sebagai berikut : 1. Studi literatur Studi literature dilakukan dengan membaca buku dan melakukan browsing mengenai hal-hal yang berkaitan dengan penelitian ini. 2. Pemilihan dan pemilahan data Data yang diperoleh adalah data observasi setiap jam-nya dari beberapa variabel trafik kanal suara (Cs) GSM di Site Kabila PT. Telkomsel di daerah Gorontalo. Data ini diperoleh melalui NO PT. Telkomsel area Gorontalo. Data yang digunakan dalam penelitian ini adalah data trafik dari bulan Desember 2011 sampai Februari 2012. Data bulan Desember 2011 sampai Januari 2012 digunakan sebagai data input untuk pelatihan neural network sedangkan data Februari 2012 digunakan sebagai data input untuk pengujian neural network. Tidak semua data yang ditemukan tersebut akan digunakan.Hanya variabel yang secara signifikan mempengaruhi kondisi trafik yang akan digunakan. Variabel yang digunakan sebagai masukan adalah: 1) 2) Waktu pendudukan kanal rata-rata Tch Intensitas handover

3) 4) 5) 6)

Probabilitas blocking panggilan baru PBN Probabilitas blocking panggilan handover PBH Jumlah rata-rata dari handover per panggilan Probabilitas dropping panggilan PD

Sedangkan data output adalah kondisi trafik nantinya. 3. Pelatihan dan pengujian variabel input dengan neural network Pengumpulan data trafik dilakukan untuk Site Kabila PT. Telkomsel di daerah Gorontalo yakni dari bulan Desember 2011 sampai dengan Februari 2012 (tiga bulan). Metode neural network yang digunakan dalam penelitian ini adalah backpropagation. Pelatihan pada metode backpropagation bertujuan agar jaringan bisa mengenali input yang diberikan sesuai target yang diinginkan. Proses pelatihan ini dilakukan berulang kali hingga mendapatkan error terkecil atau hingga batas iterasi yang di tentukan. Hasil yang didapatkan dari proses pelatihan akan digunakan untuk proses pengujian. Pengujian jaringan bertujuan untuk melihat apakah persentasi kesalahan jaringan dalam memprediksi variabel input sudah kecil, baik itu data latih maupun data uji.

E. Teknik Analisis Data Hasil prediksi dari sistem neural network dianalisis keakuratannya dengan membandingkan dengan data beban trafik yang sebenarnya dari data yang telah diberikan oleh PT. Telkomsel di mana keakuratannya adalah dalam bentuk persentase.

F. Jadwal Penelitian

Kegiatan Persiapan proposal Seminar proposal Pengambilan data Pengolahan data Penyusunan Laporan Seminar Hasil Perbaikan laporan Ujian

Januari

Februari

Maret

April

Mei

Juni

1 2 3 4 1 2 3 4

1 2 3 4 1 2 3 4 1 2 3 4 1 2 3 4

DAFTAR PUSTAKA

[1] A. Nachwan Mufti, ³Basic Mobile Teletraffic Engineering´, Modul Kuliah Sistem Komunikasi Bergerak. [2] Moussas Vassillos C., Daglis Marios, and Kolega Eva, ³Network Traffic Modeling and Prediction Using Multiplicative Seasonal Arima Models´. Network Operations Centre (NOC), Technological Educational Institution (TEI) of Athens Egaleo. Greece. 2005. [3] Unjani, ³Rekayasa Trafik Telekomunikasi´. Bab VI Pemodelan Trafik untuk Jaringan Wireless. https://docs.google.com/viewer?a=v&q=cache:VAERXrX3bsJ:www.web4profit.com/download/lain_lain/Bab06_Rekayasa_Trafik.pdf+Pem odelan+Trafik+untuk+Jaringan+Wireless&hl=id&gl=id&pid=bl&srcid=ADGEESi6NGe Pkc9gCAQ_bf5Wfnj3jQ27oEzmlOPS83COV9N4vCiFElfIc_A4CsD5Ny_TYHVEYdGu1YMHqb988nGwvIzTlMu3P1O1JiCYrqnPkNw6v8KVrs8V-I1nPFdYYEf5vOtS2&sig=AHIEtbTMVs6twKuTnMQ0469AVme24hY6OA&pli=1 [4] Kurniawan Adit, ³Review and Desain Sistem Selular´ Bahan ajar Sistem Komunikasi Selular. Laboratorium Telekomunikasi Radio dan Gelombang Mikro Departemen Teknik Elektro Institut Teknologi Bandung. [5] Shu Yantai, Yu Minfang, and Liu Jiakun, ³Wireless Traffic Modeling and Prediction Using Seasonal ARIMA Model´, Tianjin University. 2003 [6] Siang, JJ. ³Jaringan Syaraf Tiruan Dan Pemrogramannya Menggunakan Matlab´. Yogyakarta: Andi Yogyakarta. 2005