PREDIKSI TRAFIK DATA PADA JARINGAN TELEKOMUNIKASI MENGGUNAKAN METODE JARINGAN SARAF TIRUAN PROPAGASI BALIK ANI ZHURLINA

PREDIKSI TRAFIK DATA PADA JARINGAN TELEKOMUNIKASI MENGGUNAKAN METODE JARINGAN SARAF TIRUAN PROPAGASI BALIK

ANI ZHURLINA

DEPARTEMEN ILMU KOMPUTER FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM INSTITUT PERTANIAN BOGOR BOGOR 2014

PERNYATAAN MENGENAI SKRIPSI DAN SUMBER INFORMASI SERTA PELIMPAHAN HAK CIPTA Dengan ini saya menyatakan bahwa skripsi berjudul Prediksi Trafik Data pada Jaringan Telekomunikasi Menggunakan Metode Jaringan Saraf Tiruan Propagasi Balik adalah benar karya saya dengan arahan dari komisi pembimbing dan belum diajukan dalam bentuk apa pun kepada perguruan tinggi mana pun. Sumber informasi yang berasal atau dikutip dari karya yang diterbitkan maupun tidak diterbitkan dari penulis lain telah disebutkan dalam teks dan dicantumkan dalam Daftar Pustaka di bagian akhir skripsi ini. Dengan ini saya melimpahkan hak cipta dari karya tulis saya kepada Institut Pertanian Bogor. Bogor, November 2013 Ani Zhurlina G64104030

ABSTRAK ANI ZHURLINA. Prediksi Trafik Data pada Jaringan Telekomunikasi Menggunakan Metode Jaringan Saraf Tiruan Propagasi Balik. Dibimbing oleh MEUTHIA RACHMANIAH. Perkembangan teknologi komunikasi berdampak pada meningkatnya pengguna jasa komunikasi. Hal ini mengakibatkan tingginya trafik jaringan UMTS. Demi mempertahankan quality of service (QoS) pada jaringan tersebut, PT Indosat menjaga utilisasi jaringan agar tidak melebihi threshold 80%. Penelitian ini bertujuan untuk memprediksi trafik di masa yang akan datang, agar perusahaan dapat menganalisis kebutuhan penambahan kapasitas jaringan. Data yang digunakan dalam penelitian ini adalah trafik data/Packet Switching (PS), yang merupakan data time series, pada node B IPB dari Januari 2011 sampai dengan April 2012. Data trafik yang digunakan yaitu data asli, data hasil diferensiasi, dan data hasil transformasi. Adapun data hasil transformasi diperoleh dengan tiga fungsi yaitu fungsi logaritma, normalisasi min-max dan normalisasi zindex. Metode yang digunakan untuk melakukan prediksi adalah jaringan saraf tiruan (JST) propagasi balik. Error hasil prediksi dihitung menggunakan mean absoulute persentage error (MAPE). Hasil penelitian berupa prediksi data trafik selama satu triwulan setelah bulan April 2012. Hasil prediksi dengan nilai error terkecil diperoleh dari data yang telah ditransformasi fungsi logaritma, yaitu sebesar 5,42%. Nilai MAPE yang kecil ini menunjukan bahwa hasil prediksi kapasitas jaringan yang dilakukan cukup akurat. Kata kunci: jaringan saraf tiruan, prediksi, propagasi balik, time series

ABSTRACT ANI ZHURLINA. Traffic Data Forecasting on Telecommunication Network Using Neural Network Back Propagation Method. Supervised by MEUTHIA RACHMANIAH. The development of communication technology has had a significant impact on the increase of communication service user. As a result, there is a high traffic on UMTS networks. In order to maintain the network’s Quality of Service (QoS), PT Indosat guarantees that its network utilization will not exceed 80%. This research tries to predict the future traffic, so that the company can analize the requirement of additional network capacity. The utilited data is the time series data of packet switching (PS) traffic on node B IPB, from January 2011 until April 2012. The used traffic data are original data, differentiated data, and normalized data. The normalized data are obtained by three functions, namely: logarithmic function, min-max normalization, and z-index normalization. Artifiacial neural network (ANN) back propagations used as the prediction method. The prediction error is calculated using mean absolute persentage error (MAPE). The result of this research is a three-month prediction of traffic data

starting from April 2012. The prediction result with the smallest error of 5.14% is obtained from the data that are already transformed with logarithmic function. This small value of MAPE shows that the prediction result is quite accurate.

Keywords: artificial neural network, backpropagation, forecasting, time series

PREDIKSI TRAFIK DATA PADA JARINGAN TELEKOMUNIKASI MENGGUNAKAN METODE JARINGAN SARAF TIRUAN PROPAGASI BALIK

ANI ZHURLINA

Skripsi sebagai salah satu syarat untuk memperoleh gelar Sarjana Komputer pada Departemen Ilmu Komputer

DEPARTEMEN ILMU KOMPUTER FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM INSTITUT PERTANIAN BOGOR BOGOR 2014

Judul Skripsi : Prediksi Trafik Data pada Jaringan Telekomunikasi Menggunakan Metode Jaringan Saraf Tiruan Propagasi Balik Nama : Ani Zhurlina NIM : G64104030

Disetujui oleh

Ir Meuthia Rachmaniah, MSc Pembimbing I

Diketahui oleh

Dr Ir Agus Buono, MSi MKom Ketua Departemen

Tanggal Lulus:

Judul Skripsi: Prediksi Trafik Data pada Jaringan Telekomunikasi Menggunakan Metode Jruingan SarafTiruan. Propagasi Balik : Ani Zhurlina Nama : G64104030 NIM

Disetujui oleh '-

Ir Meuthia Rachmaniah, MSc Pembimbing I

..:,;:::'--'''::::' :-:,.... "::,,. .', ... ,,"'" /,:~/ . ~i';" .'" (./ ,,' , "'1'1 "" I

r' ..\

f .1

'" "

(;;~?:;='I ' \' )'

D'k .JJ J . 1 etah . r1'-,.

.

\.: I· ' . :• •'

:

" !

".'1 ····

'­ . ~

t., . ~

Tanggal Lulus:

1 5 FEB 20 14'

Ulo[eh

PRAKATA Puji dan syukur penulis panjatkan kepada Allah subhanahu wa ta’ala atas segala karunia-Nya sehingga penelitian tugas akhir ini berhasil diselesaikan. Tema yang dipilih dalam penelitian ini ialah prediksi, dengan judul Prediksi Trafik Data pada Jaringan Telekomunikasi Menggunakan Metode Jaringan Saraf Tiruan Propagasi Balik. Penyelesaian tugas akhir ini tidak luput dari bantuan semua pihak baik secara langsung ataupun tidak. Pada kesempatan ini, rasa terima kasih Saya ucapkan kepada mereka semua di antaranya: 1 Ayahanda Ir Abdul Muin Wase, Ibunda Tahwilah, SPd, Kakanda Azhizah Muin, SH dan Adinda Tri Anisah atas semua doa dan dukungan yang tidak pernah berhenti diberikan. 2 Ibu Ir Meuthia Rachmaniah, MSc selaku dosen pembimbing yang dengan sabar memberikan waktu, tenaga dan pikiran untuk penyelesaian tugas akhir ini. 3 Ibu Ir Sri Wahjuni, MT dan Ibu Karlisa Priandana, ST, MEng selaku penguji yang telah memberikan banyak masukan terhadap penelitian ini. 4 Karyawan PT Indosat bagian Network Resource and Strategic Planning atas semua ilmu, dukungan dan semangat yang diberikan. 5 Seluruh dosen pengajar Departemen Ilmu Komputer FMIPA IPB dan staf yang telah membantu selama proses pembelajaran hingga selesai. 6 Teman-teman Alih Jenis Ilmu Komputer X5 atas kebersamaan dan dukungannya selama ini. 7 Pihak lain yang tidak mungkin disebutkan satu persatu. Semoga penelitian tugas akhir ini bermanfaat bagi banyak orang.

Bogor, November 2013 Ani Zhurlina

DAFTAR ISI DAFTAR TABEL

viii

DAFTAR GAMBAR

viii

DAFTAR LAMPIRAN

viii

PENDAHULUAN

1

Latar Belakang

1

Perumusan Masalah

2

Tujuan Penelitian

2

Manfaat Penelitian

2

Ruang Lingkup Penelitian

2

METODE

3

Pengumpulan Data

4

Proses Data Time Series

4

Pembagian Data Latih dan Data Uji

4

Pembentukan Arsitektur Jaringan Saraf Tiruan (JST)

4

Jaringan Saraf Tiruan (JST) Propagasi Balik

5

Prediksi dan Analisis

6

HASIL DAN PEMBAHASAN

6

Pengumpulan Data

6

Proses Data time series

8

Pembagian Data Latih dan Data Uji

11

Pembentukan Arsitektur Jaringan Saraf Tiruan (JST)

12

Jaringan Saraf Tiruan (JST) Propagasi Balik

13

Prediksi dan Analisis

15

SIMPULAN DAN SARAN

20

Simpulan

20

Saran

20

DAFTAR PUSTAKA

20

LAMPIRAN

22

RIWAYAT HIDUP

53

DAFTAR TABEL 1 2 3 4 5 6 7 8 9 10 11

Profil Node B IPB Trafik PS node B IPB Trafik PS dan hasil diferensiasi Jumlah input JST hasil perhitungan autokorelasi parsial Parameter JST Nilai MAPE Hasil transformasi trafik PS Jumlah input JST hasil perhitungan autokorelasi parsial pada data baru Nilai MAPE pada data baru Jumlah hari yang membutuhkan penambahan kapasitas jaringan Perbandingan nilai MAPE menggunakan prediksi JST pada data asli dan perkiraan kasar

7 7 9 11 13 15 16 17 17 19 19

DAFTAR GAMBAR 1 2 3 4 5 6 7 8 9 10 11

Diagram alur penelitian Arsitektur propagasi balik dengan n buah masukan (Siang 2004) Screanshot laporan 3G daily perfomance busy hour per cell Grafik koefisien autokorelasi trafik PS Grafik koefisien autokorelasi hasil diferensiasi Grafik koefisien autokorelasi parsial hasil diferensiasi Grafik autokorelasi parsial trafik PS Arsitektur JST data trafik PS Grafik prediksi data trafik PS Grafik prediksi data hasil diferensiasi Flowchart analisis penambahan kapasitas jaringan

3 5 6 8 10 10 11 12 14 15 18

DAFTAR LAMPIRAN 1 2 3 4 5 6 7 8 9 10 11

Nilai autokorelasi parsial data trafik PS Nilai autokorelasi parsial nilai diferensiasi trafik PS Algoritme standar jaringan syaraf tiruan propagasi (Siang 2004) dengan fungsi aktivasi fungsi identitas, Persamaan 3. Hasil prediksi data trafik PS Hasil prediksi nilai diferensiasi trafik PS Nilai autokorelasi parsial nilai logaritma trafik PS Nilai autokorelasi parsial nilai normalisasi min-max trafik PS Nilai autokorelasi parsial nilai normalisasi z-index trafik PS Hasil prediksi nilai logaritma trafik PS Hasil prediksi nilai normalisasi min-max trafik PS Hasil prediksi nilai normalisasi z-index trafik PS

22 23 24 26 29 32 33 34 35 38 41

12 13 14

Hasil perhitungan utilisasi data trafik PS Hasil perhitungan utilisasi nilai logaritma trafik PS Hasil prediksi berdasarkan perkiraan kasar PT Indosat

44 47 50

PENDAHULUAN Latar Belakang Komunikasi merupakan kebutuhan manusia yang sangat penting. Komunikasi dibutuhkan untuk memperoleh atau memberi informasi dari atau kepada orang lain. Semakin meningkatnya kemampuan perangkat komunikasi maka semakin meningkat pula kecepatan akses yang dibutuhkan pengguna dalam mendapatkan informasi. Universal Mobile Telecommunication System (UMTS) merupakan sistem komunikasi generasi ketiga (3G), yang mampu menyediakan layanan tambahan dari sistem yang telah ada sebelumnya yaitu 2G (voice, SMS dan MMS). Video call dan video streaming merupakan contoh layanan tambahan yang diberikan UMTS dalam bentuk transmisi data kecepatan tinggi dan multimedia. UMTS adalah salah satu teknologi yang banyak digunakan di Eropa dan Asia berdasarkan standar 3rd Generation Partnership Project (3GPP) (Setiawan 2007). UMTS dikenal dengan spesifikasi utama pada layer akses radio yaitu memiliki quality of service (QoS) yang tinggi. UMTS akan menguntungkan pelanggan karena kecepatan akses data menjadi lebih tinggi. Selain itu, penyedia layanan telekomunikasi akan memperoleh tambahan kapasitas jaringan yang lebih besar. UMTS mendorong munculnya layanan data baru yang lebih menarik dengan tarif yang lebih murah. Layanan data baru tersebut akan meningkatkan nilai trafik. Trafik adalah perpindahan informasi (data, frekuensi dan percakapan) melalui media transmisi telekomunikasi. Total produksi trafik per kuartal untuk jaringan UMTS PT Indosat pada tahun 2010 mencapai sekitar 50 GB. Pada tahun 2011 meningkat menjadi 76 GB dan pada tahun 2012 sudah mencapai 89 GB (Marketing and Sales Support Indosat 2012). Diperkirakan tahun 2013 jumlah trafik pada jaringan UMTS, khususnya untuk pelanggan PT Indosat, akan terus bertambah seiring dengan bertambahnya jumlah pelanggan. Untuk mengantisipasi bertambahnya jumlah pelanggan, PT Indosat melakukan perencanaan agar tidak terjadi overload trafik pada jaringan. Trafik dikatakan overload apabila sudah melebihi batas utilisasi dari kapasitas yang ada. Utilisasi merupakan presentase trafik yang digunakan untuk melihat seberapa penuh kapasitas dari jaringan tersebut dalam suatu threshold tertentu. Besarnya nilai threshold yang digunakan PT Indosat adalah 80%. Jika trafik telah melewati batas threshold maka kecepatan akses akan berkurang, bahkan terdapat panggilan yang tidak dapat dilayani. Jika hal itu tidak dapat diatasi, bukan tidak mungkin para pelanggan akan beralih ke operator lain. Data trafik merupakan data time series. Penelitian yang telah dilakukan untuk memprediksi data time series adalah Model Peramalan Harga Saham dengan Jaringan Saraf Tiruan Propagasi Balik (Endang 2008). Pada penelitian tersebut, data time series yang digunakan adalah data harga saham penutupan. Pada penelitian tersebut diperoleh akurasi yang baik dalam memprediksi harga saham menggunakan metode jaringan saraf tiruan (JST) propagasi balik. Selain itu, salah satu saran dari penelitian tersebut adalah penambahan periode waktu

2

prediksi yang lebih lama. Hal itu bermanfaat agar hasil peramalan dapat digunakan investor untuk pengambilan keputusan investasi jangka panjang. Penelitian lain dengan menggunakan data time series adalah Peramalan Temperatur Udara di Kota Surabaya dengan Menggunakan Autoregressive Integrated Moving Average (ARIMA) dan JST backpropagation (Machmudin dan Ulama 2012). Pada penelitian tersebut menggunakan model ARIMA dan metode JST backpropagation (propagasi balik). Hasil prediksi menggunakan model ARIMA masih belum baik. Sedangkan metode JST propagasi balik memberikan hasil yang baik sehingga dapat dikembangkan untuk peramalan data time series. Berdasarkan dua penelitian yang telah dilakukan sebelumnya, maka penelitian ini akan menggunakan metode JST propagasi balik untuk memprediksi nilai trafik. Hasil prediksi nilai trafik diharapkan dapat membantu PT Indosat untuk memenuhi kebutuhan kapasitas jaringan. Perumusan Masalah Produksi trafik PT Indosat yang meningkat setiap tahun menimbulkan kepadatan pada jaringan UMTS. Kepadatan pada jaringan UMTS akan menurunkan QoS jaringan tersebut, sehingga mempengaruhi kecepatan akses data pelanggan. Oleh karena itu, PT Indosat membutuhkan sebuah analisis yang akurat untuk mengatasi kepadatan pada jaringan UMTS tersebut. Masalah yang diangkat dalam penelitian ini adalah bagaimana metode JST propagasi balik digunakan untuk memprediksi nilai trafik pada jaringan UMTS. Kemudian hasil prediksi tersebut akan dianalisis oleh PT Indosat untuk mengetahui kebutuhan kapasitas jaringan UMTS. Tujuan Penelitian Tujuan penelitian ini adalah melakukan prediksi nilai trafik data atau packet switching (PS) pada jaringan UMTS untuk node B IPB. Melakukan analisis kebutuhan kapasitas jaringan berdasarkan hasil prediksi trafik. Manfaat Penelitian PT Indosat membutuhkan kapasitas jaringan yang sesuai untuk memenuhi kebutuhan akses data para pelanggannya. Penelitian ini diharapkan agar PT Indosat proaktif menambah kapasitas jaringan secara tepat waktu. Sehingga dapat menerapkan customer relationship management (CRM) agar konsumen tidak pindah ke operator lain. Jika kapasitas jaringan dapat terpenuhi dengan baik, kecepatan akses akan tetap berkualitas sepanjang waktu. Hal ini akan menjaga loyalitas pelanggan kepada PT Indosat. Selain itu, metode JST propagasi balik pada ilmu komputer yang digunakan dalam penelitian ini, diharapkan dapat dikembangkan pada bidang ilmu telekomunikasi. Ruang Lingkup Penelitian Data trafik yang digunakan adalah nilai trafik PS busy hour pada jaringan UMTS di node B IPB. Busy hour adalah kondisi nilai trafik paling tinggi/padat selama satu jam dalam periode waktu 24 jam. Nilai trafik diambil dari PT Indosat

3

periode waktu Januari 2011 sampai dengan April 2012 dengan total data 455 hari. Metode yang digunakan untuk melakukan prediksi adalah JST propagasi balik.

