PENDAHULUAN Latar Belakang Telepon selular adalah salah satu aplikasi bidang telekomunikasi yang berkembang sangat pesat. Pesatnya teknologi informasi dan komunikasi ini menempatkan telepon selular menjadi bagian yang tidak terpisahkan dari masyarakat dewasa ini. Keberadaan telepon selular telah menjadi kebutuhan primer bagi sebagian masyarakat. Saat ini, hampir seluruh kalangan masyarakat memiliki telepon selular dan menggunakannya sebagai sarana telekomunikasi. Bisnis selular di Indonesia menjadi tren yang menjanjikan keuntungan besar bagi para pelaku bisnis. Hal ini ditandai dengan kemunculan beberapa operator selular yang menawarkan berbagai macam layanan produk operator. Ada beberapa alasan dan faktor yang mendukung perkembangan bisnis selular. Pertama, mobilitas dan tren yang merupakan keunggulan utama teknologi selular dibandingkan dengan telepon tetap, karena dari sisi content dan fasilitas yang diberikan pelanggan dapat mengaksesnya dimana saja dan kapanpun ia berada. Kedua, saat ini selain merupakan kebutuhan, teknologi selular juga merupakan gaya hidup (life style). Banyaknya produk operator dan fitur–fitur yang ditawarkan oleh beberapa operator selular menyebabkan pengguna akan semakin dibingungkan dalam memilih produk operator. Faktor-faktor kebutuhan dari pengguna dan fitur-fitur yang ditawarkan oleh operator menjadi pertimbangan pemilihan operator oleh masyarakat saat ini. Tujuan Penelitian Tujuan dari penelitian ini adalah : 1 Menganalisis ketepatan pengguna produk operator GSM atau CDMA dalam memilih produk operator sesuai dengan kebutuhannya. 2 Memprediksi pola konsumen dalam memilih produk operator di masa yang akan datang terkait dengan kesesuaian fitur dan tarif yang diberikan oleh produk operator. Ruang Lingkup Penelitian Ruang lingkup penelitian ini dibatasi pada:
1 2
3
4
5
6 7
8
Pembahasan difokuskan pada operator GSM dan CDMA. Data diperoleh dari survei pengguna layanan produk operator, majalah selular dan home page masing-masing operator GSM dan CDMA. Waktu voice calling dibagi menjadi delapan selang waktu : a off peak 1 (06.00-07.00), b off peak 2 (07.00-08.00), c off peak 3 (08.00-09.00), d peak (09.00-15.00), e off peak 4 (15.00-22.00), f off peak 5 (22.00-23.00), g off peak 6 (23.00-00.00), dan h off peak 7 (00.00-06.00). Data voice calling antar operator dan sesama operator untuk SLJJ (SLJJ1, SLJJ2, dan SLJJ3) sama. Setiap responden hanya dikenali menggunakan 1 jenis produk operator dengan lama pemakaian minimal 3 bulan. Tidak memasukkan fitur khusus. Data tarif yang digunakan yaitu tarif reguler produk operator yang diambil dari Majalah Selular bulan Februari 2008. Setiap fitur diasumsikan memiliki nilai bobot yang sama.
Manfaat Penelitian Penelitian ini diharapkan dapat memberikan referensi/penilaian tentang produk operator yang digunakan oleh masyarakat. Penelitian ini juga menghasilkan prediksi tren pola pemilihan produk operator yang ada di masyarakat.
TINJAUAN PUSTAKA GSM Menurut Miranti (2003), teknologi GSM yang banyak digunakan di Indonesia saat ini adalah GSM 900 dan GSM/DCS (Digital Cellular Service) 1800. GSM 900 memiliki coverage area yang relatif luas dibandingkan GSM 1800. Sebuah BTS (Base Transceiver Station) GSM 900 dapat menjangkau radius hingga 5 km, sementara BTS GSM 1800 hanya mampu menjangkau area sekitar 1 km. CDMA Code Division Multiple Access (CDMA) menggunakan teknologi spread-spectrum untuk mengedarkan sinyal informasi melalui bandwith yang lebar (1,25 MHz). Kinerja sistem CDMA dibatasi oleh daya interferensi
1
yang terjadi pada band Radio Frequency (RF) yang dipakai. Teknologi CDMA lebih murah karena berbasis pada teknologi Wireless Local-Code Division Multiple Access (WLLCDMA) (Miranti 2003).
biaya panggilan jarak jauh atau biasa disebut biaya roaming (South Dakota Public Utilities Commision, 2003). SMS
Coverage area merupakan daerah yang dapat dijangkau oleh sinyal dan layanan suatu produk operator, baik produk operator dengan teknologi GSM maupun CDMA. Salah satu keunggulan suatu produk operator dapat diukur dengan memiliki jumlah wilayah yang luas. Di Indonesia, jaringan dengan produk operator GSM memiliki coverage area yang lebih luas dari pada CDMA.
