proposal skripsi arizal

5/13/2018 Proposal Skripsi Arizal - slidepdf.com

http://slidepdf.com/reader/full/proposal-skripsi-arizal 1/31

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 dr op 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 neur al networ k dalam melakukan prediksi trafik kanal suara

jaringan GSM.

Jaringan saraf tiruan atau juga disebut simulated neur al network (SNN), atau

umumnya hanya disebut neur al networ k (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, engineer ing , 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, neur al networ k 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 N eur al N etwor k 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 N eur al N etwor k 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 d imensioning 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

hand over atau hand off sebagai suatu proses yang mengerjakan suatu koneksi

panggilan keluar dari satu sel ke sel lain yang bertetangga. Hal ini berarti bahwa ada

lokasi ³r esour ces´ pada sel target tertentu dan membebaskan ³r esour ces´ pada sel

yang ditinggalkan. Sehingga, suatu kanal dalam jaringan seluler dapat digunakan oleh

kedatangan suatu panggilan baru atau panggilan hand over . 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 wi r eline, parameter performansi yang perlu diperhatikan adalah

proses kedatangan panggilan, proses berakhirnya panggilan, dan blocking . Sedang

untuk analisa jaringan wi r eless seluler, perlu ditambahkan parameter-parameter yang

spesifik pada sistem wi r eless berupa fenomena hand over seperti waktu pendudukan

kanal rata-rata, intensitas panggilan baru dan panggilan hand over , serta probabilitas

blocking panggilan baru dan panggilan hand over .

Untuk analisa, akan digunakan skenario sederhana berikut : pelanggan-

pelanggan pada suatu sel tertentu menginisiasi panggilan-panggilan baru sebagai suatu

proses Poisson pada rate dan tidak menerima panggilan hand over . Jadi fungsi

distribusi untuk kedatangan panggilan-panggilan baru adalah . Dalam

hal ini pelanggan-pelanggan diperkenankan untuk melakukan hand over 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 panggilan-

panggilan yang berasal dari pelanggan-pelanggan lain yang berbeda dapat dianggap

tidak saling berhubungan (ind epend ent ). Juga diasumsikan bahwa setiap pelanggan

mobile pada sel or iginating dapat menyelesaikan panggilannya dalam sel tersebut atau

melakukan hand over 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 hand over ) menuntaskan layanan



yang diterima pada r ate dan pelanggan pasangannya pada sel tujuan dengan rate

. Akhirnya akan dieproleh r ate 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

clear ed (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 hand over ke suatu sel, sehingga formula B-Erlang

sederhana tidak dapat diaplikasikan secara langsung. Proses hand ove

r sendiri dapat

dianggap sebagai suatu proses Poisson dengan instensitas rata-rata , sehingga total

intensitas kedatangan panggilan menjadi

(II.4)



Trafik efektif yang ditawarkan ke suatu sel secara umum dapat dinyatakan

dengan

(II.5)

H and over sendiri bukan merupakan suatu proses yang ind epend ent . Proses

tersebut tergantung pada kedatangan-kedatangan panggilan baru pada sel-sel dari

jaringan mobile. Jika P B merupakan probabilitas blocking keseluruhan dari suatu sel

(termasuk blocking terhadap panggilan baru dan hand over ), maka trafik yang dapat

diolah/dimuat pada sel adalah

(II.6)

Jika dianggap terjadi keseimbangan pada suatu sel, intensitas hand over dari sel

yang diamati terhadap sel-sel tetangganya akan sama dengan intensitas hand over

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 r ate hand over dari suatu sel sama dengan atau lebih rendah dari r ate

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

hand over , probabilitas blocking panggilan baru P B akan sama dengan probabilitas

blocking panggilan hand over 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 T ch,

intensitas hand over , probabilitas blocking panggilan baru P Bn, probabilitas blocking

panggilan hand over P Bh, jumlah rata-rata dari hand over per panggilan, dan probabilitas

dr opping mengacu pada terminasi yang dipaksakan (for ced ) untuk suatu panggilan

yang sudah terbangun (on-going ) dikarenakan tidak tersedianya ³r esour ces´ pada sel-

sel tetangga saat hand over .



H and over merupakan kejadian khas pada suatu lingkungan wi r eless. Ketika

suatu panggilan hand over 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 hand over .

Dengan memperhatikan suatu sistem dengan dua sel, di mana dimungkinkan

terjadinya pertukaran hand over 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 C 1 merupakan

kapasitas kanal pada sel 1 dan C 2 merupakan kapasitas kanal pada sel 2, untuk ni =

{0,1, «, C i }, 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 hand over , distribusi kondisi dapat dinyatakan

dengan

dengan dan (II.12)

Tetapi jika ada hand over , pendekatan di atas tidaklah efisien.