METODE Metode yang digunakan pada penelitian ini adalah Jaringan Saraf Tiruan (JST) propagasi balik. Alur penelitian yang dilakukan dapat dilihat pada Gambar 1. Langkah awal yang dilakukan dalam penelitian ini adalah pengumpulan data. Data yang digunakan pada penelitian ini adalah trafik PS. Seluruh trafik PS yang telah terkumpul diproses secara time series. Kemudian data dibagi menjadi data latih dan data uji. Data latih akan digunakan untuk pembentukan arsitektur JST dengan satu hidden layer. Pelatihan pada data latih dan pengujian pada data uji dilakukan menggunakan JST propagasi balik dengan menggunakan arsitektur JST yang telah terbentuk sebelumnya. Hasil prediksi diperoleh dari hasil pengujian. Hasil prediksi tersebut akan dianalisis untuk mengetahui kebutuhan kapasitas jaringan.

Mulai

Pengumpulan Data

Proses data time series

Data Latih

Data Uji

Pembentukan arsitektur Jaringan Saraf Tiruan

JST Propagasi Balik Pelatihan

Pengujian

Prediksi dan Analisis

Selesai

Gambar 1 Diagram alur penelitian

4

Pengumpulan Data Tahap awal dalam penelitian ini adalah melakukan pengumpulan data. Data diperoleh dari bagian Network Resource and Strategic Planning PT Indosat. Data trafik yang digunakan dalam penelitian ini adalah trafik PS hour (jam sibuk) pada node B IPB. Proses Data Time Series Trafik PS merupakan data time series. Time series adalah metode yang digunakan untuk menganalisis serangkaian data yang merupakan fungsi dari waktu. Metode ini mengasumsikan beberapa pola atau kombinasi pola yang selalu berulang sepanjang waktu. Dalam proses peramalan menggunakan data time series, tidak melibatkan variabel lain selain indeks waktu (t) itu sendiri. Oleh karena itu, yang dicari adalah model/perilaku data, bukan faktor apa yang menyebabkan fluktuasi data. Beberapa hal yang perlu diperhatikan dalam metode time series adalah data time series yang stasioner dan fungsi autokorelasi. Pembagian Data Latih dan Data Uji Pada prediksi data time series menggunakan JST, data latih digunakan sebagai pelatihan untuk mencari bobot yang optimal. Maka dari itu untuk menetapkan data latih dilakukan dengan cara melihat periode data berfluktuasi. Penetapan data uji juga melihat periode waktu berdasarkan fluktuasi data. Penentuan periode ini dilakukan secara intuitif (Siang 2004). Pembentukan Arsitektur Jaringan Saraf Tiruan (JST) Arsitektur JST yang digunakan untuk prediksi trafik dibentuk oleh input layer, satu hidden layer, dan satu neuron pada output layer. Jumlah neuron pada input layer diperoleh dari hasil perhitungan autokorelasi. Jaringan saraf tiruan (JST) adalah suatu metode komputasi yang meniru sistem jaringan saraf biologis. Metode ini menggunakan elemen perhitungan non-linier dasar yang disebut neuron yang diorganisasikan sebagai jaringan yang saling berhubungan, sehingga mirip dengan jaringan saraf manusia. JST dibentuk untuk memecahkan suatu masalah tertentu seperti pengenalan pola atau klasifikasi karena proses pembelajaran. Lapisan-lapisan penyusun JST tersebut dapat dibagi menjadi tiga, yaitu: 1 Input layer Unit-unit di dalam input layer disebut unit-unit input. Unit-unit input tersebut menerima pola input data dari luar yang menggambarkan suatu permasalahan. 2 Hidden layer Unit-unit di dalam hidden layer disebut unit-unit tersembunyi. Dimana output tidak dapat secara langsug diamati. 3 Output layer Unit-unit di dalam output layer disebut unit-unit output. Output dari lapisan ini merupakan solusi JST terhadap suatu permasalahan.

5

Jaringan Saraf Tiruan (JST) Propagasi Balik Metode jaringan saraf tiruan yang digunakan dalam penelitian ini adalah propagasi balik. Pelatihan pada metode ini bertujuan untuk mengenali input yang diberikan sesuai target yang diinginkan. Proses pelatihan ini dilakukan berulang kali hingga mendapatkan error terkecil atau hingga batas iterasi yang ditentukan.

Gambar 2 Arsitektur propagasi balik dengan n buah masukan (Siang 2004) Gambar 2 (Siang 2004) adalah contoh arsitektur propagasi balik dengan n buah masukan (ditambah sebuah bias), sebuah lapisan tersembunyi yang terdiri dari p unit (ditambah sebuah bias), serta m buah unit keluaran. Di mana vij merupakan bobot garis dari unit masukan xi ke unit lapisan tersembunyi zj (vj0 merupakan bobot garis yang menghubungkan bias di unit masukan ke unit lapisan tersembunyi zj), wkj merupakan bobot dari unit lapisan tersembunyi zj ke unit keluaran yk (wk0 merupakan bobot dari bias di lapisan tersembunyi ke unit keluaran zk). Fungsi aktivasi yang digunakan dalam pelatihan propagasi balik anatara lain (Siang 2004): 1 Sigmoid biner Fungsi sigmoid biner memiliki nilai pada rentang 0 sampai 1. Fungsi ini sering digunakan untuk JST dengan nilai output pada interval 0 sampai 1. Definisi fungsi sigmoid biner adalah sebagai berikut:
  1/1    (1) 2 Sigmoid bipolar Fungsi sigmoid bipolar hampir sama dengan fungsi sigmoid biner, hanya saja output dari fungsi ini memiliki rentang antara 1 sampai -1. Definisi fungsi sigmoid bipolar adalah sebagai berikut:
  2 1  e   1 (2)

6

3 Fungsi identitas Fungsi identitas atau linier akan membawa input ke output yang sebanding. Fungsi linear dinyatakan dengan persamaan:
  x (3) Prediksi dan Analisis Prediksi data trafik diperoleh dari hasil pengujian pada data uji. Hasil prediksi akan dibandingkan dengan nilai trafik sebenarnya untuk menentukan error prediksi yang dihasilkan. Metode yang dapat digunakan untuk menghitung error suatu prediksi, yaitu mean absolute percentage error (MAPE).

HASIL DAN PEMBAHASAN Pengumpulan Data Pada penelitian ini data trafik diperoleh dari laporan 3G daily perfomance busy hour per cell dalam bentuk file Excel. Laporan tersebut merupakan laporan harian yang berisi data trafik busy hour UMTS untuk seluruh node B pada area Jabodetabek. Busy hour adalah kondisi nilai trafik paling tinggi/padat selama satu jam dalam periode waktu 24 jam. Gambar 3 merupakan screenshot dari laporan 3G daily perfomance busy hour per cell pada tanggal 1 Januari 2011.

Gambar 3 Screanshot laporan 3G daily perfomance busy hour per cell Pada jaringan UMTS terdapat dua jenis data trafik, yaitu trafik voice atau circuit switching (CS) dan trafik PS. Data trafik yang digunakan dalam penelitian ini adalah trafik PS dengan cell 3G_IPB_44761 pada node B Intitut Pertanian Bogor (IPB). Nilai trafik diambil pada kolom traffic PS Mbits yang ditunjukkan pada Gambar 3. Node B merupakan base tranceiver station (BTS) pada UMTS. Node B berfungsi sebagai transceiver, bentuk fisik sebuah node B adalah tower

7

dengan dilengkapi antena sebagai transceiver. Node B mampu mencakup area dengan jarak tertentu yang disebut cell. Profil dari node B IPB dapat dilihat pada Tabel 1. Besarnya kapasitas node B IPB pada Tabel 1 merupakan perkiraan kasar yang diberikan PT Indosat untuk menganalisis kebutuhan jaringan. Tabel 1 Profil Node B IPB Nama Site Nama Cell Nama Area Alamat

: : : :

Longitude Latitude Site/Tower Ownership Kapasitas

: : : :

IPB 3G_IPB1 Dramaga Kampus IPB, Jl. Tanjung Leuwiliah Bogor 106,72446 -6,55704 Indosat 2382,033 Mbits

Periode waktu yang digunakan dalam penelitian ini adalah Januari 2011 sampai dengan April 2012. Pada periode waktu tersebut total laporan 3G daily perfomance busy hour per cell yang digunakan pada penelitian ini sebanyak 455 hari. Kemudian dari setiap laporan tersebut diambil nilai trafik PS dari cell 3G_IPB_44761. Sehingga data yang diperoleh sebanyak 455 nilai trafik PS yang dapat dilihat pada Tabel 2. Tabel 2 Trafik PS node B IPB no

tahun

tanggal

1 2 3 4 5 6 7 8 9 10

2011 2011 2011 2011 2011 2011 2011 2011 2011 2011

1-Jan 2-Jan 3-Jan 4-Jan 5-Jan 6-Jan 7-Jan 8-Jan 9-Jan 10-Jan

traffic PS Mbits 1449.9 851.14 1819.52 1801.14 1870.08 1204.86 2161.37 889.01 1854.35 1060.57

. . .

. . .

. . .

. . .

450 451 452 453 454 455

2012 2012 2012 2012 2012 2012

11-Apr 12-Apr 13-Apr 14-Apr 15-Apr 16-Apr

716.53 1865.67 1170.66 1997.35 2108.15 1618.59

8

Proses Data time series Trafik PS merupakan data time series. Hal yang perlu diperhatikan pada peramalan data time series adalah data yang stasioner. Time series yang stasioner dapat dijelaskan sebagai data time series yang relatif tidak terjadi kenaikan ataupun penurunan nilai secara tajam pada data. Dengan kata lain, fluktuasi data berada pada sekitar nilai rata-rata dan varian di sekitar nilai tengah yang konstan selama waktu tertentu. Untuk mengetahui data yang stasioner, dilakukan dengan menghitung koefisien korelasi. Koefisien korelasi merupakan ukuran untuk mengukur besarnya hubungan antara dua variabel. Autokorelasi merupakan ukuran yang bertujuan untuk mengetahui hubungan pada deret waktu tunggal, seperti data trafik PS. Pada deret waktu tunggal yang diperhatikan adalah pola yang berkaitan dengan waktu di dalam deret tersebut. Sebagai contoh, apakah pada waktu t (Xt) mempunyai hubungan dengan waktu t-1 (Xt-1) dan seterusnya. Rumus yang digunakan dalam untuk menghitung autokorelasi dapat dilihat sebagai berikut (Makridakis et al. 1993). Lag merupakan data time series pada periode waktu t-1 dan seterusnya.

   

   ∑1 

(4)

 2 ∑1 

dimana : rk = autokorelasi untuk k dari lag  = mean dari data observasi Xt = observasi pada periode waktu t Xt-k = observasi k periode waktu sebelumnya atau periode waktu t-k Data trafik PS yang telah terkumpul dihitung autokorelasinya untuk mengetahui data yang stasioner. Nilai autokorelasi dari data yang stasioner akan turun sampai nol sesudah lag kedua atau ketiga, sedangkan untuk data yang tidak stasioner, nilai tersebut akan berbeda signifikan dari nol untuk beberapa periode waktu. Apabila dilihat secara grafik, nilai autokorelasi yang tidak stasioner akan memperlihatkan tren secara diagonal dari kiri ke kanan bersamaan dengan meningkatnya jumlah lag. Perhitungan autokorelasi dilakukan menggunakan perangkat lunak Matlab. Hasil perhitungan aukorelasi ditampilkan dalam bentuk grafik yang ditunjukkan pada Gambar 4. Sample Autocorrelation Function

Sample Autocorrelation

0.8

0.6

0.4

0.2

0

-0.2

0

10

20

30

40

50

60

70

Lag

Gambar 4 Grafik koefisien autokorelasi trafik PS

80

90

9

Grafik pada Gambar 4 merupakan hasil perhitungan autokorelasi untuk 90 lag data trafik PS. Sumbu x menunjukkan lag, sedangkan sumbu y menunjukkan nilai autokorelasi. Pada Gambar 4 menunjukkan nilai autokorelasi yang tidak stasioner. Hal ini dilihat dari nilai autokorelasi yang berbeda nyata dari nol dan adanya suatu tren. Nilai autokorelasi yang melebihi batas signifikan yang ditandai dengan garis berwarna biru/ lurus menandakan nilai yang berbeda nyata dari nol. Apabila data tidak stasioner, dilakukan proses diferensiasi untuk menghilangkan ketidakstasioneran data. Proses ini merupakan pembentukan data time series baru yang dibentuk dari selisih data dengan data periode berurutan sebelumnya (Makridakis et al.1993)       

(5)

Deret waktu baru  akan memiliki n-1 nilai dan akan bersifat stasioner jika tren pada data asli Xt adalah linear. Data trafik PS dilakukan proses diferensiasi untuk menghasilkan data yang stasioner. Hasil perhitungan tersebut dapat dilihat pada Tabel 3. Tabel 3 Trafik PS dan hasil diferensiasi no

diferensiasi

1 2 3 4 5 6 7 8

trafik PS Mbits 1449.9 851.14 1819.52 1801.14 1870.08 1204.86 2161.37 889.01

. . .

. . .

. . .

451 452 453 454 455

1865.67 1170.66 1997.35 2108.15 1618.59

-598.76 968.38 -18.38 68.94 -665.22 956.51 -1272.36 965.34

-695.01 826.69 110.8 -489.56

Tabel 3 merupakan nilai trafik PS sebanyak 455 data dan nilai hasil diferensiasi sebanyak 454 data. Data time series yang baru, yaitu hasil diferensiasi, dihitung autokorelasinya untuk mengetahui data yang stasioner. Hasil perhitungan aukorelasi ditampilkan dalam bentuk grafik yang ditunjukkan pada Gambar 5.