Short Message Service (SMS) merupakan layanan pengiriman pesan singkat berupa teks melalui subscriber. SMS dikembangkan sebagai bagian dari GSM phase I ETSI technical specification, memungkinkan mobile station dan device jaringan lain yang terkoneksi untuk bertukar pesan teks singkat. SMS juga dapat digunakan pada teknologi jaringan CDMA dan GPRS. SMS merupakan salah satu fitur yang paling sukses dari teknologi GSM (Handhayani 2008).
Variabel Eksternal dan Fitur Khusus
MMS
Variabel eksternal adalah variabel yang mempengaruhi pengguna dalam memilih suatu produk operator selain kebutuhan komunikasinya. Variabel ini dapat meliputi: iklan di media cetak maupun elektronik, promosi, keluarga, dan lingkungan. Fitur khusus merupakan layanan yang ditawarkan suatu produk operator di luar tarif normal yang diberlakukan. Fitur khusus dapat meliputi SMS gratis untuk pemakaian tertentu, telepon dengan tarif murah pada selang waktu tertentu dan bonus yang diberikan oleh suatu poduk operator untuk pengisian pulsa (Wirawan 2007).
Menurut Bodic (2005), Multimedia Message Service (MMS) diperkenalkan secara komersial pada Maret 2002 dan merupakan jaringan dengan kemampuan bandwidth yang tinggi. Implementasi dari fitur MMS memungkinkan pertukaran pesan multimedia antar ponsel dan internet.
Coverage Area
Voice Calling Sistem telekomunikasi mobile bertujuan untuk menyediakan layanan komunikasi antar individu yang dipisahkan oleh jarak. Voice calling merupakan telekomunikasi dengan suara. Ada tiga bagian waktu yang ditetapkan oleh operator selular pada layanan komunikasi voice calling, yaitu : • Off peak: Merupakan bagian waktu dari hari yang ditetapkan oleh operator ketika pengguna dapat membayar biaya airtime. Off peak biasanya diletakkan oleh operator pada malam hari menjelang pagi dan akhir pekan.
GPRS General Packet Radio Service (GPRS) adalah suatu teknologi yang memungkinkan pengiriman dan penerimaan data lebih cepat jika dibandingkan dengan koneksi packetswitch. Paket GPRS memiliki konsep dasar transmisi untuk menyeleksi aplikasi menggunakan sumberdaya radio dengan mengalokasikannya untuk pengiriman data (Bodic 2005). Adaptive Neuro Fuzzy Inference System (ANFIS) ANFIS adalah penggabungan mekanisme Fuzzy Inference System (FIS) yang digambarkan dalam arsitektur jaringan syaraf (Jang et al,. 1997). FIS yang digunakan adalah model Takagi-Sugeno-Kang (TSK) orde satu dengan pertimbangan keserderhanaan dan kemudahan komputasi.
•
Peak: Merupakan waktu dari hari yang telah ditetapkan oleh operator di mana biaya percakapan dikenakan tarif normal atau dikenakan pembayaran penuh.
Menurut Kusumadewi (2006), ANFIS adalah suatu metode dalam melakukan penyetelan aturan menggunakan algoritma pembelajaran terhadap sekumpulan data.