Jumlah rata-rata hand over per panggilan merupakan suatu parameter yang

signifikan untuk mendapatkan performansi dari sistem mobile. Jika P [H=j ] menyatakan

probabilitas bahwa terjadi j hand over per panggilan, maka jumlah rata-rata hand o + ver

per panggilan adalah



(II.13)

Jika P n merupakan probabilitas bahwa suatu panggilan baru akan memerlukan

setidaknya satu kali hand over sebelum terminasi, dan P h merupakan probabilitas

bahwa suatu panggilan setelah berhasil hand over setidaknya akan memerlukan satu

kali hand over lagi sebelum terminasi, serta P Fh merupakan probabilitas bahwa suatu

percobaan hand over 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 hand over per panggilan sebagai berikut :

(II.15)

Probabilitas P n dan P h sendiri dapat dikalkulasi menggunakan hubungan berikut :

(II.16)

(II.17)



Di mana f Tn dan f Th masing-masing merupakan fungsi distribusi probabilitas untuk waktu

pendudukan sel panggilan baru T n dan waktu pendudukan sel panggilan hand over T h.

Probabilitas panggilandr

opping adalah probabilitas suatu panggilan yang tidak

mengalami block tetapi terpaksa dideterminasi karena tidak adanya r esour ces yang

bebas di sel target pada saat melakukan suatu hand over . Probabilitas suatu panggilan

yang sudah melakukan hand over sebanyak H kali sebelum mengalami dr op adalah:

(II.18)

Sehingga probabilitas panggilan mengalami dr opping adalah

(II.19)

di mana P [H=i ] merupakan probabilitas bahwa panggilan telah mengalami i kali

hand over selama durasi panggilan. Lebih jauh, jika diasumsikan bahwa waktu

pendudukan kanal adalah terdistribusi eksponensial dengan rata-rata T ch (misal jumlah

hand over per panggilan mengikuti proses Poisson), maka dapat ditulis

(II.20)

di mana P [H|t ] adalah proses probabilitas bahwa telah terjadi H kali hand over 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 dr opping PD :

(II.23)

Persamaan terakhir menunjukkan hubungan antara probabilitas panggilan

dr opping PD dengan probabilitas blocking hand over 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 neur on 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 thr eshol d . Selanjutnya pada tahun 1958, Rosenblatt

memperkenalkan dan mulai mengembangkan model jaringan baru yang terdiri dari

beberapa lapisan yang disebut per cept r on. 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

per cept r onapabila 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 backpr opagation, 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 AwalN eur al N etwor k

Jaringan saraf tiruan (JST) atau disebut juga dengan neur al networ k ( 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 persoalan-

persoalan 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 (neur on).

b. Sinyal dikirirnkan diantara neur on-neur on melalui penghubung- penghubung.

c. Penghubung antar neur on memiliki bobot yang akan memperkuat atau

memperlemah sinyal.

d. Untuk menentukan output , setiap neur on menggunakan fungsi aktivasi (biasanya

bukan fungsi linier) yang dikenakan pada jumlahan input yang diterima.

Besarnya output ini selanjutnya dibandingkan dengan suatu batas ambang. JST

ditentukan oleh 3 hal :

y

Pola hubungan antar neur on (disebut arsitektur jaringan)

y Metode untuk menentukan bobot penghubung (disebut metode

t r aining/lear ning/ algoritma)

y Fungsi aktivasi (fungsi transfer)

2. N eur on

N eur on dalam jaringan syaraf tiruan sering diganti dengan istilah simpul. Setiap

simpul tersebut berfungsi untuk menerima atau mengirim sinyal dari atau kesimpul-

simpul 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 neur on Y

pada gambar berikut :

Gambar II.2 Sebuah Sel Syaraf Tiruan[6]

Y menerima input dari neur on x1, x2, dan x3 dengan bobot hubungan masing-

masing adalah w1, w2 dan w3. Ketiga impuls neur on 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. Backpr opagation

Kelemahan JST yang terdiri dari layar tunggal membuat perkembangan JST

menjadi terhenti pada sekitar tahun 1970 an. Penemuan backpr opagation yang terdiri

dari beberapa layar membuka kembali cakarawala. Terlebih setelah berhasil

ditemukannya berbagai aplikasi yang dapat diselesaikan dengan backpr opagation,

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, Backpr opagation 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 neur on-neur onpada layar input dengan neur on-neur onpada

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 neur on[5].Dalam backpr opagation, 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 sigmoi d biner yang memiliki range (0,1).