10

Sample Autocorrelation Function

Sample Autocorrelation

1

0.5

0

-0.5

0

10

20

30

40

50

60

70

80

90

Lag

Gambar 5 Grafik koefisien autokorelasi hasil diferensiasi Grafik pada Gambar 5 merupakan nilai koefisien autokorelasi dari data hasil diferensiasi yang mendekati nol dan relatif tidak terjadi kenaikan ataupun penurunan nilai secara tajam. Hal ini menunjukkan data time series baru adalah data yang stasioner. Setelah mendapatkan data yang stasioner, dibuatlah model peramalan untuk data time series. Pada data time series, model peramalan dapat ditentukan dengan melakukan perhitungan autokorelasi parsial. Autokorelasi parsial digunakan untuk melihat tingkat keeratan (association) antara Xt dan Xt-1. Tingkat kereratan dapat dilihat dengan perbandingan nilai Xt dan Xt-1 yang kecil. Nilai keeratan nantinya akan digunakan sebagai data input pada JST propagasi balik. Nilai X pada penelitian ini adalah trafik PS dan data hasil diferensiasi. Data trafik asli, dalam hal ini trafik PS, dan data trafik hasil diferensiasi dihitung nilai autokorelasi parsialnya. Perhitungan autokorelasi parsial menggunakan perangkat lunak Matlab. Hasil perhitungan dapat dilihat pada Lampiran 1 dan 2, dan grafik pada Gambar 6 dan Gambar 7. Sample Partial Autocorrelation Function

Sample Partial Autocorrelations

1

0.5

0

-0.5

0

10

20

30

40

50

60

70

80

90

Lag

Gambar 6 Grafik koefisien autokorelasi parsial hasil diferensiasi

11

Sample Partial Autocorrelation Function

Sample Partial Autocorrelations

0.8

0.6

0.4

0.2

0

-0.2

0

10

20

30

40

50

60

70

80

90

Lag

Gambar 7 Grafik autokorelasi parsial trafik PS Grafik pada Gambar 6 dan Gambar 7 merupakan hasil perhitungan autokorelasi parsial untuk 90 lag pada data trafik PS dan data hasil diferensiasi. Hasil perhitungan autokorelasi parsial menghasilkan batas signifikan yang ditandai dengan garis berwarna biru. Nilai autokorelasi parsial yang berada di atas batas signifikan merupakan nilai yang berbeda nyata dari nol. Nilai autokorelasi parsial yang berbeda nyata dari nol tersebut dapat digunakan sebagai orde dari model peramalan. Pada penelitian ini jumlah lag dengan nilai autokorelasi parsial yang melebihi batas signifikan akan dijadikan jumlah masukan pada proses permalan menggunakan metode JST. Lag dengan nilai autokorelasi parsial yang melebihi batas signifikan dapat dilihat pada Tabel 4. Tabel 4 Jumlah input JST hasil perhitungan autokorelasi parsial Jenis data

Lag hasil autokorelasi partial yang melebihi batas signifikan 5%

Jumlah input

Data Asli

0,1,2,3,4,5,6,30,40,45,46,66,67,82,86,90

17

Data Stasioner

0,1,2,3,4,5,7,12,18,27,29,44,45,65,66,81,85,89

18

Pembagian Data Latih dan Data Uji Data trafik PS dan data hasil diferensiasi dibagi menjadi data latih dan data uji untuk proses pelatihan dan pengujian. Dari 455 data trafik PS, 365 data digunakan sebagai data latih dan 90 data digunakan sebagai data uji. Sedangkan dari 454 data hasil diferensiasi, 364 data digunakan sebagai data latih dan 90 data digunakan sebagai data uji. Jumlah data uji sebanyak 90 data diambil berdasarkan laporan data trafik PT Indosat yang dilakukan setiap satu triwulan. Dengan demikian, PT Indosat dapat melakukan prediksi sebelum membuat laporan

12

tersebut. Sisa dari keseluruhan data yang diperoleh digunakan sebagai data latih yaitu 365 data untuk trafik PS atau selama empat periode. Pembentukan Arsitektur Jaringan Saraf Tiruan (JST) Arsitektur JST yang digunakan untuk prediksi trafik dibentuk oleh input layer, satu hidden layer, dan satu neuron pada output layer. Jumlah neuron pada input layer diperoleh dari hasil perhitungan autokorelasi parsial (lihat Tabel 5). Dari data latih dan data uji dibentuk arsitektur peramalan menggunakan JST satu hidden layer dengan mencoba berbagai jumlah neuron. Jumlah neuron pada hidden layer yang digunakan dalam penelitian ini adalah 5, 10, 15, 50, 100, dan 200. Pemilihan jumlah neuron pada hidden layer dilakukan berdasarkan hasil percobaan dengan mencoba jumlah neuron sebanyak 1, 3, 5 dan 7. Prediksi yang dihasilkan tidak mengalami perubahan yang berarti, sehingga dipilih jumlah neuron dengan kelipatan yang lebih besar. Arsitektur JST yang tebentuk untuk data trafik PS dan hasil diferensiasi akan berbeda. Perbedaan ini diperoleh karena jumlah input yang berbeda. Pada Gambar 8 merupakan representasi arsitektur JST yang terbentuk. input layer

1

hidden layer

output layer

1

X1 Z1 X2

X3

X4

• • •

Z2

Z3

Y1

Z4

Z5 X16

X17

Gambar 8 Arsitektur JST data trafik PS Gambar 8 merupakan arsitektur pada data trafik PS dengan jumlah neuron pada hidden layer sebanyak lima neuron (z1, z2, …, z5). X1, x2, …, x17 merupakan neuron pada input layer yang diperoleh berdasarkan Tabel 4 ditambah sebuah bias yang selalu bernilai 1. Neuron pada output layer (y1) merupakan output dari proses JST. Pada proses pelatihan y1 merupakan output yang akan dibandingkan dengan

13

target, sedangkan pada proses pengujian y1 merupakan hasil prediksi. Proses pelatihan dan pengujian akan dibahas pada sub-bab jaringan saraf tiruan (JST) propagasi balik. Jaringan Saraf Tiruan (JST) Propagasi Balik Arsitektur JST yang diperoleh digunakan untuk membentuk matriks input pada data latih dan data uji. Selain jumlah neuron pada tiap lapisan arsitektur JST, ditetapkan beberapa parameter yang akan diberikan pada proses pelatihan dan pengujian untuk membentuk model prediksi, antara lain adalah fungsi aktivasi dan parameter pelatihan. Fungsi aktivasi yang digunakan adalah fungsi identitas. Fungsi identitas dipilih karena output yang dihasilkan sama dengan input yang digunakan, yaitu mempunyai nilai yang besar dan beragam. Parameter pelatihan JST propagasi balik yang dipakai menggunakan nilai default pada Matlab. Parameter yang digunakandapat dilihat pada Tabel 5. Tabel 5 Parameter JST Karakteristik Arsitektur neuron iput neuron hidden neuron output fungsi aktivasi maksimum epoch goal

Spesifikasi 1 hidden layer berdasarkan perhitungan autokorelasi parsial 5,10,15,50,100,200 1 Identitas 100 0

Matriks input pada data latih dibentuk dari jumlah input dikali 365, untuk data trafik PS. Sedangkan matriks input pada data uji dibentuk dari jumlah input dikali 90. Matriks input tersebut akan dijadikan model untuk pelatihan dan pengujian. Jumlah data yang digunakan untuk target pada proses pelatihan memiliki jumlah yang sama dengan data latih. Pengambilan target dimulai dari data ke 18, untuk trafik PS, hingga memperoleh 365 data untuk data target. Pelatihan JST Propagasi Balik Pelatihan propagasi balik meliputi tiga fase, yaitu 1 Fase I: Propagasi maju Selama propagasi maju, sinyal masukan (x1, x2, …, x17) dipropagasikan ke layar sembunyi menggunakan fungsi aktivasi yang ditentukan. Pada penelitian ini fungsi aktivasi yang digunakan adalah fungsi identitas. Keluaran dari setiap unit layar tersembunyi (z1, z2, …, z5) tersebut selanjutnya dipropagasi maju hingga menghasilkan keluaran jaringan (y1). Berikutnya y1 dibandingkan dengan target yang dicapai (t1). Jika selisih dari t1–y1 (kesalahan) lebih kecil dari batas toleransi, iterasi akan dihentikan. Akan tetapi jika kesalahan masih besar dari batas toleransinya, bobot dalam jaringan akan dimodifikasi untuk mengurangi kesalahan.

14

2

Fase II: Propagasi mundur Berdasarkan kesalahan t1–y1 dihitung faktor δk (k= 1,2,…,17) disetiap unit layar tersembunyi. Faktor δk akan dipakai untuk mengubah bobot garis yang berhubungan langsung dengan unit keluaran. 3 Fase III: Perubahan bobot Setelah semua faktor δk dihitung, maka bobot pada semua garis dimodifikasi Pada proses pelatihan ketiga fase tersebut dilakukan terus menerus hingga kondisi penghentian terpenuhi. Kondisi penghentian yang digunakan yaitu jumlah iterasi atau kesalahan. Iterasi akan dihentikan apabila sudah melebihi batas maksimum iterasi, atau jika kesalahan lebih kecil dari batas toleransi yang diijinkan. Algoritme proses pelatihan pada penelitian ini dapat dilihat pada Lampiran 3 (Siang 2004).

Nilai Trafik PS (MBits)

Pengujian JST Propagasi Balik Tidak seperti pada proses pelatihan, fase yang dilakukan pada proses pengujian hanyalah fase maju. Bobot yang diambil pada proses ini diambil dari bobot terakhir yang diperoleh dari proses pelatihan. Hasil dari pengujian tersebut (y1) merupakan prediksi trafik. Y1 yang dihasilkan pada proses pengujian dapat dilihat pada Lampiran 4 dan Lampiran 5. Pada Gambar 9 dan Gambar 10 menunjukkan grafik prediksi pada data trafik PS dan data hasil diferensiasi. Grafik pada Gambar 9 merupakan grafik data aktual trafik PS dan data prediksi trafik PS dengan jumlah neuron pada hidden layer sebanyak 50 neuron. Data prediksi trafik PS dengan jumlah neuron pada hidden layer sebanyak 50 neuron memiliki nilai paling mendekati data aktual dibandingkan data hasil prediksi dengan jumlah neuron pada hidden layer sebanyak 5, 10, 15, 100 dan 200 (lihat Lampiran 4). Sumbu x menyatan hari prediksi sedangkan sumbu y menunjukkan nilai hasil prediksi. 6000 5000 4000 3000 2000 1000 0 0

10

20

30

40

50

60

70

80

Hari keData Aktual Trafik PS

Hasil Prediksi Trafik Ps dengan jumlah hidden neuron 50

Gambar 9 Grafik prediksi data trafik PS Grafik pada Gambar 10 merupakan grafik data hasil diferensiasi dan data prediksi hasil diferensiasi dengan jumlah neuron pada hidden layer sebanyak 100 neuron. Data prediksi hasil diferensiasi dengan jumlah neuron pada hidden layer sebanyak 100 neuron merupakan data dengan nilai paling mendekati data hasil diferensiasi dibandingkan data prediksi hasil diferensiasi lainnya (lihat Lampiran 5) .

15

Nilai Trafik PS hasil diferensiasi

4000 3000 2000 1000 0 -1000 0 -2000 -3000 -4000

10

20

30

40

50

60

70

80

Hari keHasil Prediksi Trafik Ps dengan jumlah hidden neuron 100

Data Aktual Trafik PS

Gambar 10 Grafik prediksi data hasil diferensiasi Prediksi dan Analisis Prediksi data trafik dihasilkan dari pengujian pada data uji. Hasil prediksi yang diperoleh digunakan untuk mengetahui ketepatan dari peramalan. MAPE merukapan metode yang dapat digunkan sebagai ukuran ketepatan peramalan. MAPE merupakan pengukuran persentase kesalahan yang dapat didefinisakan sebagai berikut (Makridakis et al. 1993) :  !"  1/ #

( )

%& '&

$

%&

$

(6)

Xi merupakan data aktual untuk periode i dan Fi merupakan hasil prediksi untuk periode yang sama dengan n periode waktu. MAPE mengindikasi seberapa besar kesalahan dalam meramal yang dibandingkan dengan nilai nyata. MAPE diukur dalam persentase maka MAPE tidak memiliki satuan sehingga berguna untuk membandingkan kinerja suatu model pada berbagai deret waktu yang berbeda. Semakin kecil nilai MAPE model peramalan yang digunakan semakin baik. Hasil perhitungan nilai MAPE dapat dilihat pada Tabel 6. Tabel 6 Nilai MAPE Jumlah neuron 5 10 15 50 100 200

Nilai MAPE berdasarkan hasil prediksi pada jenis data Asli Stasioner 57.79 648.90 56.93 709.74 55.19 398.05 55.09 583.96 58.20 369.21 55.72 494.62

Tabel 6 menunjukkan hasil perhitungan nilai MAPE pada data trafik PS (asli) dan data hasil diferensiasi (stasioner) untuk setiap jumlah neuron pada

16

hidden layer. Pada penelitian ini nilai MAPE diperoleh dari perhitungan Xi dan Fi. Pada data trafik PS nilai Xi dan Fi diperoleh dari nilai pada Lampiran 4 sedangkan nilai pada data hasil diferensiasi nilai Xi dan Fi diperoleh dari nilai pada Lampiran 5. Nilai MAPE yang dihasilkan tersebut sangat besar yang diartikan bahwa peramalan yang dihasilnya memiliki error yang besar, sehingga pada penelitian ini dilakukan pengolahan terhadap data asli untuk menghasilkan nilai MAPE yang lebih kecil. Nilai MAPE yang kecil pada hasil prediksi diharapkan dapat digunakan sebagai analisis kebutuhan kapasitas jaringan yang lebih akurat. Pengolahan data asli yang dilakukan pada penelitian ini adalah transformasi data. Transformasi data dilakukan untuk mengubah skala pengukuran pada data asli dengan tidak menghilangkan isi dari data tersebut, sehingga lebih mudah diolah. Melalui transformasi data diharapkan kestabilan ragam data akan terpenuhi sehingga proses pengujian akan tepat. Beberapa proses transformasi yang dilakukan pada penelitian ini sebagai berikut (Sari 2010): 1 Fungsi Logaritma *  +,- (7) 2 Normalisasi min-max

*

./( 

3 Normalisasi z-index

*

(8)

.0   ./(   1

(9)

234 

Y merupakan hasil dari transformasi, 1 adalah rata-rata nilai trafik PS sedangkan x adalah nilai trafik PS. Trafik PS yang telah ditransformasi akan menghasilkan tiga buah data baru. Data tersebut adalah data hasil fungsi logaritma trafik PS, data hasil normalisasi min-max trafik PS, dan data hasil normalisasi zindex trafik PS. Hasil transformasi data dapat dilihat pada Tabel 7. Tabel 7 Hasil transformasi trafik PS Hari Ke1 2 3 4 5 6 7 8 9 10 . . . 450 451 452 453 454 455

Trafik PS (Mbits) 1449.9 851.14 1819.52 1801.14 1870.08 1204.86 2161.37 889.01 1854.35 1060.57 . . . 716.53 1865.67 1170.66 1997.35 2108.15 1618.59

Logaritma 3.16133805 2.930001001 3.259956834 3.255547471 3.271860186 3.080936587 3.334729119 2.948906646 3.268191709 3.025539338 . . . 2.855234378 3.270834828 3.068430779 3.300454174 3.323901509 3.209136853

Normalisasi min-max 0.240796818 0.126185809 0.311547237 0.308029049 0.321225126 0.193892747 0.376982091 0.133434655 0.318214185 0.16627363 . . . 0.100419579 0.32038099 0.18734639 0.345586377 0.366795042 0.273086435

Normalisasi z-index -0.511214295 -1.182877961 -0.096590198 -0.117208105 -0.039874127 -0.786089812 0.286882686 -1.140396995 -0.057519376 -0.947948237 . . . -1.333877771 -0.044821078 -0.824453927 0.102891981 0.227182739 -0.321984981

17

Prediksi Data Trafik Hasil Transformasi Prediksi pada tiga data baru, trafik yang telah ditransformasi, dilakukan untuk menghasilkan prediksi yang tepat sebagai analisis penambahan kapasitas. Ketiga data baru tersebut dihitung autokorelasi parsialnya untuk mendapatkan jumlah input sebagai masukan JST propagasi balik. Hasil perhitungan autokorelasi parsial pada data tersebut dapat dilihat pada Lampiran 6 sampai Lampiran 8. Seperti halnya pada data trafik PS dan data hasil diferensiasi, hasil perhitungan autokorelasi parsial pada tiga data baru menghasilkan lag dengan nilai autokorelasi parsial yang melebihi batas signifikan. Lag dengan nilai autokorelasi parsial yang melebihi batas signifikan tersebut dapat dilihat pada Tabel 8. Tabel 8 Jumlah input JST hasil perhitungan autokorelasi parsial pada data baru Jenis data Data Normalisasi Logaritma Data Normalisasi minmax Data Normalisasi zindex

Lag hasil autokorelasi partial yang melebihi batas signifikan 5%

Jumlah input

1,2,3,4,5,6,13,66,73,82,86,90

13

0,1,2,3,4,5,6,30,40,45,46,66,67,82,86,90

17

0,1,2,3,4,5,6,30,40,45,46,66,67,82,86,90

17

Pembentukan arsitektur JST serta proses pelatihan dan pengujian pada tiga jenis data baru dilakukan sama seperti halnya pada data trafik PS dan data hasil diferensiasi. Hasil prediksi untuk tiga jenis data baru yang diperoleh dari pengujian pada data uji dapat dilihat pada Lampiran 9 sampai Lampiran 11. Prediksi yang dihasilkan tersebut dihitungan nilai MAPE-nya. Hasil perhitungan MAPE dapat dilihat pada Tabel 9. Tabel 9 Nilai MAPE pada data baru Jumlah neuron 5 10 15 50 100 200

Nilai MAPE berdasarkan hasil prediksi pada jenis data Logaritma 5.52 5.42 5.57 5.62 5.59 5.50

Normalisasi min-max 71.53 76.00 68.55 76.35 71.06 73.43

Normalisasi zindex 159.68 164.55 154.72 156.87 158.02 169.48

Pada Tabel 9 dapat dilihat bahwa setelah dilakukan transformasi data pada data trafik PS, nilai MAPE yang dihasilkan menunjukkan perubahan. Nilai MAPE yang dihasilkan pada data hasil logaritma lebih kecil dibandingkan dengan data asli dan data stasioner. Semakin kecil nilai MAPE yang dihasilkan maka keakuratan hasil prediksi semakin tinggi. Berdasarkan Tabel 6 dan Tabel 9 dapat diketahui bahwa nilai MAPE yang dihasilkan tidak mengalami perubahan secara