•
Out of Area Calls/SLJJ (Sambungan Langsung Jarak Jauh): Panggilan dan penerimaan telepon yang dilakukan di luar batas dari area asal dengan dikenakan
Pada dasarnya FIS terdiri atas lima bagian (Jang 1994) yaitu basis aturan berisi sejumlah aturan fuzzy if-then, basis data yang mendefinisikan fungsi keanggotaan himpunan
2
fuzzy digunakan dalam aturan-aturan fuzzy, unit pembuat keputusan yang mentransformasikan operasi inferensia dalam aturan-aturan, interface fuzzifikasi yang mentransformasikan masukan yang bernilai tunggal (crisp) ke dalam derajat keanggotaan sesuai dengan nilai linguistiknya dan interface defuzzifikasi yang mentransformasikan hasil penalaran fuzzy ke dalam keluaran bernilai tunggal. Jaringan syaraf tiruan merupakan suatu sistem pemrosesan informasi yang memiliki karakteristik kinerja tertentu yang menyerupai jaringan syaraf biologi. Ada dua jenis algoritma pembelajaran jaringan syaraf tiruan, yaitu supervised learning dan unsupervised learning. ANFIS menggunakan supervised learning. Contoh ilustrasi mekanisme inferensi fuzzy TSK orde satu dengan dua input masukan x dan y dengan dua aturan fuzzy if-then seperti berikut. Aturan 1 : if x is A1 and y is B1 then f1 = p1x + q1y + r1 premis
konsekuen
tegangannya, jadi x itu pengukuran harga variabel yang dikontrol yaitu kecepatan pada saat ke t, dan misalnya y pengukuran pada saat t+1 sedangkan f adalah nilai tegangan yang diberikan sebagai sinyal kontrol. Lalu nilai x dan y tersebut dipetakan pada fungsi keanggotaannya. Pada Gambar 1 tiap-tiap input tersebut dibagi menjadi 2 fungsi keanggotaan, x dibagi dalam A1 dan A2. Diasumsikan bahwa A1 menyatakan small dan A2 menyatakan big, begitu juga y dibagi dalam fungsi keanggotaan B1 yang menyatakan small dan B2 menyatakan big. Dari pemetaan tersebut, x dan y menjadi variabel fuzzy yang masing-masing mempunyai nilai m small dan big tertentu. Input x mempunyai nilai mA1 dan mA2, sedangkan y mempunyai nilai mB1 dan mB2. Nilai masing-masing pasangan input tersebut kemudian diagregasi dengan operasi T-norm, misalnya operasi ini adalah operasi AND. Jadi w1 = (mA1 AND mB1) sedangkan w2 = (mA2 AND mB2). Dari basis aturan yang sudah dibuat, dapat dinyatakan bahwa: if w = w1 then f1 = p1x + q1y + r1 if w = w2 then f2 = p2x + q2y + r2
Aturan 2 : if x is A2 and y is B2 then f2 = p2x + q2y + r2 premis
konsekuen
Input : x dan y Konsekuennya adalah f Gambar dari contoh ilustrasi mekanisme inferensi fuzzy TSK tersebut dapat dilihat pada Gambar 1.
Dari hasil inferensi diperoleh hasil akhir f1dan f2 yang merupakan nilai output sinyal kontrol, yaitu tegangan. Nilai p1, q1, r1, p2, q2, dan r2 disebut parameter konsekuen yang ditentukan dengan nilai awal tertentu dan akan berubah dengan pembelajaran (algoritma belajar). Selanjutnya dari nilai f1 dan f2 ini diperoleh suatu nilai tegangan sebagai sinyal kontrol melalui proses yang disebut defuzzyfikasi. Nilai akhir tersebut dihitung dengan nilai:
f =
w1 f 1 + w 2 f 2 w1 + w 2
= w1 f1 + w 2 f 2
Gambar 1 Sistem inferensi fuzzy TSK dua masukan dengan dua aturan. Cara kerjanya seperti sistem FIS biasa cuma cara perhitungannya (algoritmanya) yang berbeda. Jelasnya gambar di atas memperlihatkan suatu masukan crisp (tidak fuzzy) x dan y, misalnya ingin mengontrol kecepatan motor listrik dengan mengatur
Struktur ANFIS yang menggambarkan FIS TSK pada Gambar 1 juga dapat digambarkan dalam diagram blok atau disebut arsitektur jaringan syaraf feedforward (Gambar 2). Pada Gambar 2, dapat dilihat bahwa sistem neuro-fuzzy terdiri atas lima lapisan dengan fungsi yang berbeda pada tiap lapisannya. Pada Gambar 2, lapisan struktur ANFIS terdiri atas beberapa simpul yang dilambangkan dengan lingkaran atau kotak.
3
Lambang lingkaran merepresentasikan simpul nonadaptif yang nilainya tetap, sedangkan lambang kotak merepresentasikan simpul adaptif, artinya nilai parameternya bisa berubah dengan pembelajaran. Pada gambar struktur ANFIS, simpul adaptif terdapat pada Lapisan 1 dan Lapisan 4.
