Volt, No.2, Desember 2012
Jumal Ristek
ISSN: 2089-99963
PREDIKSI TRAFIK KOMUNIKASI SUARA PADA JARINGAN
GSM T. TELKOMSEL MENGGUNAKAN METODE NEURAL NETWORK
Dani Achmad ', Amil Ahmad Iham,’ Merna Baharuddin *
Program Studi Elektro, Universitas Fajar Makassar
2Jurusan Teknik Elektro, Prodi Informatika, Fakultas Teknik, Universitas Hasanuddin
Surusan Teknik Elektro, Prodi Elektro, Fakultas Teknik, Universitas Hasanuddin
Absirak — Penelitian ini bertujuan untuk
merancang suatu sistem perangkat lunak yang.
smemprediksitrafik komunikasi suara pada jaringan GSM
PT Telkomsel dengan menggunakan metode Neural
Network Backpropagation. Metode yang. digunakan
dalam penelitian ini adalah dengan simulasi program
pada Matlab, di mana parameter trafik yang diprediksi
adalah TCH Full rate in busy time dan TCH Half rate in
‘basy time. Penelitian ini dimulai dari pelatihan prediksi,
pengujian prediksi, dan prediksi yang sebenarnys akan
Parameter-parameter trafik komunikasi suara tersebut
‘yang hasil prediksi setiap langkah diolah kembali untuk
iperolch nilai total trafiknya. Adapun data yang
igunakan adalah data trafk dari bulan November 2011
impai dengan April 2012. Hasil dari penelitian ini
dalah sebuah program perangkat lunak untuk
‘memprediksitrafk komunikasisuara pada jaringan GSM
rmenggunakan metode Neural Network Backpropagi
dengan tingkat kekuratan prediksi div atas 75% yang
nantinya dapat digunakan oleh pihak PT Telkomsel
dalam pengoptimalisasian dan modernisasi_perangkat
‘yang tepat guna.
‘Kata kunci: predikst, rik, GSM, Telkomsel, Neural
‘network, Backpropagation
1. PENDAHULUAN
Hingga saat ini pengguna telekomunikasi seluler
semakin meningkat, namun dalam penerapan teknologi
telekomunikasi ini terdapat keterbatasan-keterbatasan
yakni terbatasnya kanal pembicaraan seiring dengan
bbanyaknya jumiah pelanggan telekomunikasi seluler,
sehingaa mengakibatkan apa yang disebut dengan lock
call
Monitoring dan prediksi trafik dalam suatu jaringan
memainkan peran yang penting dalam perancangan,
manajemen dan optimasi sistem telekomunikasi yang
modern. Prediksi yang akurat dan handal
memungkinkan perencanaan kapasitas dari sebuah
jaringan telekomunikasi tepat waktu dan dapat menjaga
‘tingkat quality of service vang dibutubkan.
Jaringan saraf tiruan atau juga disebut simulated
neural network (SNN), atau umumnya hanya disebut
neural network (NN), adalah prosesor terdstribusi
paralel yang tersusun dari unit-unit _pemrosesan
sederhana, yang memiliki kecenderungan untuk
‘menyimpan ilmu eksperimental dan. menyediakannya
untuk digunakan. Neural network memiliki kemampuan
pemrosesan komputasi dengan cukup handal. dalam
mencari solusi dari permasalahan yang rumit dan
ompleks dan juga dapat digunakan untuk proses
prediksi
Dalam penelitian ini akan dirancang sebuah
perangkat lunak neural network yang akan memprediksi
trafik dari komunikasi suara jaringan GSM PT.
$$
Telkomsel dengan mengambil sampel trafik di Site STO
Gorontalo dengan metode backpropagation
Tujuan dari penelitian ini adalah untuk
menyesuaikan model neural network untuk memperoleh
sifat-sifattraik komunikasi suara jaringan GSM dengan
metode hackpropagation dan menggunakannya untuk
Pemprediksi trafik komunikasi suarajeringan GSM.
Penelitian ini dikarapkan dapat memberi manfaat
berupa referensi berbagai provider GSM di Indonesia,
Kkhususnya PT. Telkomsel dalam memberi_prediksi
trafik pada kanal suara GSM agar mampu mendesain
dan memanajemen sistem lebih baik kedepannya,
membantu dalam —-mengoptimalkan sistem
telekomunikasi dengan perencanaan kapasitas jaringan
yang tepat dan level quality of service (QoS) yang
ibutubkan,
1h, METODE PENELITIAN
ini akan dirancang suatu
perangkat lunak yang mampu untuk mempredikst trafik
komunikasi suara pada jaringan GSM PT. Telkomsel
dengan metode neural network backpropagation
Metodologi penelitian dilakukan dengan proses simulasi
program yang dibuat pada Matlab
Data penelitian bersumber dari BTS Site STO
Gorontalo PT Telkomsel dengan perangkat BTS adalah
ZTE GSM BS8018 dengan konfigurasi site 4/4/4 (tiga
sektor.
Penelitian dimulai dengan melakukan studi literatur
yang berkenaan dengan penelitian kemudian dilakukan
pengambilan data trafik dan parameternya dari Bulan
November 2011 hingsa April 2012. Data yang
diperoleh kemudian dipilah untuk menentukan data
proses latihan, pengujian, dan prediksi. Data input
untuk proses pelatihan adalah dari bulan November
2011 hingga Februari 2012 dan data ouput proses
pelatihan adalah data di bulan Maret 2012. Untuk
proses pengujian digunakan data input dari Desember
2011 hingga Maret 2012 dan data ouput adalah data di
bulan April 2012. Sedangkan untuk proses prediksi
adalah memprediksi di bulan Mei 2012 dengan input
dari Januari 2012 hingga April 2012 Data yang
digunakan dalam prediksi neural network ini berupa
‘TCH Full rate in busy time dan TCH Half rate in busy
time. Tika pelatiban dan prediksi sudah menghasilkan
persentase Kesalahan yang kecil kemudian dilanjutkan
dengan proses prediksi yang sebenarnya untuk trafik
bulan mei 2012. Hasil dari pelatihan dan pengujian
tersebut kemudian diolah dengan dimasukkan ke dalam
persamaan (1) berikut untuk memperoleh prediksi nilai
total traffic:
Hal -1‘VoLT, No2 Desember 2012
TCH total traffic =
Fe Para in busy tines TCH Half rate in busy tne)
oa o
Proses validasi hasil pelatihan dan. pengujian
‘menggunakan persamaan (2) yakni _persamaan
‘matematis yang digunakan untuk _memperoleh
ppersentase Kebenaran dari hasil prediksi yang ada