18

signifikan untuk setiap jumlah neuron pada hidden layer melainkan berubah secara signifikan pada setiap data yang digunakan untuk prediksi. Nilai MAPE terkecil diperoleh dari data hasil transformasi fungsi logaritma dengan 10 neuron pada hidden layer. Analisis Penambahan Kapasitas Jaringan Pada penelitian ini diperoleh lima jenis data untuk prediksi, yaitu data trafik PS (asli), data hasil diferensiasi, data hasil transformasifungsi logaritma, data hasil normalisasi min-max, dan data hasil normalisasi z-index. Dari lima jenis data tersebut dipilihlah jenis data dengan nilai MAPE terkecil untuk dilakukan analisis penambahan kapasitas jaringan, yaitu data trafik PS dan data hasil transformasi fungsi logaritma. Hasil prediksi dari dua jenis data tersebut akan dilakukan perhitungan utilisasi untuk mengetahui kebutuhan kapasitas jaringan. Besarnya utilisasi diperoleh dari persentase perbandingan hasil prediksi dengan kapasitas yang ada, seperti persamaan dibawah ini. 56+67876  8
6/8987687  100%

(10)

Jika nilai utilisasi melebihi atau sama dengan batas threshold, yaitu 80%, maka dapat dianjurkan untuk melakukan penambahan kapasitas. Tetapi, jika nilai utilisasi kurang dari 80% tidak perlu dilakukan penambahan kapasitas atau tetap menggunakan kapasitas existing. Flowchart analisis penambahan kapasitas jaringan dapat dilihat pada Gambar 11. Mulai

Melakukan Prediksi trafik pada 90 data uji

Menghitung utilisasi

Utilisasi ≥ 80%

Upgrade Kapasitas

existing Kapasitas

Selesai

Gambar 11 Flowchart analisis penambahan kapasitas jaringan

19

Hasil perhitungan utilisasi dari 90 data uji yang membutuhan penambahan kapasitas dapat dilihat pada Lampiran 12 dan Lampiran 13. Lampiran 12 dan Lampiran 13 menunjukkan hasil perhitungan utilisasi dari prediksi data trafik PS dan prediksi nilai logaritma trafik PS. Ringkasan jumlah hari yang terdeteksi membutuhkan penambahan kapasitas dapat dilihat pada Tabel 10. Tabel 10 Jumlah hari yang membutuhkan penambahan kapasitas jaringan Jumlah neuron 5 10 15 50 100 200

Jumlah hari yang membutuhkan penambahan kapasitas pada jenis data

Asli 74 70 65 65 63 63

Logaritma 49 51 43 46 47 47

Tabel 10 menunjukkan banyaknya hari yang membutuhkan penambahan kapasitas dari 90 data uji. Banyaknya hari tersebut diperoleh dari hasil prediksi pada data asli dan data hasil logaritma untuk tiap jumlah neuron pada hidden layer. 90 data yang dihasilkan dapat diasumsikan dengan prediksi 90 hari. Kebutuhan penambahan kapasitas diperoleh berdasarkan nilai utilisasi yang melebihi 80%. Tabel 10 menunjukkan jumlah hari dari prediksi 90 hari yang nilai utilisasinya melebihi 80%. Apabila jumlah hari tersebut melebihi atau sama dengan 50% dari 90 hari, maka dapat dikatakan bahwa jaringan telekomunikasi tersebut perlu dilakukan penambahan kapasitas jaringan. Berdasarkan Tabel 10 dapat dilihat bahwa setelah melakukan prediksi dan perhitungan utilisasi, untuk satu triwulan kedepan disarankan untuk melakukan penambahan kapasitas pada node B IPB. Saat ini PT Indosat melakukan prediksi dengan menggunkan perkiraan kasar yaitu menambahkan 10% pada trafik aktual. Hasil yang diperoleh jika menggunakan perkiraan kasar tersebut dapat dilihat pada Lampiran 14. Jika prediksi hasil perkiraan kasar yang biasa dilakukan PT Indosat dibandingkan dengan prediksi mengunggakan JST propagasi balik, hasil prediksi menggunakan JST propagasi balik menghasilkan nilai MAPE yang lebih kecil. Tabel 11 Perbandingan nilai MAPE menggunakan prediksi JST pada data asli dan perkiraan kasar

Prediksi menggunakan JST Prediksi menggunakan pada data Asli perkiraan kasar PT Indosat 55.19

79.86

Tabel 11 menunjukkan perbandingan nilai MAPE berdasarkan prediksi menggunakan JST pada data asli dan prediksi dengan perkiraan kasar yang dilakukan PT Indosat. Berdasarkan hal tersebut, dapat dikatakan bahwa hasil

20

prediksi menggunakan JST propagasi balik lebih akurat dibandingkan dengan prediksi perkiraan kasar yang dilakukan PT Indosat.

SIMPULAN DAN SARAN Simpulan Metode JST dapat digunakan untuk melakukan prediksi pada data trafik. Hasil prediksi data trafik diperoleh dari pengolahan pada lima jenis data, yaitu trafik PS, nilai diferensiasi dari trafik PS, nilai logaritma dari trafik PS, nilai normalisasi min-max dari trafik PS, dan nilai normalisasi z-index dari trafik PS. Hasil prediksi pada nilai logaritma dari trafik PS dengan 10 neuron pada hidden layer menghasilkan nilai MAPE paling kecil yaitu 5,42%. Berdasarkan analisis prediksi trafik PS dan nilai logaritma dari trafik PS, dapat diketahui bahwa pada node B IPB dibutuhkan penambahan kapasitas jaringan sampai dengan satu triwulan kedepan. Saran Prediksi trafik menggunakan data trafik PS (asli) akan mempermudah analisa penambahan kapasitas jaringan dibandingkan menggunakan data yang telah ditransformasi. Pada penelitian ini nilai MAPE yang dihasilkan menggunakan data asli cukup tinggi. Oleh karena itu, pada penelitian berikutnya dapat dilakukan peramalan data trafik dengan metode yang berbeda. Selain itu, pada penelitian ini prediksi trafik dilakukan tanpa memperhitungkan nilai trafik pada hari kerja dan hari libur. Sehingga penelitian berikutnya dapat dilakukan prediksi dengan melakukan pembagian data busy hour pada hari kerja dan hari libur.

DAFTAR PUSTAKA Endang T. 2008. Model Peramalan Harga Sahan dengan Jaringan Saraf Tiruan Propagasi Balik [tesis]. Bogor (ID): Institut Pertanian Bogor. Machmudin A, Ulama BSS. 2012. Peramalan Temperatur Udara di Kota Surabayadengan Menggunakan ARIMA dan Artificial Neural Network. JSS ITS. 1(1):118-123. Makridakis S, Wheelwright SC, McGee VE. 1993. Metode dan Aplikasi Peramalan. Ed ke-2. Andriyanto US, Basith A, penerjemahan. Jakarta (ID): Erlangga. Penerjemahan dari: Forecasting : Methods and Applications, 2nd Edition. PT Indosat. Marketing and Sales Support Indosat. Laporan Trend Weekly Traffic Production 2012. Jakarta (ID). PT Indosat. Sari. 2010. Data Mining – Data Preprocessing [intenet]. [diunduh 2010 Maret 8]. Tersedia pada: http://rencanait.wordpress.com/2010/03/08/data-mining-dataprocessing.

21

Siang JJ. 2004. Jaringan Syaraf Tiruan dan Pemrogramannya Menggunakan MATLAB. Ed ke-2. Yogyakarta (ID): Penerbit Andi. Setiawan Y. 2007. Kajian Implementasi High Speed Downlink Packet Access (HSDPA) pada Jaringan Seluler PT Indosat[tesis]. Depok (ID): Universitas Indonesia.

22

Lampiran 1 Nilai autokorelasi parsial data trafik PS Lag

PACF 0 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 28 29 30

1 0,43903 0,24803 0,13042 0,08432 0,14074 0,13839 0,03989 0,11935 0,01671 0,01896 -0,0454 -0,0619 0,06716 -0,0891 0,00809 -0,0886 -0,1152 -0,0122 0,07489 -0,0333 -0,0452 -0,003 0,08156 -0,0367 0,04479 -0,0171 0,0181 0,0882 -0,0226 0,08711

Lag 31 32 33 34 35 36 37 38 39 40 41 42 43 44 45 46 47 48 49 50 51 52 53 54 55 56 57 58 59 60

PACF Lag PACF -0,05285 61 0,077386 0,007607 62 0,070961 -0,02362 63 0,068487 0,044068 64 -0,02851 0,045479 65 -0,06169 0,124932 66 -0,07839 -0,02432 67 -0,09238 0,045188 68 -0,10678 0,006183 69 0,096796 -0,07805 70 0,01458 0,034737 71 -0,03075 -0,02722 72 -0,02174 0,06708 73 -0,02321 -0,0539 74 -0,07655 0,072619 75 0,04898 0,104854 76 -0,0166 -0,01016 77 0,042972 -0,01994 78 -0,03899 0,07785 79 0,079729 -0,02843 80 -0,0462 -0,01323 81 0,047049 -0,00951 82 0,059088 0,041007 83 0,035197 -0,05081 84 0,033133 0,017324 85 -0,08117 0,05312 86 -0,12023 0,001792 87 -0,02037 -0,08224 88 -0,00598 -0,02228 89 -0,0278 0,002991 90 -0,11077

23

Lampiran 2 Nilai autokorelasi parsial nilai diferensiasi trafik PS Lag

PACF 0 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 28 29 30

1 -0,4595 -0,2563 -0,1762 -0,2077 -0,186 -0,0781 -0,1504 -0,0437 -0,0448 0,0192 0,03336 -0,0954 0,0604 -0,0386 0,05724 0,07848 -0,0285 -0,1107 -0,0019 0,00793 -0,0334 -0,113 0,00751 -0,0732 -0,0115 -0,0451 -0,1103 0,00071 -0,1043 0,03597

Lag 31 32 33 34 35 36 37 38 39 40 41 42 43 44 45 46 47 48 49 50 51 52 53 54 55 56 57 58 59 60

PACF Lag PACF -0,0243 61 -0,0747 0,0068 62 -0,0716 -0,0594 63 0,02515 -0,059 64 0,05771 -0,1355 65 0,07426 0,01414 66 0,08784 -0,0556 67 0,10125 -0,0163 68 -0,1012 0,06681 69 -0,0186 -0,0454 70 0,02756 0,01575 71 0,01862 -0,0778 72 0,01949 0,04286 73 0,07228 -0,0835 74 -0,0528 -0,1135 75 0,01256 0,00233 76 -0,0468 0,0121 77 0,03501 -0,0845 78 -0,0831 0,02268 79 0,04232 0,00711 80 -0,0504 0,00381 81 -0,0617 -0,0465 82 -0,0373 0,04522 83 -0,035 -0,0232 84 0,07785 -0,058 85 0,11516 -0,0065 86 0,01492 0,0771 87 0,00092 0,01651 88 0,02249 -0,0089 89 0,10364 -0,0824 90 -0,06

24

Lampiran 3 Algoritme standar jaringan syaraf tiruan propagasi (Siang 2004) dengan fungsi aktivasi fungsi identitas, Persamaan 3. Langkah 0 Langkah 1 Langkah 2

Langkah 3

: Inisialisai nilai input (x) dan target (t) berdasarkan data trafik yang telah diperoleh. : Inisialisasi semua bobot pada input layer (v) dan bobot pada output layer (w) dengan bilangan acak kecil. : Jika kondisi penghentian belum terpenuhi, lakukan langkah 2 sampai 9. Kondisi penghentian yang dimaksud adalah jumlah iterasi dan kesalahan ( δ ). : Untuk setiap pasang data pelatihan, lakukan langkah 3 sampai 8.

Fase I : Propagasi maju Langkah 4 : Tiap input neuron menerima sinyal dan meneruskannya ke hidden neuron di atasnya. Langkah 5 : Hitung semua keluaran di hidden neuron zj (j = 1, 2, ..., n), n = jumlah neuron n

z_net = v jo + ∑ x i v ji i=1

j

z j = f(z_net j ) = z_net j

Langkah 6

: Hitung semua output di unit yk (k=1, 2, ..., n) p

y_net k = w k0 + ∑ z j w kj j=1

y k = f(y_net k ) = y_net k

Fase II : Propagasi mundur Langkah 7 : Hitung faktor δ unit output berdasarkan kesalahan di setiap unit output yk (k = 1, 2, ..., n) δ k = (t k − y k )f' (y_net k ) = (t k − y k )y k (1 − y k ) δk merupakan unit kesalahan yang akan dipakai dalam perubahan

bobot layer di bawahnya (langkah 7). Hitung suku perubahan bobot wkj (yang akan dipakai nanti untuk merubah bobot wkj) dengan laju percepatan α = 0.1 ; j = 0, 1, …, n ∆ w kj = αδ k z j ; k = 1, 2, …, n Langkah 8

: Hitung faktor δ unit tersembunyi berdasarkan kesalahan di setiap unit tersembunyi zj (j = 1, 2, …, n) m

δ_net j = ∑ δ k w kj k =1

Faktor δ unit tersembunyi :

25

δ j = δ_net j f' (z_net j ) = δ_net j z j (1 − z j ) Hitung suku perubahan bobot vji (yang akan dipakai nanti untuk merubah bobot vji) ; i = 0, 1, …, n ∆ v ji = αδ j z i ; j = 1, 2, …, n Fase III : Perubahan Bobot Langkah 9 : Hitung semua perubahan bobot. Perubahan bobot garis yang menuju ke unit keluaran : wkj(baru) = wkj(lama) + ∆ wkj (k=1, 2, …, n; j=0, 1, …, n) Perubahan bobot garis yang menuju ke unit tersembunyi : vji(baru) = vji(lama) + ∆ vji (j=1, 2, …, n ; i=0, 1, …, n) Setelah pelatihan selesai dilakukan, jaringan dapat dipakai untuk pengenalan pola. Dalam hal ini hanya propagasi maju (langkah 4 dan 5) saja yang dipakai untuk menentukan keluaran jaringan. Apabila fungsi aktivasi yang dipakai bukan fungsi identitas, maka langkah 4 dan 5 harus disesuaikan. Demikian juga turunannya pada langkah 7 dan 8.