Lapisan 4. Setiap simpul pada lapisan ini merupakan simpul adaptif dengan fungsi simpul : O4,i = wi fi= wi (pix + qiy + ri)
(4)
dimana O4,i adalah derajat pengaktifan ternormalisasi dari Lapisan 3 dan parameter {pi, qi, ri} merupakan parameter konsekuen yang adaptif. Lapisan 5. Pada lapisan ini hanya ada satu simpul tetap yang berfungsi untuk menjumlahkan semua masukan, fungsi simpul sebagai berikut : Overall output = O5,i =
Gambar 2 Struktur ANFIS.
∑w i
Fungsi dari setiap lapisannya yaitu sebagai berikut : Lapisan 1. Semua simpul pada lapisan ini merupakan simpul adaptif yaitu parameter dapat berubah dengan fungsi simpul : untuk i = 1,2, atau O1,i = µ Ai (x), O1,i = µ Bi-2 (y),
untuk i = 3,4
(1)
dimana x dan y merupakan masukan pada simpul i, Ai (atau Bi-2) adalah fungsi keanggotaan masing-masing simpul. Simpul O1,i berfungsi untuk menentukan nilai keanggotaan tiap masukkan terhadap himpunan fuzzy A dan B. Lapisan 2. Setiap simpul pada lapisan ini merupakan lapisan nonadaptif, yaitu parameter tetap. Fungsi simpul ini adalah mengalihkan setiap sinyal masukan yang datang. Fungsi simpul : O2,i= wi= µ Ai (x).µ Bi (y), i = 1,2
(2)
Fungsi perkalian yang digunakan adalah interpretasi kata hubung dengan menggunakan operator t-norm. Banyaknya simpul pada lapisan ini menunjukkan banyaknya aturan yang dibentuk. Lapisan 3. Setiap simpul pada lapisan ini adalah simpul nonadaptif yang menampilkan fungsi derajat pengaktifan ternomalisasi, yaitu rasio keluaran simpul ke-i pada lapisan sebelumnya terhadap seluruh keluaran lapisan sebelumnya dengan bentuk fungsi simpul sebagai berikut : O3,i = wi =
wi , i=1,2 w1 + w2
(3)
i fi =
∑ w .f ∑w i
i
i
i
(5)
i
Jaringan adaptif dengan lima lapisan tersebut ekuivalen dengan FIS TSK. Simpul pada Lapisan 1 mengandung parameter premis yang nonlinear sedangkan pada Lapisan 4 mengandung parameter konsekuen yang linear. Untuk memperbarui parameterparameter tersebut maka perlu suatu metode atau algoritma pembelajaran. Learning Penyatuan dua metode pembelajaran pada ANFIS disebut pembelajaran hybrid. Pembelajaran hybrid terdiri atas dua bagian yaitu arah maju (forward pass) dan arah mundur (backward pass). Pada arah maju, parameter premis dibuat tetap. Dengan menggunakan metode Recursive Least Square Estimator (RLSE), parameter konsekuen diperbaiki berdasarkan pasangan data masukan-keluaran. Metode RLSE dapat diterapkan karena parameter konsekuen yang diperbaiki adalah parameter linear. Metode RLSE akan mempercepat proses belajar hybrid. Kemudian setelah parameter konsekuen didapatkan, data masukan dilewatkan jaringan adaptif kembali dan hasil keluaran jaringan adaptif ini dibandingkan dengan keluaran yang sebenarnya. Pada arah mundur, parameter konsekuen dibuat tetap. Kesalahan yang terjadi antara keluaran jaringan adaptif dan keluaran sebenarnya dipropagasi balik dengan menggunakan gradient descent untuk memperbaiki parameter premis. Pembelajaran ini dikenal sebagai Algoritma
4
Backpropagation-error. Satu tahap arah pembelajaran maju-mundur dinamakan satu epoch. Tabel 1 menerangkan proses pembelajaran hybrid ANFIS. Tabel 1 Proses pembelajaran hybrid ANFIS Parameter premis Parameter konsekuen Sinyal
Arah Maju Tetap RLSE
Arah Mundur Gradient descent Tetap
Keluaran simpul
Laju kesalahan
dengan
d kp adalah komponen ke-k dari vektor
keluaran yang diharapkan dan
vektor keluaran aktual yang dihasilkan sistem jaringan adaptif dengan masukan dari vektor masukan ke-p dari P data belajar. Tujuan dari sistem adaptif adalah untuk meminimumkan pengukuran kesalahan pada persamaan (7) dengan mengubah parameter-parameter adaptif. Dengan mendefinisikan sinyal kesalahan ε l ,1 sebagai ordered derivative terhadap keluaran simpul ke-i, lapisan ke-l, maka ordered derivative dinotasikan dengan :
a Proses Pembelajaran Backpropagationerror untuk parameter premis Parameter premis adalah parameter adaptif dengan proses pembelajarannya menggunakan metode belajar sistem jaringan syaraf feedforward dengan gradient descent. Misalkan sebuah sistem jaringan adaptif dinyatakan dengan L lapisan dan lapisan ke-l (l = 0,1,...,L;l=0 menyatakan lapisan masukan) mempunyai N(l) simpul. Keluaran dan fungsi simpul ke-i [i=1, ..., N(l)] pada lapisan ke-l dinyatakan dengan xl,i dan fl,i seperti terlihat pada Gambar 3. Keluaran simpul merupakan fungsi dari sinyal yang masuk dan parameter sistem, maka diperoleh:
xl ,i = f l ,i ( xl −1,l ,...xl −1, N (l −1) , α , β , γ ,...) (6) dengan α,β,γ adalah parameter simpul.