Fungsi sigmoi d biner dirumuskan sebagai :[6]

xe x f y

W

!!

1

1)(

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

6. Algoritma Belajar dan Pelatihan

Dalam jaringan syaraf tiruan terdapat konsep belajar atau pelatihan.

Sehinggajaringan-jaringan yang dibentuk akan belajar melakukan generalisasi

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 nilai-

nilai bobot koneksinya. Berdasarkan cara modifikasi bobotnya, ada dua macam

pelatihan yang dikenal (Siang 2005)

[6]

, yaitu sebagai berikut:

a. Pelatihan Dengan Supervisi (Super vised T r aining )

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 (Unsuper vised T r aining )

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 neur al netwo

r k belum ada sebelumnya, akan tetapi penelitian-

penelitian yang berkaitan erat dengan peelitian penulis telah dilakukan oleh :

1. Yantai Shu, Minfang Yu, Jiakun Liu, Tianjin University, 2003 melakukan

penelitian yang berjudul Wi r eless T r affic Mod eling and P r ed iction Using

Seasonal ARIMA Mod el . Pada penelitian ini mereka melakukan penelitian

tentang pemodelan pecahan ARIMA dalam ad mission cont r ol dan pemodelan

seasonal ARIMA untuk memprediksi trafik panggilan. Adapun tujuan penelitian

tersebut adalah mempelajari karakteristik dari trafik wi r eless, yakni menyediakan

sebuah persamaan umum untuk trafik wi r eless di China, memodelkan season

ARIMA yang sesuai untuk menangkap sifat-sifat dari trafik wi r eless yang nyata

dengan menggunakan dua periodisitas, dan menggunakan model tersebut untuk

memprediksi trafik wi r eless.

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 N etwor k

T r affic Mod elling and P r ed iction Using Multiplicative Seasonal ARIMA Mod els.

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 neur al networ k dimulai dengan metode studi literatur (libr ar y

r esear ch). 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.



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.

Mulai

Pengambilan data

Pemilihan dan pemilahan data

KetepatanSistem NN?

Pelatihan dan pengujian variabel input dengan NN

Analisa dan pembuatan laporan

Selesai

Studi literatur

TIDAK

Validasi sistem NN

Validasi trafik bulan Februari 2012 dengan Metode

neural network

YA



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 br oad band . Jaringan Telkomsel membentang luas

menjangkau seluruh penjuru Nusantara, dikelola oleh para ahli yang merupakan putera-

puteri 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 neur al networ k 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 br owsing

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 neur al networ k

sedangkan data Februari 2012 digunakan sebagai data input untuk

pengujian neur al networ k .

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) Waktu pendudukan kanal rata-rata T ch

2) Intensitas hand over



3) Probabilitas blocking panggilan baru P BN

4) Probabilitas blocking panggilan hand over PBH

5) Jumlah rata-rata dari hand over per panggilan

6) Probabilitas dr opping panggilan PD

Sedangkan data output adalah kondisi trafik nantinya.

3. Pelatihan dan pengujian variabel input dengan neur al networ k

Pengumpulan data trafik dilakukan untuk Site Kabila PT. Telkomsel di

daerah Gorontalo yakni dari bulan Desember 2011 sampai dengan Februari

2012 (tiga bulan).

Metode neur al networ k yang digunakan dalam penelitian ini adalah

backpr opagation. Pelatihan pada metode backpr opagation bertujuan agar

jaringan bisa mengenali input yang diberikan sesuai target yang diinginkan.

Proses pelatihan ini dilakukan berulang kali hingga mendapatkan err or

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 neur al networ k 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

KegiatanJanuari 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

Persiapanproposal

Seminar proposal

Pengambilandata

Pengolahan data

PenyusunanLaporan

Seminar Hasil

Perbaikanlaporan

Ujian



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:VAER-XrX3bsJ: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_bf5Wfnj3jQ27oEzmlOPS83COV9N4vCiFElf-

Ic_A4CsD5Ny_TYHVEYdGu1YMHqb988nGwvIzTlMu3P1O1JiCYrqnPkNw6-

v8KVrs8V-I1n-

PFdYYEf5vOtS2&sig=AHIEtbTMVs6twKuTnMQ0469AVme24hY6OA&pli=1

[4] Kurniawan Adit, ³Review and Desain Sistem Selular´ Bahan ajar Sistem Komunikasi

Selular. Laboratorium Telekomunikasi Radio dan Gelombang Mikro DepartemenTeknik 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

proposal skripsi arizal

Documents