26

Lampiran 4 Hasil prediksi data trafik PS

Hari ke1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 28 29 30 31 32 33 34 35

Data aktual trafik PS (Mbits) 2620.32 1113.61 420.88 1083.37 1315.35 920.54 1537.1 2323.99 821.96 1243.02 1804.05 1655.02 1651.59 1925.08 2586.04 1687.71 1538.96 1387.5 1783.2 931.34 960.75 872.91 597.33 430.11 1307.12 436.5 899.26 2331.8 999.49 2067.85 915.59 2935.48 912.46 2758.81 2101.4

Hasil prediksitrafik PS berdasarkan jumlah neuron pada hidden layer 5 1324.89 1650.09 1654.15 1526.75 1696.96 1756.52 1593.54 1769.31 1766.79 1866.14 1518.02 1644.75 1800.65 1443.01 1771.32 1923.2 1817.16 1533.58 1906.58 2034.27 1667.67 1886.22 1770.16 1556.22 1497.42 1690.74 1581.97 1267.56 1626.73 1398.7 1349.13 1305.51 1495.68 1642.26 1567.75

10 1230.96 1520.7 1495.25 1436.68 1429.78 1595.03 1546.07 1570.38 1800 1400.64 1699.16 1539.64 1520.54 1729.33 1558.61 2056.15 1694.25 1554.81 1666.13 1962.58 1834.63 1629.57 1676.97 1218.49 1220.85 1543.49 1217.69 1159.79 1453.28 1279.26 1314.92 947.765 1643.14 1361.46 1871.13

15 1360.61 1561.1 1511.9 1295.82 1417.56 1667.97 1339.29 1294.69 1757.51 1345.21 1464.82 1535.96 1629.04 1598.33 1532.23 2203.78 1766.66 1577.7 1719.24 1963.87 1657.31 1498.26 1682.56 1244.71 1010.89 1328.13 1058.85 1047.02 1280.81 1336.93 1296.53 1133.03 1844.57 1389.51 1949.67

50 1330.39 1520.12 1511.84 1457.93 1418.36 1636.99 1511.12 1423.81 1581.02 1303.3 1664.9 1381.43 1447.05 1761.11 1603.22 2000.71 1837.18 1728.66 1571.38 1916.23 1895.27 1589.19 1639.67 1287.2 1195.08 1228.8 1060.28 1008.63 1265.69 1181.62 1274.38 1068.9 1641.99 1483.31 1956.59

100 1381.69 1598.79 1498.76 1446.79 1575.91 1679.47 1558.03 1349.1 1830.98 1515.52 1643.87 1391.55 1476.27 1795.91 1402.97 2114.29 1883.58 1673.53 1721.6 2032.51 1863.56 1423.71 1774.5 1397.43 1213.59 1298.29 1129 1123.11 1242.53 1119.73 1284.8 1053.98 1653.04 1455.05 1746.75

200 1274.44 1696.48 1496.51 1259.77 1486.73 1649.8 1540.27 1347.29 1782.88 1405.55 1465.54 1515.48 1648.24 1606.77 1430.85 2253.98 1760.6 1518.46 1766.02 2005.6 1675.28 1485.83 1745.59 1220.18 1152.92 1378.93 1100.24 1014.18 1377.05 1206.83 1295.03 1017.33 1739.94 1514.31 1716.62

27

Hari ke36 37 38 39 40 41 42 43 44 45 46 47 48 49 50 51 52 53 54 55 56 57 58 59 60 61 62 63 64 65 66 67 68 69 70 71 72

Data aktual trafik PS (Mbits) 4516.66 1872.91 534.14 2069.25 1452.39 2227.46 5334.4 2099.01 1601.74 1558.08 2562.66 1539.43 1442.16 1273.89 2131.81 835.09 966.76 842.43 931.68 1444.53 1270.7 605.16 613.64 1235.95 2249.87 2126.45 3369.46 1394.41 1412.65 2193.65 4426.9 2960.16 716.53 1865.67 1170.66 1997.35 2108.15

Hasil prediksitrafik PS berdasarkan jumlah neuron pada hidden layer 5 1817.31 2301.99 2014.84 1897.96 2104.27 2020.24 2236.93 2634.56 2772.39 1565.05 2488.77 1667.53 2504.53 1791.42 2040.83 2208.13 1479.22 1433.26 2161.62 1424.04 1856.21 1602.41 1245.69 878.866 1446.57 1504.79 1735.61 1513.74 1837.44 1440.84 1693.34 2105.6 2331.18 2033.03 2000.8 2105.37 1987.46

10 1713.79 2438.61 2380 1572.36 2141.15 1924.56 2588.51 3349.68 2453.09 2098.51 1671.9 2505.21 2062.22 2401.91 2034.5 1761.69 1802.96 957.596 1490.94 1801.66 1556.86 1829.8 885.998 366.975 1141.86 1652.14 1551.91 1865.17 1401.25 1583.95 1599.21 2395.63 2731.3 1999.53 2016.19 1695.45 2362.8

15 1811.23 2627.37 2177.21 1783.28 2198.1 2133.74 2007.27 3057.9 2416.65 2338.52 1593.93 2833.98 1632.3 2212 2040.29 2154.24 1633.9 997.28 1350.7 1665.88 1113.28 1789.99 1055.59 745.328 1084.98 1596.54 1417.91 1945.53 1549.4 1857.96 1734.05 2539.29 2484.11 2035.32 2312.52 2071.55 1996.52

50 1802.27 2389.02 2573.91 1658.43 2224.43 1956.62 2566.25 2802.59 2591.88 2173.62 1851.35 2321.57 1891.52 2399.27 2113.48 1901.99 2140.07 820.108 1167.36 1586.07 1431.85 1575.72 1051.36 604.002 1153.4 1416.75 1463.01 1802.35 1538.2 1759.26 1739.4 2327.12 2705.74 2205.36 2271.52 1929.93 2374.75

100 1948.89 2438.82 2583.95 1591.24 2587.37 2081.52 2260.33 2914.08 2440.33 2728.3 1761.66 2537.32 1766.27 2104.73 2035.14 2057.03 1964.55 868.597 1490.6 1874.05 1092.8 1363.08 984.551 810.478 1062.3 1427.2 1319.29 1893.67 1513.58 1820.69 1775.43 2282.01 2601.05 2046.26 2554.14 2152.26 2238.7

200 1984.58 2549.79 2347.6 1431.38 2500.75 1995.69 2334.88 3171.54 2290.83 2243.92 1727.83 2660.78 1967.03 1931.79 1919.82 2280.01 1654.05 944.923 1590.46 1483.02 1273.59 1675.54 888.323 686.961 1110.54 1652.87 1427.93 1845.59 1468.22 1707.79 1808.19 2561.7 2605.14 1742.45 2323.52 2131.46 2243.25

28

Hari ke73 74 75 76 77 78 79 80 81 82 83 84 85 86 87 88 89 90

Data aktual trafik PS (Mbits) 1618.59 1614.82 1602.18 2883.86 4601.65 2595.93 2763 2864.19 2232.5 1519.48 1793.77 1589.77 1631.15 4477.02 1716.35 1263.55 944.35 1017.24

Hasil prediksitrafik PS berdasarkan jumlah neuron pada hidden layer 5 2271.57 2502.74 1959.77 2126.94 1747.75 2415.28 1980.23 2010.9 2456.99 1624.27 1814.35 2135.29 2268.87 2329.73 2484.47 2410.2 2051.15 1814.94

10 2391.07 2286.68 2224.77 1812.7 2290.49 2288.26 2337.7 2446.19 2326.57 2230.53 1546.24 2207.43 2392.99 2173.15 3146.04 2176.16 1955.45 1749.04

15 1913.55 2141.98 2158.07 1632.05 2237.51 2225.2 2257.35 2443.66 2669.44 2749.73 1687.32 2323.41 2417.73 2091.2 2778.84 2084.49 1863.1 1680.76

50 2006.64 2062.72 2161.06 1881.36 2035.98 1898.08 2351.51 2393.67 2504.27 2651.76 1941.4 2312.57 2485.06 2268.19 2956.43 1979.13 1810.49 1665.9

100 1973.04 2146.93 2614.36 1653.07 2060.83 2071.66 2321.66 2354.54 2392.27 2542.27 1723.66 2221.13 2612.28 2314.5 2920.98 2052.65 2097.19 1994.81

200 2060.96 2047.33 2257.15 1647.79 2305.31 2366.14 2090.48 2211.03 2648.91 2462.73 1770.75 2245.36 2420.17 2252.2 2982.4 2089.06 1831.06 1676.34

29

Lampiran 5 Hasil prediksi nilai diferensiasi trafik PS Nilai Hari diferensiasi ke- data aktual trafik PS 1 -692.73 2 662.49 3 231.98 4 -394.81 5 616.56 6 786.89 7 -1502 8 421.06 9 561.03 10 -149.03 11 -3.43 12 273.49 13 660.96 14 -898.33 15 -148.75 16 -151.46 17 395.7 18 -851.86 19 29.41 20 -87.84 21 -275.58 22 -167.22 23 877.01 24 -870.62 25 462.76 26 1432.54 27 -1332.3 28 1068.36 29 -1152.3 30 2019.89 31 -2023 32 1846.35 33 -657.41 34 2415.26 35 -2643.8 36 -1338.8

Hasil prediksinilai difetensiasi trafik PS berdasarkan jumlah neuron pada hidden layer 5 30.0392 410.94 5.68475 -28.131 -139.31 -486.32 -272.25 282.225 423.682 -537.21 -475.19 -199.6 21.4818 180.13 -252.37 56.0643 -63.289 -94.301 171.177 75.4307 26.1305 -340.25 71.021 -256.32 -40.935 -107.1 -524.38 303.047 -535.28 40.6285 -307.38 178.551 -199.44 -236.8 -555.16 676.009

10 -62.97 648.411 213.531 32.7972 50.7523 -446.55 -437.77 488.408 194.806 -255.44 -513.94 -189.61 -168.9 -374.51 354.769 -196.75 -93.854 194.57 534.313 133.492 352.647 362.471 -79.093 -175.52 584.526 -123.44 -847.17 238.116 -527.09 1.53141 -959.43 461.957 -641.75 -132.11 -1451.9 735.311

15 250.038 691.245 146.15 54.358 256.8 -422.27 -767.37 365.41 62.9703 -544.02 -283.06 -45.411 -369.61 -597.12 185.594 21.0859 71.4952 246.633 667.027 202.461 364.386 457.211 332.486 -273.59 413.093 -165.17 -1098.2 15.4458 -777.34 80.0612 -1073.1 604.589 -763.92 -211.72 -1603.8 576.472

50 322.28 866.38 164.079 60.9513 285.527 -610 -727.32 548.656 41.8891 -599.39 -370.58 -103.71 -445.93 -579.21 146.539 24.2648 196.469 185.144 795.383 235.952 533.419 511.286 435.994 -307.66 582.62 -159.29 -1321.9 159.284 -966.49 154.408 -1308.5 730.587 -1102.5 -77.989 -2151.1 904.31

100 481.797 920.824 21.2984 83.5295 482.54 -507.02 -934.46 495.826 -25.024 -665.41 -307.29 104.303 -428.42 -566.14 448.577 85.0298 200.951 224.553 792.571 174.13 265.398 478.38 247.078 -426.51 183.559 -320.51 -1389.6 -8.6407 -800.88 10.9669 -1011.4 852.756 -697.05 -59.864 -1444.6 961

200 377.067 899.204 8.15128 -62.175 398.754 -454.24 -705.29 559.495 92.3955 -735.93 -211.12 122.523 -509.09 -501.48 218.493 59.4895 114.62 167.575 733.374 184.355 460.216 438.82 429.391 -298.03 502.517 -56.524 -1230 179.033 -707.03 86.3867 -1152.8 709.791 -885.14 -149.51 -1766.3 897.675

30

Nilai Hari diferensiasi ke- data aktual trafik PS 37 1535.11 38 -616.86 39 775.07 40 3106.94 41 -3235.4 42 -497.27 43 -43.66 44 1004.58 45 -1023.2 46 -97.27 47 -168.27 48 857.92 49 -1296.7 50 131.67 51 -124.33 52 89.25 53 512.85 54 -173.83 55 -665.54 56 8.48 57 622.31 58 1013.92 59 -123.42 60 1243.01 61 -1975.1 62 18.24 63 781 64 2233.25 65 -1466.7 66 -2243.6 67 1149.14 68 -695.01 69 826.69 70 110.8 71 -489.56 72 -3.77 73 -12.64

Hasil prediksinilai difetensiasi trafik PS berdasarkan jumlah neuron pada hidden layer 5 713.967 -379.48 -435.49 -137.94 -1012.5 525.933 1050.36 -524.86 14.9601 -1489.9 852.489 308.241 84.8361 -154.79 -660.74 -225.61 454.777 -8.6008 369.03 -827.44 -320.07 26.7322 -29.609 -568.03 -198.11 486.651 688.965 -875.25 -1026.1 82.2834 1317.51 295.041 -313.39 -604 -668.67 399.208 642.312

10 1042.56 -230.85 171.544 -533.03 -1549.6 1038.91 652.799 50.8696 -464.27 -151.71 268.039 1041.63 -94.995 311.04 -249.92 -347.5 1178.7 -4.5574 -78.97 585.297 -708.8 -572.86 -17.851 -344.35 -943.7 426.012 411.047 -434.39 -1892.1 -164.13 1645.73 428.511 224.702 -694.62 -323.29 611.984 845.998

15 890.885 -0.6757 614.203 -41.518 -2162.4 290.551 381.993 114.234 -73.114 397.95 639.862 349.68 -87.857 625.406 -33.795 216.756 855.629 -215.38 -271.03 172.29 -56.159 -214.68 -367.27 -585.25 -1318.9 115.999 310.022 -323.48 -1555.6 -159.11 1226.77 146.474 724.092 133.607 -175.84 241.009 363.649

50 1086.12 42.8654 535.955 -174.43 -2677 651.255 771.114 -24.804 -13.938 239.385 652.779 782.004 -216 729.49 24.4585 381.319 1034.37 -305.85 -215.41 258.369 -34.435 -256.51 -482.04 -769.28 -1497.7 329.612 386.419 -524.02 -2093.4 -123.62 1571.72 333.938 759.183 -98.863 -241.93 489.554 658.354

100 1192.87 -157.06 888.839 63.976 -2293.5 273.56 696.204 -36.661 -164.44 722.872 260.249 382.271 -277.52 902.184 -93.989 -104.14 695.795 -539.66 -511.7 90.9732 -199.78 -151.3 -474.97 -621.22 -1406.5 326.034 440.433 -192.04 -1504.3 300.865 1461.72 101.9 984.828 399.575 -197.33 -43.304 324.327

200 933.007 -92.193 356.929 77.0827 -2304.1 577.796 895.552 -327.67 -146.77 469.313 760.983 403.322 -214.04 818.746 -67.519 443.743 846.523 -405.14 -103.39 254.111 42.782 -236.61 -484.2 -542.74 -1220 263.05 369.408 -588.87 -1786.3 174.67 1454.13 41.3426 480.662 157.964 -139.49 422.965 579.103

31

Nilai Hari diferensiasi ke- data aktual trafik PS 74 1281.68 75 1717.79 76 -2005.7 77 167.07 78 101.19 79 -631.69 80 -713.02 81 274.29 82 -204 83 41.38 84 2845.87 85 -2760.7 86 -452.8 87 -319.2 88 72.89 89 365.58 90 -151.29

Hasil prediksinilai difetensiasi trafik PS berdasarkan jumlah neuron pada hidden layer 5 14.2711 -543.41 -2166.6 616.087 940.462 334.084 -297.57 -959.88 206.268 371.444 325.955 -679.32 -13.876 258.821 118.282 216.483 -427.36

10 141.853 -991.25 -1866.8 -115.01 502.773 355.329 102.285 -495.84 -386.9 1227.04 553.301 -1299.4 656.275 318.737 696.617 317.59 -96.267

15 -76.736 -1041.3 -2025 -48.875 -260.41 -122.78 335.771 438.647 443.738 1030.24 650.573 -1574.6 258.686 329.824 643.18 505.473 279.399

50 -210.05 -1131.5 -2582.5 95.79 -80.49 -180.6 321.322 336.178 464.709 1337.36 670.533 -1963.8 587.528 536.39 885.442 570.124 237.728

100 -217.98 -1203.5 -2107.9 -118.9 -90.609 -336.32 700.549 832.221 505.477 1201.78 668.192 -1697.7 323.941 242.706 350.282 257.422 227.572

200 -337.34 -981.96 -2103.2 346.365 -120.98 -410.46 334.458 446.137 502.008 1032.89 589.427 -1699.4 501.407 735.119 546.941 250.916 406.377

32

Lampiran 6 Nilai autokorelasi parsial nilai logaritma trafik PS Lag

PACF 0 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 28 29 30

1 0,42877 0,24346 0,12938 0,09954 0,16742 0,11882 0,06635 0,07766 -0,0037 0,01092 -0,0294 -0,0556 0,10434 -0,1213 0,00627 -0,0269 -0,0505 -0,0602 0,09114 -0,0486 -0,0015 -0,0504 0,04275 -0,0226 0,08435 -0,0413 0,02924 0,06737 -0,0012 0,03532

Lag 31 32 33 34 35 36 37 38 39 40 41 42 43 44 45 46 47 48 49 50 51 52 53 54 55 56 57 58 59 60

PACF Lag PACF -0,0171 61 0,05433 -0,0101 62 0,0681 -0,0024 63 0,07007 0,07483 64 0,02997 0,00334 65 -0,1283 0,14267 66 -0,115 -0,0845 67 -0,0805 0,03706 68 -0,1387 0,00323 69 0,07447 -0,0556 70 -0,0268 0,01612 71 0,01347 0,05132 72 0,00615 0,01747 73 -0,0732 0,00835 74 -0,0597 0,03014 75 0,07866 0,12003 76 0,01059 -0,004 77 0,00899 -0,0565 78 -0,0672 0,05346 79 0,0709 -0,0215 80 0,00557 0,01109 81 0,02793 -0,0151 82 0,04035 0,0377 83 -0,0256 -0,015 84 0,08178 0,05517 85 -0,1072 0,02871 86 -0,1542 0,09287 87 -0,0008 -0,1161 88 -0,0116 0,05313 89 -0,0403 -0,025 90 -0,0572

33

Lampiran 7 Nilai autokorelasi parsial nilai normalisasi min-max trafik PS Lag

PACF 0 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 28 29 30

1 0,43903 0,24803 0,13042 0,08432 0,14074 0,13839 0,03989 0,11935 0,01671 0,01896 -0,0454 -0,0619 0,06716 -0,0891 0,00809 -0,0886 -0,1152 -0,0122 0,07489 -0,0333 -0,0452 -0,003 0,08156 -0,0367 0,04479 -0,0171 0,0181 0,0882 -0,0226 0,08711