ε l ,i =
∂+Ep
ε L ,i =
∂+ Ep ∂x L ,i
∑ (d k =1
p k
− x Lp,k
)
2
(7)
∂x L ,i
(9)
(10)
Untuk simpul dalam pada Lapisan l, posisi kei, sinyal kesalahan dapat diperoleh menggunakan aturan rantai. `
∂+Ep ∂xl ,i
=
N ( l +1)
∑
m =1
∑ε
∂ + E p ∂f l +1,m ∂xl +1, m ∂xl ,i
sinyal kesalahan pada lapisan l+1
∂f l +1,m
N ( l +1) m =1
N ( L)
∂E p
ε L ,i = −2(d ip − x Lp,i )
=
Misalkan sejumlah P pasangan data untuk proses belajar jaringan adaptif, selanjutnya dapat didefinisikan pengukuran kesalahan pada data latih ke-p adalah jumlah kuadrat kesalahan.
=
Jika pengukuran kesalahan seperti yang didefinisikan pada persamaan (7), maka persamaan (9) menjadi :
sinyal kesalahan pada lapisan l
Gambar 3 Model jaringan syaraf feedforward.
(8)
∂xl ,i
Sinyal kesalahan untuk simpul keluaran ke-i (pada lapisan L) dapat dihitung langsung dengan :
ε l ,i =
Ep =
x Lp,k adalah
l +1, m
∂xl ,i
(11)
dengan 0 ≤ l ≤ L-1. Sinyal kesalahan simpul dalam pada lapisan ke-1 dapat dinyatakan sebagai kombinasi linier dari sinyal kesalahan simpul pada lapisan ke (l+1). Jadi, untuk menghitung sinyal kesalahan pada simpul ke-i lapisan ke-l (l < L), pertama digunakan persamaan (9) untuk mendapatkan sinyal kesalahan pada lapisan keluaran, kemudian persamaan (11) secara iteratif sampai mencapai lapisan yang diinginkan. Prosedur di atas disebut penjalaran balik (backpropagation) karena sinyal kesalahan dihitung secara mundur dari lapisan keluaran
5
hingga lapisan masukan. Vektor gradien didefinisikan sebagai ordered derivative dari pengukuran kesalahan terhadap tiap parameternya. Jika α adalah parameter simpul ke-i lapisan ke-l, maka diperoleh :
∂+Ep ∂α
=
∂E p ∂f l ,i ∂xl ,i ∂α
= ε l ,i
∂f l ,i ∂α
(12)
Jika α merupakan parameter yang ada pada beberapa simpul, maka persamaan (12) menjadi :
...... ( w 2 x) p 2
+ ( w 2 y )q 2 + ( w 2 )r2
(17)
Pada persamaan (17) terlihat parameterparameter bagian konsekuen merupakan parameter linier terhadap keluaran sistem. Jika sejumlah N data belajar diterapkan pada persamaan (17), maka diperoleh :
(w1x)1 p1 + (w1 y)n q1 + (w1)1 r1 + (w2 x)1 p2 + ...... ..... ( w 2 y )1 q 2
+ ( w 2 )1 r2 = y1
Sehingga dapat dirumuskan :
∂+Ep
∂ + E p ∂f * =∑ * ∂α ∂α x *∈S ∂x
(13)
dengan S merupakan himpunan simpul yang berisikan a sebagai parameter, sedangkan x* dan f* adalah keluaran dan fungsi dari simpul yang bersangkutan. Turunan masing-masing secara keseluruhan terhadap pengukuran kesalahan akan menghasilkan : p ∂+E ∂+E p =∑ ∂α p =1 ∂α
(14)
Dengan metode gradient simple steepest descent, persamaan untuk memperbaiki parameter α adalah :
(w1x)n p1 + (w1 y)n q1 + (w1)n r1 + (w2x)n p2 +...... ..... ( w 2 y ) n q2
+ ( w 2 ) n r2 = yn
(18)
Jika dinyatakan dengan persamaan matriks, berbentuk : Aθ = y (19) dengan q merupakan vektor 6x1 yang elemenelemennya merupakan himpunan parameter konsekuen, y merupakan vektor keluaran yang elemen-elemennya N buah data keluaran sistem. Penyelesain terbaik untuk q adalah meminimumkan
Aθ = y , dengan teori 2
LSE (Least Square Estimator) didapat q* :
∆α = −η
∂+E ∂α
Dengan η adalah laju proses belajar (learning rate) yang dinyatakan dengan :
η=
k ∂E ∑ ∂α
θ * = ( AT A) −1 AT y
(15)
(16)
2
dan k adalah ukuran langkah (step size) yang dapat diubah untuk mempercepat konvergensi. b Proses pembelajaran parameter konsekuen
RLSE
untuk
Pada Gambar 3, jika nilai dari parameter premis tetap maka keluaran keseluruhannya dapat dinyatakan dengan kombinasi linier dari parameter konsekuen [7]
f = w1 f 1 + w 2 f 2 =w1(p1x+q1y+r1) + w2 (p2x +q2 y +r2 )
= ( w1 x) p1 + ( w1 y )q1 + ( w1 )r1 + ....
(20)
q* dihitung dengan rumus Recsursive LSE (RLSE). Selanjutnya persamaan (20) menjadi:
θ i +1 = θ i + Pi +1 ai +1 ( yiT+1 − aiT+1θ i ) Pi +1 = Pi −
Pi a i +1 aiT+1 Pi , i=0,1,....,P-1 1 + aiT+1 Pi ai +1 (21)
Dengan
T i
a adalah vektor baris dari matriks A
pada persamaan (19), yi adalah elemen ke-i dari y. Pi disebut matriks kovariansi yang didefinisikan dengan :
Pi = ( AT A) −1
(22)
Subtractive Clustering Subtractive clustering dioperasikan dengan menentukan nilai optimal dari titik data untuk didefinisikan sebagai sebuah pusat cluster, berdasarkan pada kepadatan data di
6
sekitarnya. Semua data yang berada di dalam radius titik-titik ini kemudian dihilangkan untuk menentukan data cluster selanjutnya dan pusat datanya. Proses ini dilakukan berulang kali sehingga seluruh data berada dalam jarak radius dari pusat data (Ping & Salim 2006). Stratified Random Sampling Stratified Random Sampling merupakan metode penarikan sampel dengan cara memecah populasi menjadi beberapa bagian yang dinamakan strata. Strata bersifat nonoverlapping. Sampel dipilih secara acak dari masing-masing stratum (Scheaffer et al., 1990).
Tahap Pengambilan Data Sebelum dilakukan tahap pengambilan data, terlebih dahulu dilakukan desain kuesioner. Dalam penelitian ini, dilakukan perbaikan desain kuesioner dari penelitian sebelumnya, perbaikan kuesioner meliputi : 1 Pembuatan interval waktu peak dan off peak. 2 Penambahan fitur khusus dan variabel eksternal. Pengambilan data pada fitur-fitur yang memiliki pengaruh signifikan dalam pemilihan produk operator. Data diambil dari pengguna produk operator dan data dari operator. Data dari pengguna
METODE PENELITIAN Penelitian ini dilakukan melalui beberapa tahapan, tahapan tersebuat dapat dilihat pada Gambar 3.
Gambar 4 Metode penelitian.