Lag 31 32 33 34 35 36 37 38 39 40 41 42 43 44 45 46 47 48 49 50 51 52 53 54 55 56 57 58 59 60

PACF Lag PACF -0,0529 61 0,07739 0,00761 62 0,07096 -0,0236 63 0,06849 0,04407 64 -0,0285 0,04548 65 -0,0617 0,12493 66 -0,0784 -0,0243 67 -0,0924 0,04519 68 -0,1068 0,00618 69 0,0968 -0,0781 70 0,01458 0,03474 71 -0,0307 -0,0272 72 -0,0217 0,06708 73 -0,0232 -0,0539 74 -0,0765 0,07262 75 0,04898 0,10485 76 -0,0166 -0,0102 77 0,04297 -0,0199 78 -0,039 0,07785 79 0,07973 -0,0284 80 -0,0462 -0,0132 81 0,04705 -0,0095 82 0,05909 0,04101 83 0,0352 -0,0508 84 0,03313 0,01732 85 -0,0812 0,05312 86 -0,1202 0,00179 87 -0,0204 -0,0822 88 -0,006 -0,0223 89 -0,0278 0,00299 90 -0,1108

34

Lampiran 8 Nilai autokorelasi parsial nilai normalisasi z-index trafik PS Lag

PACF 0 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 28 29 30

1 0,43903 0,24803 0,13042 0,08432 0,14074 0,13839 0,03989 0,11935 0,01671 0,01896 -0,0454 -0,0619 0,06716 -0,0891 0,00809 -0,0886 -0,1152 -0,0122 0,07489 -0,0333 -0,0452 -0,003 0,08156 -0,0367 0,04479 -0,0171 0,0181 0,0882 -0,0226 0,08711

Lag 31 32 33 34 35 36 37 38 39 40 41 42 43 44 45 46 47 48 49 50 51 52 53 54 55 56 57 58 59 60

PACF Lag PACF -0,0529 61 0,07739 0,00761 62 0,07096 -0,0236 63 0,06849 0,04407 64 -0,0285 0,04548 65 -0,0617 0,12493 66 -0,0784 -0,0243 67 -0,0924 0,04519 68 -0,1068 0,00618 69 0,0968 -0,0781 70 0,01458 0,03474 71 -0,0307 -0,0272 72 -0,0217 0,06708 73 -0,0232 -0,0539 74 -0,0765 0,07262 75 0,04898 0,10485 76 -0,0166 -0,0102 77 0,04297 -0,0199 78 -0,039 0,07785 79 0,07973 -0,0284 80 -0,0462 -0,0132 81 0,04705 -0,0095 82 0,05909 0,04101 83 0,0352 -0,0508 84 0,03313 0,01732 85 -0,0812 0,05312 86 -0,1202 0,00179 87 -0,0204 -0,0822 88 -0,006 -0,0223 89 -0,0278 0,00299 90 -0,1108

35

Lampiran 9 Hasil prediksi nilai logaritma trafik PS Hari ke1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 28 29 30 31 32 33 34 35 36

Nilai logaritma data aktual trafik PS 3.16703 3.27781 3.03849 2.9435 3.41835 3.04673 2.62416 3.03478 3.11904 2.96404 3.1867 3.36623 2.91485 3.09448 3.25625 3.2188 3.2179 3.28445 3.41264 3.2273 3.18723 3.14223 3.2512 2.96911 2.98261 2.94097 2.77621 2.63358 3.11632 2.63998 2.95389 3.36769 2.99978 3.31552 2.9617 3.46768

Hasil prediksi nilai logaritma trafik PS berdasarkan jumlah neuron pada hidden layer 5

10

15

50

100

200

3.00474 3.04529 3.12031 3.08084 3.09056 3.09883 3.17017 3.01265 3.01549 3.12235 3.09358 3.00623 3.1538 3.14396 3.08195 3.14379 3.19476 3.20081 3.19712 3.23975 3.24659 3.21197 3.19149 3.23603 3.21389 3.09461 3.08405 3.06068 2.95124 2.99878 2.96362 2.96075 3.03698 3.09551 3.08345 3.06031

3.05012 3.10761 3.20371 3.12234 3.14792 3.10228 3.21221 3.0391 3.02505 3.13571 3.09454 2.97552 3.15553 3.13581 3.112 3.1557 3.22638 3.26374 3.24874 3.23908 3.26294 3.24152 3.17751 3.26325 3.24093 3.07845 3.03914 3.04198 2.89847 2.97139 2.90753 2.96905 3.00825 3.12128 3.09991 3.08049

2.9842 3.13441 3.14667 3.11629 3.09445 3.12776 3.1492 3.03242 3.09994 3.0972 3.03698 3.06969 3.15439 3.02126 3.14125 3.17512 3.12323 3.27682 3.27333 3.20066 3.21601 3.26618 3.16467 3.23539 3.2332 3.1025 3.06714 3.0101 2.93617 3.00117 2.88573 2.95601 3.07361 3.00027 3.1038 3.07597

2.98103 3.03718 3.08172 3.06361 3.04291 3.14471 3.15385 2.98604 3.05012 3.11313 3.06149 3.00632 3.09817 3.06705 3.07716 3.13378 3.17649 3.23331 3.18363 3.2317 3.24532 3.2078 3.18888 3.26251 3.21544 3.08741 3.08152 3.0203 2.92221 2.97983 2.89112 2.89609 3.02707 2.96974 3.06406 3.0091

2.96109 3.05724 3.07144 3.1035 3.12488 3.13997 3.119 3.01747 3.08745 3.13338 3.04315 3.05052 3.15296 3.02474 3.15766 3.17115 3.1038 3.21677 3.27046 3.21283 3.21862 3.28454 3.16389 3.23941 3.22452 3.13001 3.07912 3.04577 2.95979 3.015 2.88247 2.96171 3.04129 3.01401 3.06482 3.05392

3.03662 3.07586 3.15872 3.08844 3.05615 3.13302 3.14338 3.02328 3.03924 3.08708 3.08786 3.05917 3.12823 3.08876 3.11696 3.09645 3.20419 3.25701 3.20514 3.23177 3.25323 3.21299 3.15947 3.26437 3.18482 3.10155 3.0499 3.02725 2.91033 3.00746 2.88587 2.99312 3.03166 3.04203 3.12809 3.01571

36

Hari ke37 38 39 40 41 42 43 44 45 46 47 48 49 50 51 52 53 54 55 56 57 58 59 60 61 62 63 64 65 66 67 68 69 70 71 72 73

Nilai logaritma data aktual trafik PS 2.96021 3.44072 3.32251 3.65482 3.27252 2.72766 3.31581 3.16208 3.34781 3.72709 3.32201 3.20459 3.19259 3.40869 3.18736 3.15901 3.10513 3.32875 2.92173 2.98532 2.92553 2.96927 3.15973 3.10404 2.78187 2.78791 3.092 3.35216 3.32766 3.52756 3.14439 3.15003 3.34117 3.6461 3.47132 2.85523 3.27083

Hasil prediksi nilai logaritma trafik PS berdasarkan jumlah neuron pada hidden layer 5

10

15

50

100

200

3.21074 3.15345 3.18802 3.25029 3.30234 3.32807 3.10343 3.17119 3.30584 3.24421 3.32659 3.28212 3.33467 3.1785 3.35348 3.29487 3.24099 3.24326 3.21696 3.18777 3.08761 3.06388 3.14874 3.11476 3.09499 3.01598 2.99064 3.04278 3.16658 3.13831 3.23155 3.1975 3.19993 3.22636 3.35261 3.3776 3.20521

3.30492 3.16858 3.31568 3.25435 3.38363 3.34984 3.09106 3.15026 3.34623 3.28574 3.3321 3.2646 3.34232 3.12464 3.40105 3.29576 3.30529 3.24666 3.18163 3.15519 3.04902 2.99144 3.17934 3.10264 3.08216 2.97249 2.97402 3.0449 3.20127 3.16108 3.2931 3.20103 3.2451 3.25543 3.4367 3.44333 3.23704

3.23702 3.11295 3.33029 3.26156 3.30046 3.39021 3.02876 3.23969 3.2377 3.31177 3.38118 3.24621 3.27233 3.16405 3.36117 3.2322 3.3588 3.26827 3.14612 3.16671 3.06252 3.03069 3.1136 3.13952 3.07436 2.97132 2.9611 3.06017 3.13646 3.16187 3.29745 3.14888 3.18668 3.2656 3.38398 3.41986 3.24073

3.18972 3.16949 3.20641 3.27713 3.31075 3.34846 3.02976 3.25326 3.31594 3.28575 3.35848 3.22659 3.27955 3.2005 3.35528 3.33165 3.27795 3.23342 3.22491 3.16892 3.0461 3.06047 3.10832 3.12356 3.04175 2.94762 2.94021 3.03406 3.14571 3.12574 3.19473 3.1391 3.17585 3.27341 3.39511 3.42138 3.18018

3.24597 3.04073 3.34741 3.18722 3.32757 3.35203 3.09938 3.26239 3.23303 3.31684 3.30011 3.2905 3.29822 3.22579 3.38975 3.17175 3.33683 3.26852 3.20338 3.1972 3.10253 3.02945 3.12946 3.1267 3.07555 2.97945 2.9755 3.08481 3.10865 3.10634 3.2511 3.15342 3.22839 3.26074 3.35526 3.34107 3.24186

3.23857 3.11628 3.30382 3.19168 3.42149 3.28047 3.07317 3.18581 3.25839 3.32569 3.36848 3.27942 3.27966 3.16727 3.31382 3.3001 3.31638 3.18816 3.23763 3.13023 3.07517 3.02078 3.13397 3.1182 3.08282 2.97215 2.96166 3.02418 3.16529 3.19241 3.26928 3.14876 3.19412 3.21817 3.4045 3.42364 3.20743

37

Hari ke74 75 76 77 78 79 80 81 82 83 84 85 86 87 88 89 90

Nilai logaritma data aktual trafik PS 3.06843 3.30045 3.3239 3.20914 3.20812 3.20471 3.45997 3.66291 3.41429 3.44138 3.457 3.34879 3.18169 3.25377 3.20133 3.21249 3.65099

Hasil prediksi nilai logaritma trafik PS berdasarkan jumlah neuron pada hidden layer 5

10

15

50

100

200

3.20367 3.23645 3.25119 3.22347 3.21828 3.27229 3.20252 3.27274 3.3586 3.3683 3.38876 3.33285 3.41084 3.29657 3.28554 3.31402 3.27484

3.19834 3.1945 3.27899 3.19241 3.21957 3.26401 3.18597 3.26803 3.36951 3.42611 3.44694 3.32419 3.46033 3.29396 3.30165 3.31966 3.26912

3.2529 3.13514 3.26126 3.26432 3.2021 3.24397 3.17319 3.2774 3.31119 3.41899 3.41957 3.32023 3.40003 3.29626 3.33358 3.30856 3.26045

3.23139 3.24923 3.27782 3.25586 3.17195 3.25419 3.18286 3.26907 3.37213 3.37046 3.37333 3.36462 3.42135 3.3372 3.32899 3.3384 3.29299

3.31233 3.1892 3.29759 3.20032 3.21861 3.24545 3.23349 3.304 3.26207 3.38568 3.40503 3.35134 3.4285 3.29722 3.33549 3.31176 3.28677

3.20306 3.15848 3.3012 3.22937 3.23596 3.23661 3.19022 3.25086 3.38843 3.40461 3.38344 3.33521 3.38725 3.29849 3.3094 3.29607 3.28955

38

Lampiran 10 Hasil prediksi nilai normalisasi min-max trafik PS

Hari ke1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 28 29 30 31 32 33 34 35

Nilai normzlisasi min-maxdata aktual trafik PS 0.46483 0.17643 0.04383 0.17064 0.21504 0.13947 0.25749 0.40811 0.1206 0.2012 0.30859 0.28006 0.2794 0.33175 0.45827 0.28632 0.25784 0.22885 0.3046 0.14154 0.14717 0.13035 0.0776 0.04559 0.21347 0.04682 0.1354 0.4096 0.15458 0.35908 0.13852 0.52516 0.13792 0.49134 0.3655

Hasil prediksi nilai normalisasi min-max berdasarkan jumlah neuron pada hidden layer 5

10

15

50

100

200

0.18264 0.24549 0.25288 0.18366 0.19581 0.214 0.23661 0.23346 0.24997 0.24544 0.25886 0.2165 0.26314 0.28405 0.25128 0.34737 0.33286 0.26984 0.2497 0.30311 0.27729 0.23139 0.2572 0.17884 0.18664 0.19164 0.18896 0.15278 0.24196 0.22887 0.23242 0.21038 0.23702 0.30393 0.26921

0.1786 0.2603 0.32519 0.22711 0.16093 0.25746 0.26714 0.26851 0.25964 0.3066 0.21762 0.18593 0.33795 0.31696 0.25393 0.3197 0.38848 0.257 0.24096 0.37177 0.29552 0.23594 0.2186 0.23209 0.15187 0.20186 0.20097 0.16476 0.20554 0.23947 0.23541 0.17311 0.27581 0.2924 0.34438

0.16766 0.19974 0.25823 0.20707 0.22287 0.24327 0.18471 0.21312 0.28722 0.24866 0.1744 0.31169 0.23236 0.20058 0.33224 0.32454 0.25287 0.23288 0.33594 0.27777 0.28259 0.30902 0.22707 0.16883 0.14228 0.22883 0.16547 0.12702 0.20793 0.2218 0.14116 0.18475 0.24127 0.24205 0.25173

0.21818 0.28011 0.27727 0.22669 0.24508 0.31402 0.25227 0.22977 0.29567 0.24075 0.26085 0.23918 0.26255 0.30555 0.24469 0.34102 0.34692 0.27904 0.27877 0.37167 0.33232 0.23457 0.28567 0.24357 0.17552 0.20317 0.18095 0.15036 0.19939 0.17959 0.19057 0.1679 0.28163 0.24888 0.32023

0.21528 0.2439 0.25023 0.22272 0.20114 0.26607 0.23972 0.21492 0.28436 0.27083 0.26329 0.22757 0.25176 0.30368 0.26748 0.34314 0.3388 0.26523 0.24856 0.32143 0.3043 0.23433 0.23799 0.22221 0.16055 0.2025 0.1771 0.18969 0.22467 0.22644 0.23599 0.17293 0.30246 0.24052 0.32891

0.23201 0.2932 0.26515 0.22494 0.22854 0.28514 0.26263 0.23259 0.32514 0.23704 0.26654 0.26792 0.2657 0.29636 0.26602 0.39042 0.31464 0.28769 0.29206 0.33328 0.30072 0.24765 0.26439 0.20617 0.17533 0.23145 0.16027 0.18258 0.23105 0.21871 0.23492 0.16315 0.33967 0.23062 0.35434

39

Hari ke36 37 38 39 40 41 42 43 44 45 46 47 48 49 50 51 52 53 54 55 56 57 58 59 60 61 62 63 64 65 66 67 68 69 70 71 72

Nilai normzlisasi min-maxdata aktual trafik PS 0.82782 0.32177 0.06551 0.35935 0.24127 0.38963 0.98434 0.36505 0.26986 0.2615 0.45379 0.25793 0.23932 0.20711 0.37132 0.12311 0.14832 0.12452 0.1416 0.23977 0.2065 0.0791 0.08072 0.19984 0.39392 0.3703 0.60823 0.23018 0.23367 0.38316 0.81064 0.52988 0.10042 0.32038 0.18735 0.34559 0.3668

Hasil prediksi nilai normalisasi min-max berdasarkan jumlah neuron pada hidden layer 5

10

15

50

100

200

0.32832 0.40685 0.48205 0.22016 0.34909 0.26327 0.40087 0.50995 0.51071 0.35879 0.36662 0.32668 0.37085 0.36787 0.27319 0.38111 0.36702 0.1302 0.26015 0.1985 0.25285 0.3031 0.18131 0.11775 0.18362 0.25057 0.29675 0.32522 0.30973 0.27432 0.28226 0.39249 0.50018 0.34324 0.31989 0.29874 0.35929

0.26952 0.57171 0.41839 0.29736 0.22381 0.44046 0.42626 0.57353 0.56129 0.30278 0.25823 0.34793 0.51621 0.39465 0.18377 0.36846 0.30473 0.14319 0.2451 0.27928 0.20264 0.23275 0.18019 0.08455 0.15487 0.26308 0.35569 0.33458 0.29112 0.24024 0.26189 0.52231 0.58123 0.37057 0.18422 0.34556 0.4372

0.33724 0.38174 0.38329 0.38964 0.25796 0.39514 0.33281 0.59438 0.50688 0.30351 0.33499 0.39974 0.39639 0.34836 0.48826 0.25887 0.14009 0.25833 0.19841 0.23298 0.29739 0.28252 0.11001 0.01951 0.15515 0.23792 0.23238 0.27591 0.32823 0.2059 0.26569 0.39545 0.48182 0.41787 0.32973 0.3181 0.2559