Data yang diperoleh dari pengguna berasal dari penyebaran kuesioner. Informasi yang dikumpulkan melalui kuesioner yaitu : 1 Tarif voice calling • Tarif voice calling pra bayar dan pasca bayar ke PSTN dalam satuan rupiah per menit. • Zona lokal, SLJJ1, SLJJ2, SLJJ3 dalam satuan kilometer. • Peak time dibagi menjadi off peak dan peak time. • Tujuan panggilan dari ponsel ke PSTN (telepon rumah), ponsel ke ponsel (sesama operator dan lain operator). 2 Tarif SMS • Tarif SMS sesama kartu, sesama operator, lain operator dalam satuan rupiah per sms. • Tarif SMS Internasional dalam satuan rupiah per sms. 3 Tarif MMS dalam satuan rupiah per 50 KB dan rupiah per 100 KB. 4 Tarif GPRS berdasarkan jumlah data yang diakses/download dalam satuan rupiah per KB. 5 Tarif 3G • Kebutuhan akan teknologi 3G. • Video calling. • Tarif video calling dalam satuan rupiah per menit. • Zona SLJJ dalam satuan kilometer. • Peak time dibagi menjadi off peak dan peak. • Tujuan ke sesama operator dan lain operator. • Tarif mobile tv dalam satuan rupiah per menit. 6 Bonus SMS yang ditawarkan produk operator setelah pemakaian tertentu.
7
7 Pengaruh lingkungan/variabel eksternal • Keluarga • Teman • Iklan 8 Tarif nada sambung pribadi (NSP) dalam satuan rupiah per bulan. 9 Coverage area (jangkauan sinyal). 10 Tarif isi ulang pulsa • Tarif isi ulang pulsa untuk produk operator pra bayar dalam satuan rupiah. • Nilai isi ulang pulsa dalam satuan rupiah (5.000, 10.000, 20.000, 25.000, 50.000, 100.000). 11 Informasi dari pengguna • Tanggal pengisian • Umur • Pekerjaan • Produk operator yang dipakai sekarang • Lama pemakaian produk operator saat ini • Tipe ponsel • Tipe jaringan ponsel
sebanyak 17 produk operator. Tiap produk operator direpresentasikan sebagai kelas. Definisi target sisi operator pada penelitian ini dapat dilihat pada Tabel 3. Tabel 3 Definisi target sisi operator No
Produk Operator
Representasi
1
Kartu Halo
1
2
Kartu AS
2
3
Matrix
3
4
Xplor
4
5
Im3 Smart
5
6
Simpati
6
7
Jempol
7
8
Bebas
8
9
Mentari
9
10
Three (3) pra bayar
10
11
Fren pasca bayar
11
12
Fren pra bayar
12
Data dari operator
13
Starone pra bayar
13
Data dari operator berasal dari Majalah Selular edisi bulan Februari 2008 dan home page masing-masing operator. Produk operator yang digunakan dalam penelitian ini dapat dilihat pada Tabel 2.
14
Flexy classy
14
15
Flexy trendy
15
16
Esia pasca bayar
16
17
Esia pra bayar
17
Tabel 2 Produk operator GSM dan CDMA Jaringan
Produk Operator Karu AS
GSM
CDMA
Kartu Halo SimPATI Jempol Bebas Xplor Three (3) Matrix Mentari IM3 Smart Fren Flexy Trendy Flexy Classy Esia Starone
Pra Bayar
Pasca Bayar
Pada penelitian ini, data dari produk operator GSM dan CDMA yang digunakan
Reduksi Fitur Reduksi fitur dilakukan untuk menyesuaikan antara kebutuhan pengguna dengan layanan yang ditawarkan oleh produk operator dan untuk menyesuaikan dengan kebutuhan sistem. Proses reduksi fitur dilakukan dengan melihat keragaman dari setiap fitur. Fitur yang memiliki keragaman kecil (homogen) berpotensi untuk dihilangkan, begitu pula sebaliknya. Keragaman tersebut terlihat dari besar kecilnya jumlah jawaban yang sama pada fitur yang bersangkutan, misalkan fitur voice calling ponsel ke PSTN dalam zona lokal yang terdiri dari delapan fitur, responden rata-rata memberikan jawaban yang sama untuk tiap fitur sehingga fitur ini bisa dihilangkan. Fitur yang dihilangkan pada data responden mahasiswa yaitu tarif voice calling ponsel ke PSTN dalam zona lokal, SLJJ1, SLJJ2, dan SLJJ3 (off peak 1, off peak 2, off peak 3, off peak 4, off peak 5, off peak 6 dan
8