0.32177 0.45387 0.4578 0.25932 0.42982 0.43332 0.41414 0.50276 0.47973 0.35709 0.34702 0.45429 0.36478 0.36413 0.34383 0.32014 0.37955 0.09931 0.22202 0.32717 0.1801 0.20132 0.17375 0.07215 0.17903 0.22881 0.24242 0.29681 0.25302 0.28303 0.33282 0.44457 0.48304 0.33758 0.40684 0.41544 0.42934

0.28919 0.47718 0.42398 0.29017 0.29081 0.36746 0.36932 0.5301 0.48569 0.43797 0.26646 0.38367 0.32877 0.35632 0.35149 0.33992 0.31791 0.13063 0.16162 0.32925 0.23567 0.24643 0.18162 0.09935 0.17544 0.25306 0.2699 0.35353 0.29561 0.2901 0.26832 0.41553 0.48444 0.3725 0.33583 0.31964 0.34663

0.32585 0.50493 0.42028 0.29295 0.36456 0.37624 0.39881 0.60809 0.40255 0.45624 0.23886 0.51132 0.28819 0.35353 0.32943 0.34849 0.29458 0.18654 0.17868 0.29429 0.20295 0.27621 0.13353 0.10152 0.17731 0.29807 0.24776 0.37395 0.25626 0.31434 0.3037 0.48723 0.48101 0.33395 0.38214 0.34713 0.39991

40

Hari ke73 74 75 76 77 78 79 80 81 82 83 84 85 86 87 88 89 90

Nilai normzlisasi min-maxdata aktual trafik PS 0.27309 0.27236 0.26995 0.51528 0.84409 0.46016 0.49214 0.51151 0.3906 0.25412 0.30662 0.26757 0.27549 0.82023 0.2918 0.20513 0.14403 0.15798

Hasil prediksi nilai normalisasi min-max berdasarkan jumlah neuron pada hidden layer 5

10

15

50

100

200

0.34127 0.33105 0.3532 0.34266 0.3692 0.43512 0.47847 0.39156 0.49871 0.41754 0.33424 0.35917 0.34373 0.37968 0.51632 0.42225 0.3402 0.28399

0.40105 0.40133 0.30755 0.30213 0.29581 0.57857 0.53024 0.3427 0.3809 0.4434 0.36425 0.37755 0.37541 0.40884 0.48822 0.45577 0.35772 0.18008

0.4579 0.43231 0.31655 0.31363 0.32682 0.40723 0.39422 0.53415 0.45911 0.34565 0.3144 0.38884 0.4395 0.34851 0.42751 0.49609 0.2617 0.31375

0.34767 0.3722 0.39726 0.30976 0.33709 0.39335 0.41291 0.36813 0.42556 0.50186 0.32051 0.39293 0.47599 0.39389 0.52759 0.36215 0.30809 0.3234

0.31569 0.36388 0.4194 0.32287 0.32806 0.41343 0.45664 0.47302 0.41209 0.44879 0.2782 0.3197 0.41104 0.38247 0.50182 0.38577 0.33468 0.28112

0.36325 0.3438 0.39893 0.28736 0.42235 0.42552 0.40557 0.45196 0.41739 0.46836 0.29167 0.36981 0.4139 0.37665 0.55656 0.37993 0.31836 0.26845

41

Lampiran 11 Hasil prediksi nilai normalisasi z-index trafik PS

Hari ke1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 28 29 30 31 32 33 34 35

Nilai normalisasi z-index data aktual trafik PS 0.80171 -0.8885 -1.6655 -0.9224 -0.6621 -1.105 -0.4134 0.4693 -1.2156 -0.7433 -0.1139 -0.2811 -0.285 0.02182 0.76326 -0.2444 -0.4113 -0.5812 -0.1373 -1.0929 -1.0599 -1.1585 -1.4676 -1.6552 -0.6714 -1.648 -1.1289 0.47806 -1.0165 0.18198 -1.1106 1.15525 -1.1141 0.95707 0.21961

Hasil prediksinilai normalisasi z-index trafik PS berdasarkan jumlah neuron pada hidden layer 5

10

15

50

100

200

-0.7477 -0.6223 -0.5598 -0.7485 -0.6978 -0.7974 -0.6717 -0.1782 -0.2887 -0.2825 -0.3075 -0.5547 -0.8097 -0.3402 -0.2849 -0.4704 -0.4152 -0.4244 -0.4681 -0.6078 -0.5004 -0.6754 -0.4775 -0.5463 -0.4877 -0.4182 -0.4023 -0.5814 -0.591 -0.5794 -0.5886 -0.2404 -0.1757 -0.3262 -0.4577 -0.3227 -0.6051 -0.4483 -0.0311 -0.4498 -0.2907 -0.4035 -0.8095 -0.5465 -0.5108 -0.7031 -0.6069 -0.7128 -0.4572 -0.214 -0.0743 -0.1233 -0.3227 -0.0731 -0.642 -0.4589 -0.2875 -0.4459 -0.5617 -0.3615 -0.567 -0.3312 -0.2769 -0.5105 -0.3968 -0.4618 -0.6016 -0.4194 -0.3866 -0.4188 -0.7106 -0.6082 -0.6664 -0.3796 -0.5084 -0.3826 -0.2957 -0.3569 -0.22 -0.1813 0.02175 -0.1898 -0.0941 -0.2289 -0.4974 -0.2781 -0.5189 -0.5362 -0.5266 -0.4776 -0.1074 0.18161 0.28701 0.18427 0.21889 0.30966 -0.2273 -0.0167 0.21489 0.07235 -0.1198 -0.234 -0.4258 -0.1971 -0.3752 -0.4684 -0.2477 -0.4504 -0.2372 -0.1803 -0.2048 -0.2627 -0.3118 -0.2401 -0.0876 0.12956 0.08772 0.0704 0.06502 0.07352 -0.0945 -0.0787 0.19559 -0.1259 -0.1297 -0.0832 -0.3679 -0.4283 -0.4749 -0.6347 -0.4648 -0.4315 -0.3088 -0.3947 -0.0848 -0.2579 -0.3257 -0.2401 -0.5567 -0.6713 -0.5183 -0.6675 -0.7515 -0.7474 -0.9152 -0.815 -0.7161 -0.9528 -0.7503 -0.7997 -0.7466 -0.7022 -0.5503 -0.7377 -0.7679 -0.6337 -1.0065 -0.9722 -0.7266 -0.7567 -0.9447 -0.7849 -0.8501 -0.9618 -0.8908 -1.0467 -0.9176 -0.8832 -0.9474 -0.5584 -0.5879 -0.5588 -0.7262 -0.6744 -1.0512 -0.817 -0.6915 -0.7933 -0.8358 -0.6922 -0.688 -0.6629 -0.6764 -0.5785 -0.5315 -0.765 -1.0813 -0.807 -0.9724 -0.9448 -1 -1.0637 -0.3991 -0.1319 -0.4497 -0.2933 -0.183 -0.2818 -0.7006 -0.3613 -0.1298 -0.3191 -0.368 -0.4861 -0.2381 -0.0102 -0.3794 -0.3729 -0.0501 -0.3015

42

Hari ke36 37 38 39 40 41 42 43 44 45 46 47 48 49 50 51 52 53 54 55 56 57 58 59 60 61 62 63 64 65 66 67 68 69 70 71 72

Nilai normalisasi z-index data aktual trafik PS 2.92895 -0.0367 -1.5385 0.18355 -0.5084 0.36102 3.84625 0.21693 -0.3409 -0.3899 0.73703 -0.4108 -0.5199 -0.7087 0.25372 -1.2009 -1.0532 -1.1926 -1.0925 -0.5172 -0.7122 -1.4588 -1.4493 -0.7512 0.38616 0.24771 1.64207 -0.5735 -0.553 0.32309 2.82826 1.18293 -1.3339 -0.0448 -0.8245 0.10289 0.22718

Hasil prediksinilai normalisasi z-index trafik PS berdasarkan jumlah neuron pada hidden layer 5

10

15

50

100

200

-0.2055 0.21083 0.15164 0.01368 0.33855 0.17346 0.20737 0.98617 0.15047 0.94723 -0.3075 0.41189 0.32059 0.35601 0.73498 0.02345 -0.3283 -0.7217 -0.7234 0.01997 -0.6677 -0.6252 -0.7414 -1.1511 -1.0724 -0.6974 -0.7861 -0.2601 -0.5727 -0.262 -0.2431 0.05827 0.48815 0.37749 0.60307 0.00778 0.08131

0.06561 0.87299 0.67748 -0.2518 0.49559 0.38489 0.5195 1.2512 0.57397 0.39076 0.1941 0.63018 0.14308 0.21619 -0.0141 0.15224 -0.1581 -1.0515 -0.6332 -0.2881 -0.5174 -0.6153 -1.2011 -1.2476 -0.766 -0.4304 -0.4803 0.0215 -0.2703 -0.154 0.04033 0.8198 0.89616 0.10923 0.44555 0.33842 0.43559

0.33913 0.41426 1.28388 -0.6222 0.56667 0.2877 0.69572 1.49597 0.8305 0.67875 -0.1646 0.43132 0.37336 -0.1132 0.42104 0.06105 0.4813 -1.2897 -0.7551 -0.0564 -0.5659 -0.385 -0.9179 -1.6173 -0.9286 -0.3176 -0.4177 -0.0876 -0.2888 -0.327 -0.0227 0.34394 1.26395 0.07198 0.45747 0.32872 0.57419

0.24732 0.41566 0.94887 -0.7653 0.69971 -0.0042 0.50398 1.02441 1.06022 0.15595 0.13748 0.31194 0.55873 -0.3809 0.43562 -0.1471 0.14583 -1.3383 -0.459 -0.2943 -0.5965 -0.6758 -0.6298 -1.5961 -0.8851 -0.4903 -0.3359 -0.1163 -0.2287 -0.4107 0.04787 0.41888 1.04241 -0.1641 0.45034 0.12839 0.27999

-0.0133 0.69163 0.62216 -0.4592 0.46134 -0.0694 0.82665 1.08822 0.35742 0.57052 -0.5079 0.56829 0.28632 0.36656 -0.2115 0.23317 -0.152 -1.0344 -0.5056 -0.4748 -0.6442 -0.4667 -1.0857 -1.1441 -0.9142 -0.3773 -0.4513 0.01438 -0.5181 -0.1468 -0.2175 0.71057 0.98577 0.05492 0.22946 -0.0411 0.64032

0.00979 0.57784 0.69101 -0.4643 0.33592 0.07354 0.66388 1.31104 0.87785 0.62097 -0.6168 0.68921 0.13002 0.39108 0.3477 0.15677 -0.3682 -1.1858 -0.3925 -0.0891 -0.5086 -0.322 -1.2007 -1.4522 -0.9582 -0.3853 -0.5339 -0.0011 -0.3787 -0.3363 -0.4782 0.51739 1.06049 0.15361 0.27387 -0.0551 0.2858

43

Hari ke73 74 75 76 77 78 79 80 81 82 83 84 85 86 87 88 89 90

Nilai normalisasi z-index data aktual trafik PS -0.322 -0.3262 -0.3404 1.09734 3.02429 0.77435 0.96177 1.07528 0.36667 -0.4332 -0.1255 -0.3543 -0.3079 2.88448 -0.2123 -0.7203 -1.0783 -0.9966

Hasil prediksinilai normalisasi z-index trafik PS berdasarkan jumlah neuron pada hidden layer 5

10

15

50

100

200

0.18448 0.2245 0.65686 -0.4092 -0.1263 0.12963 0.13296 0.95032 0.43794 0.70029 0.25563 0.42976 0.93125 0.42784 0.63704 0.0007 0.22696 0.16464

0.16354 0.0975 0.36189 -0.0044 0.1278 0.46093 0.54398 0.61253 0.80346 0.69605 0.07959 0.39791 0.55326 0.43096 1.13744 0.14692 -0.1036 -0.0293

0.40881 0.09579 0.90766 -0.0478 0.32393 0.34286 0.33844 0.49376 0.51752 0.72295 -0.169 0.00714 0.90226 0.56976 1.4359 0.56555 -0.1813 -0.0189

0.07665 0.20783 0.49399 -0.2183 0.18783 0.69953 0.43984 0.47118 0.73585 0.7195 -0.0671 -0.0494 0.77863 0.16365 1.11452 0.39375 -0.0759 -0.0235

0.14597 0.05575 0.3137 -0.44 0.22225 0.38039 0.53041 0.38911 0.49771 0.64807 0.23635 0.45684 0.48389 0.43155 0.99927 -0.0016 0.10133 -0.4638

0.25394 0.56492 0.70336 -0.3715 0.20503 0.29691 0.71619 0.70351 0.5121 0.40978 -0.3273 0.3328 0.79819 0.47092 1.06153 0.39003 0.12395 -0.2081

44

Lampiran 12 Hasil perhitungan utilisasi data trafik PS

Hari ke-

1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 28 29 30 31 32 33 34

Hasil perhitungan utilisasi terhadap data aktual trafik PS 138.73 58.958 22.283 57.357 69.639 48.736 81.379 123.04 43.517 65.809 95.512 87.622 87.44 101.92 136.91 89.353 81.477 73.459 94.408 49.308 50.865 46.215 31.625 22.771 69.203 23.11 47.61 123.45 52.916 109.48 48.474 155.41 48.309 146.06

Hasil perhitungan utilisasi pada hasil prediksi trafik PS berdasarkan jumlah neuron pada hidden layer 5 70.144 87.361 87.576 80.831 89.842 92.996 84.367 93.673 93.54 98.8 80.369 87.078 95.332 76.398 93.779 101.82 96.206 81.193 100.94 107.7 88.292 99.862 93.718 82.391 79.278 89.513 83.755 67.108 86.124 74.052 71.427 69.118 79.186 86.947

10 65.171 80.511 79.163 76.062 75.697 84.446 81.854 83.141 95.298 74.154 89.959 81.513 80.502 91.556 82.518 108.86 89.699 82.317 88.21 103.91 97.131 86.275 88.784 64.511 64.636 81.717 64.469 61.403 76.941 67.728 69.616 50.178 86.993 72.08

15

50

100

200

72.035 82.65 80.045 68.605 75.05 88.308 70.906 68.545 93.048 71.22 77.552 81.319 86.246 84.621 81.121 116.68 93.533 83.528 91.022 103.97 87.743 79.322 89.08 65.899 53.52 70.315 56.059 55.432 67.81 70.782 68.642 59.986 97.657 73.565

70.435 80.48 80.042 77.187 75.093 86.667 80.003 75.381 83.704 69.001 88.145 73.137 76.611 93.239 84.879 105.92 97.266 91.521 83.194 101.45 100.34 84.137 86.809 68.148 63.271 65.057 56.134 53.4 67.01 62.559 67.47 56.591 86.932 78.531

73.151 84.645 79.349 76.598 83.433 88.917 82.487 71.426 96.938 80.237 87.032 73.673 78.159 95.081 74.278 111.94 99.723 88.602 91.147 107.61 98.663 75.376 93.948 73.984 64.251 68.736 59.773 59.461 65.784 59.282 68.021 55.801 87.517 77.035

67.473 89.817 79.23 66.696 78.712 87.346 81.547 71.33 94.391 74.414 77.59 80.234 87.263 85.067 75.754 119.33 93.212 80.392 93.499 106.18 88.694 78.664 92.417 64.6 61.039 73.005 58.25 53.694 72.905 63.894 68.563 53.861 92.118 80.173

45

Hari ke-

35 36 37 38 39 40 41 42 43 44 45 46 47 48 49 50 51 52 53 54 55 56 57 58 59 60 61 62 63 64 65 66 67 68 69 70

Hasil perhitungan utilisasi terhadap data aktual trafik PS 111.25 239.13 99.158 28.279 109.55 76.894 117.93 282.42 111.13 84.801 82.49 135.68 81.502 76.353 67.444 112.86 44.212 51.183 44.601 49.326 76.478 67.275 32.039 32.488 65.435 119.12 112.58 178.39 73.824 74.79 116.14 234.37 156.72 37.935 98.775 61.978

Hasil perhitungan utilisasi pada hasil prediksi trafik PS berdasarkan jumlah neuron pada hidden layer 5 83.001 96.214 121.87 106.67 100.48 111.41 106.96 118.43 139.48 146.78 82.859 131.76 88.284 132.6 94.844 108.05 116.91 78.315 75.881 114.44 75.393 98.274 84.837 65.951 46.53 76.586 79.668 91.889 80.142 97.28 76.283 89.651 111.48 123.42 107.64 105.93

10 99.064 90.733 129.11 126 83.246 113.36 101.89 137.04 177.34 129.87 111.1 88.516 132.63 109.18 127.16 107.71 93.27 95.454 50.698 78.935 95.385 82.425 96.875 46.908 19.429 60.454 87.47 82.163 98.748 74.187 83.86 84.667 126.83 144.6 105.86 106.74

15

50

100

200

103.22 95.892 139.1 115.27 94.412 116.37 112.97 106.27 161.89 127.95 123.81 84.388 150.04 86.419 117.11 108.02 114.05 86.504 52.799 71.51 88.197 58.94 94.768 55.886 39.46 57.443 84.526 75.069 103 82.03 98.367 91.806 134.44 131.52 107.76 122.43

103.59 95.418 126.48 136.27 87.803 117.77 103.59 135.87 148.38 137.22 115.08 98.016 122.91 100.14 127.02 111.89 100.7 113.3 43.419 61.804 83.972 75.807 83.423 55.662 31.978 61.065 75.007 77.456 95.422 81.437 93.141 92.09 123.21 143.25 116.76 120.26

92.478 103.18 129.12 136.8 84.245 136.98 110.2 119.67 154.28 129.2 144.45 93.268 134.33 93.512 111.43 107.75 108.91 104.01 45.986 78.917 99.218 57.856 72.166 52.125 42.909 56.242 75.56 69.848 100.26 80.134 96.393 93.997 120.82 137.71 108.34 135.22

90.883 105.07 134.99 124.29 75.782 132.4 105.66 123.62 167.91 121.28 118.8 91.477 140.87 104.14 102.28 101.64 120.71 87.571 50.027 84.204 78.516 67.428 88.708 47.031 36.37 58.795 87.508 75.599 97.711 77.732 90.416 95.731 135.62 137.92 92.251 123.01

46

Hari ke-

71 72 73 74 75 76 77 78 79 80 81 82 83 84 85 86 87 88 89 90 Jumlah hari yang membutuhkan penambahan kapasitas

Hasil perhitungan utilisasi terhadap data aktual trafik PS 105.75 111.61 85.693 85.494 84.825 152.68 243.63 137.44 146.28 151.64 118.2 80.446 94.968 84.167 86.358 237.03 90.869 66.896 49.997 53.856

51

Hasil perhitungan utilisasi pada hasil prediksi trafik PS berdasarkan jumlah neuron pada hidden layer 5 111.46 105.22 120.26 132.5 103.76 112.61 92.532 127.87 104.84 106.46 130.08 85.994 96.057 113.05 120.12 123.34 131.54 127.6 108.59 96.089

74

10 89.762 125.09 126.59 121.06 117.79 95.97 121.27 121.15 123.77 129.51 123.18 118.09 81.863 116.87 126.69 115.05 166.56 115.21 103.53 92.6

70

15

50

100

200

109.67 105.7 101.31 113.4 114.26 86.406 118.46 117.81 119.51 129.37 141.33 145.58 89.332 123.01 128 110.71 147.12 110.36 98.639 88.985

102.18 125.73 106.24 109.21 114.41 99.605 107.79 100.49 124.5 126.73 132.58 140.39 102.78 122.43 131.57 120.09 156.52 104.78 95.853 88.198

113.95 118.52 104.46 113.67 138.41 87.519 109.11 109.68 122.92 124.66 126.65 134.6 91.256 117.59 138.3 122.54 154.65 108.67 111.03 105.61

112.85 118.76 109.11 108.39 119.5 87.239 122.05 125.27 110.68 117.06 140.24 130.38 93.749 118.88 128.13 119.24 157.9 110.6 96.942 88.751

65

65

63

63

47

Lampiran 13 Hasil perhitungan utilisasi nilai logaritma trafik PS

Hari ke-

1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 28 29 30 31 32 33 34

Hasil perhitungan utilisasi terhadap nilai logaritma data aktual trafik PS 77.7746 100.373 57.8494 46.4846 138.728 58.9581 22.2827 57.3571 69.6388 48.7363 81.379 123.039 43.5172 65.8094 95.5121 87.622 87.4404 101.92 136.913 89.3527 81.4774 73.4587 94.4083 49.3081 50.8652 46.2146 31.6245 22.7714 69.2031 23.1097 47.6097 123.453 52.9162 109.479

Hasil perhitungan utilisasi pada hasil prediksi nilai logaritma trafik PS berdasarkan jumlah neuron pada hidden layer 5

10

15

50

100

200

53.5241 58.762 69.8431 63.775 65.2186 66.4721 78.34 54.5084 54.8655 70.1717 65.6742 53.7086 75.4411 73.7522 63.9384 73.7225 82.9039 84.0669 83.3554 91.9523 93.4112 86.2545 82.2805 91.1665 86.6358 65.829 64.2477 60.8815 47.3203 52.7949 48.6895 48.3679 57.649 65.966

59.4192 67.8291 84.6293 70.17 74.4269 67.0028 86.3012 57.9309 56.0868 72.3632 65.819 50.042 75.7433 72.3808 68.5194 75.7725 89.1646 97.1737 93.8754 91.8092 96.9948 92.3273 79.6739 97.0653 92.2027 63.4243 57.9364 58.3162 41.9067 49.5675 42.7895 49.3015 53.9591 69.9995

51.0521 72.1478 74.2129 69.1984 65.8044 71.0503 74.647 57.0467 66.6416 66.2226 57.6487 62.159 75.5442 55.5988 73.2932 79.2374 70.3144 100.145 99.3445 84.0379 87.0604 97.7217 77.3534 91.0336 90.5756 67.037 61.794 54.1884 45.7064 53.0861 40.695 47.8434 62.7215 52.9762

50.6804 57.6752 63.9045 61.2944 58.4409 73.8781 75.4496 51.2681 59.4201 68.6969 60.996 53.7194 66.3719 61.7819 63.2374 72.0434 79.4879 90.5985 80.8051 90.2626 93.1379 85.4299 81.788 96.8982 86.9459 64.7467 63.8743 55.4762 44.2608 50.5409 41.2027 41.6772 56.3483 49.3803

48.4062 60.4024 62.4093 67.1911 70.5806 73.0768 69.633 55.1159 64.7524 71.977 58.4731 59.4746 75.2965 56.047 76.1144 78.5164 67.2378 87.2126 98.6896 86.4256 87.585 101.942 77.2153 91.8797 88.7825 71.4205 63.523 58.8269 48.2616 54.8036 40.3905 48.4753 58.2233 54.6794

57.6013 63.0473 76.3009 64.9006 60.2499 71.9164 73.6527 55.8591 57.95 64.6978 64.8139 60.6702 71.1272 64.9481 69.3052 66.1082 84.7234 95.6791 84.9079 90.278 94.851 86.4579 76.4327 97.3161 81.0267 66.8901 59.3891 56.3719 43.0661 53.86 40.708 52.1111 56.9473 58.3234

48

Hari ke-

35 36 37 38 39 40 41 42 43 44 45 46 47 48 49 50 51 52 53 54 55 56 57 58 59 60 61 62 63 64 65 66 67 68 69 70

Hasil perhitungan utilisasi terhadap nilai logaritma data aktual trafik PS 48.4742 155.414 48.3085 146.06 111.255 239.126 99.1578 28.2791 109.553 76.8941 117.929 282.42 111.128 84.8012 82.4897 135.675 81.5023 76.3525 67.4438 112.865 44.2123 51.1833 44.6009 49.3261 76.478 67.2749 32.0391 32.4881 65.4351 119.115 112.581 178.39 73.8245 74.7902 116.139 234.374

Hasil perhitungan utilisasi pada hasil prediksi nilai logaritma trafik PS berdasarkan jumlah neuron pada hidden layer 5

10

15

50

100

200

64.1588 60.8306 86.0108 75.3802 81.6271 94.2115 106.207 112.689 67.1805 78.524 107.064 92.9019 112.305 101.375 114.414 79.8558 119.479 104.394 92.2155 92.6984 87.2501 81.58 64.7765 61.3319 74.568 68.9561 65.8869 54.9279 51.8144 58.4244 77.6944 72.7987 90.2315 83.4283 83.8949 89.1596

66.6384 63.7232 106.839 78.0526 109.518 95.0958 128.068 118.482 65.2941 74.8288 117.5 102.222 113.739 97.3664 116.448 70.5422 133.309 104.608 106.929 93.4256 80.4348 75.6839 59.2698 51.91 80.0113 67.058 63.9684 49.6937 49.8687 58.7094 84.1558 76.7161 103.97 84.1085 93.0904 95.3333

67.2367 63.0645 91.3764 68.6689 113.265 96.6879 105.748 130.022 56.5678 91.9384 91.5187 108.537 127.346 93.3289 99.1146 77.2431 121.612 90.3661 120.95 98.1924 74.1196 77.7181 61.14 56.8202 68.7721 73.0009 62.8297 49.5603 48.4073 60.8102 72.4881 76.856 105.016 74.591 81.3741 97.59

61.3579 54.0643 81.9456 78.216 85.1565 100.218 108.284 118.105 56.6981 94.8563 109.585 102.227 120.861 89.2082 100.778 84.0064 119.976 113.621 100.405 90.6204 88.8628 78.1142 58.8723 60.8534 67.94 70.3665 58.2853 46.9278 46.134 57.2621 74.0487 70.7214 82.8979 72.9314 79.3707 99.3622

61.4648 59.9413 93.279 58.1492 117.821 81.4757 112.56 119.081 66.5562 96.873 90.5408 109.813 105.661 103.35 105.205 89.0436 129.885 78.6249 114.984 98.2486 84.5648 83.3691 67.0408 56.6574 71.3295 70.8781 63.0027 50.4959 50.0388 64.3602 67.9919 67.6317 94.3863 75.3755 89.5775 96.5055

71.1045 54.8939 91.702 69.1968 106.57 82.3165 139.732 100.99 62.659 81.2115 95.9844 112.072 123.676 100.746 100.802 77.8176 109.051 105.661 109.697 81.6521 91.504 71.4562 62.9484 55.5379 72.0746 69.5045 64.0664 49.655 48.4699 55.9751 77.4643 82.4556 98.4208 74.5708 82.7807 87.4942

49

Hari ke-

71 72 73 74 75 76 77 78 79 80 81 82 83 84 85 86 87 88 89 90 Jumlah hari yang membutuhkan penambahan kapasitas

Hasil perhitungan utilisasi terhadap nilai logaritma data aktual trafik PS 156.72 37.9354 98.7745 61.9785 105.746 111.612 85.6933 85.4937 84.8245 152.681 243.626 137.437 146.282 151.639 118.196 80.4461 94.9679 84.1675 86.3583 237.028

5

10

15

50

100

200

119.24 126.303 84.9215 84.6211 91.2556 94.4064 88.5677 87.5173 99.1064 84.3974 99.2093 120.895 123.626 129.588 113.936 136.349 104.804 102.177 109.1 99.6899

144.714 146.939 91.3788 83.5899 82.8533 100.648 82.4548 87.7777 97.2353 81.242 98.1377 123.972 141.227 148.167 111.687 152.807 104.177 106.038 110.528 98.3851

128.171 139.209 92.1588 94.7775 72.269 96.6204 97.3034 84.3155 92.8504 78.8854 100.278 108.392 138.932 139.117 110.674 132.997 104.729 114.128 107.738 96.4417

131.497 139.697 80.1657 90.1981 93.98 100.375 95.4277 78.6607 95.0614 80.6629 98.3739 124.72 124.243 125.066 122.583 139.69 115.083 112.927 115.401 103.944

119.969 116.112 92.4002 108.676 81.8478 105.05 83.9717 87.5821 93.1673 90.6358 106.613 96.8016 128.675 134.536 118.891 142.005 104.961 114.63 108.534 102.466

134.373 140.426 85.3573 84.5035 76.2581 105.927 89.7792 91.1537 91.289 82.0405 94.3349 129.49 134.405 128.012 114.556 129.14 105.269 107.947 104.685 103.123

51

49

51

43

46

47

47

Hasil perhitungan utilisasi pada hasil prediksi nilai logaritma trafik PS berdasarkan jumlah neuron pada hidden layer

50

Lampiran 14 Hasil prediksi berdasarkan perkiraan kasar PT Indosat

Hari ke-

1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 28 29 30 31 32 33 34 35

Data Aktual 2620.32 1113.61 420.88 1083.37 1315.35 920.54 1537.1 2323.99 821.96 1243.02 1804.05 1655.02 1651.59 1925.08 2586.04 1687.71 1538.96 1387.5 1783.2 931.34 960.75 872.91 597.33 430.11 1307.12 436.5 899.26 2331.8 999.49 2067.85 915.59 2935.48 912.46 2758.81 2101.4

Asumsi penambahan 10% Hasil Prediksi

Utilisasi

738.496 2322.87 3837.768 1697.344 2462.284 1820.698 1379.367 1909.325 1778.183 1833.722 1495.472 1061.247 1232.165 1109.471 2531.507 1983.696 2326.401 1832.523 1768.239 2044.174 1312.806 1970.87 2084.016 3137.354 2253.075 1448.326 1715.098 2046 1148.664 1531.849 3122.13 1817.145 4084.949 2332.319 1716.253

39.0983 122.98 203.184 89.8628 130.361 96.3935 73.0281 101.086 94.1427 97.0831 79.175 56.1858 65.2347 58.7389 134.026 105.023 123.167 97.0196 93.6162 108.225 69.5041 104.344 110.334 166.101 119.285 76.679 90.8027 108.322 60.8139 81.101 165.295 96.2054 216.27 123.48 90.8639

51

Hari ke-

36 37 38 39 40 41 42 43 44 45 46 47 48 49 50 51 52 53 54 55 56 57 58 59 60 61 62 63 64 65 66 67 68 69 70 71 72

Data Aktual 4516.66 1872.91 534.14 2069.25 1452.39 2227.46 5334.4 2099.01 1601.74 1558.08 2562.66 1539.43 1442.16 1273.89 2131.81 835.09 966.76 842.43 931.68 1444.53 1270.7 605.16 613.64 1235.95 2249.87 2126.45 3369.46 1394.41 1412.65 2193.65 4426.9 2960.16 716.53 1865.67 1170.66 1997.35 2108.15

Asumsi penambahan 10% Hasil Prediksi

Utilisasi

1890.79 1849.694 3368.211 1868.284 2011.944 2924.944 2874.19 2256.133 4230.281 1260.71 2175.129 1917.234 476.608 1417.108 1553.64 1691.052 1806.959 879.802 314.512 910.074 489.566 1210.099 1449.503 1049.752 773.025 280.093 1551.044 958.848 1117.743 768.768 2019.193 1449.228 1695.419 1089.539 1035.661 962.137 1752.894

100.104 97.9287 178.324 98.9129 106.519 154.856 152.169 119.447 223.965 66.746 115.158 101.504 25.2331 75.0262 82.2546 89.5297 95.6662 46.5795 16.6513 48.1822 25.9192 64.0665 76.7413 55.5772 40.9264 14.829 82.1172 50.7645 59.1769 40.701 106.902 76.7267 89.7609 57.6837 54.8312 50.9386 92.8038

52

Hari ke-

73 74 75 76 77 78 79 80 81 82 83 84 85 86 87 88 89 90

Data Aktual

Asumsi penambahan 10% Hasil Prediksi

1618.59 611.061 1614.82 777.04 1602.18 1301.333 2883.86 1227.589 4601.65 603.845 2595.93 583.418 2763 211.101 2864.19 943.668 2232.5 1032.031 1519.48 1136.454 1793.77 639.254 1589.77 719.378 1631.15 972.895 4477.02 1608.068 1716.35 1615.922 1263.55 2085.446 944.35 1201.937 1017.24 965.811 Jumlah hari yang membutuhkan penambahan kapasitas

Utilisasi 32.3515 41.139 68.8967 64.9925 31.9695 30.888 11.1764 49.9608 54.639 60.1675 33.8441 38.0862 51.5082 85.1362 85.552 110.41 63.6344 51.1331 47

53

RIWAYAT HIDUP Penulis dilahirkan di kota Jakarta pada tanggal 28 Maret 1989. Penulis adalah anak ke dua dari tiga bersaudara yang dilahirkan dari pasangan Ir Abdul Muin Wase dan Tahwilah, SPd. Penulis lulus dari SMA Negeri 38 Jakarta pada tahun 2006. Pada tahun yang sama, melanjutkan pendidikan Diploma di Politeknik Negeri Jakarta Program Studi Teknik Telekomunikasi dan menyelesaikan program diploma pada tahun 2009. Tahun 2010, penulis melanjutkan pendidikan di Program Alih Jenis Ilmu Komputer, Institut Pertanian Bogor untuk mendapatkan gelar sarjana.