1
PENDAHULUAN Latar Belakang Di era perkembangan teknologi informasi dan komunikasi sekarang ini, telepon selular telah berkembang menjadi salah satu bagian dari kehidupan masyarakat yang tidak terpisahkan. Saat ini, komunikasi dua arah melalui telepon selular telah menjadi kebutuhan masyarakat. Bisnis selular mengalami perkembangan yang sangat pesat sejak munculnya teknologi GSM (Global System for Mobile communication) yang mengembangkan kartu pra bayar (prepaid) dan pasca bayar (postpaid) dalam bisnis jaringan telepon selular. Dalam waktu kurang dari 5 tahun, jumlah satuan sambungan selular telah mencapai angka 6,2 juta SST (Satuan Sambungan Telepon) pada 2001, mendekati populasi satuan sambungan telepon tetap yang tercatat hanya 7 juta SST pada periode yang sama. Pada pertengahan tahun 2003 jumlah pelanggan selular telah melambung ke angka 14,3 juta pelanggan, jauh melampaui populasi pelanggan telepon tetap yang cenderung (Miranti 2003). Ada beberapa alasan pesatnya perkembangan bisnis selular. Pertama, value creation dari sisi content dan fasilitas mengaksesnya, menyebabkan bisnis ini relatif lebih menarik dibanding bisnis telepon tetap. Kedua, selain merupakan kebutuhan, selular kini juga telah berkembang sebagai kebutuhan dan gaya hidup. Ketiga, telepon selular kini tidak lagi merupakan pelengkap atau komplementer dari jaringan telepon tetap, tetapi telah menjadi substitusi dari jaringan telepon tetap. Dengan demikian, kelambanan jaringan telepon tetap (PT. Telkom) dalam merespon kebutuhan pelanggannya segera diisi oleh jaringan selular. Masyarakat akan semakin dibingungkan dengan banyaknya produk operator dan fiturfitur yang ditawarkan sebagai alternatif pilihan untuk telepon selularnya. Faktor-faktor kebutuhan dari masyarakat dan fitur-fitur yang ditawarkan oleh operator menjadi pertimbangan pemilihan operator masyarakat saat ini. Tujuan Tujuan penelitian ini adalah menganalisis perilaku pengguna telepon selular (pemakai jasa operator GSM dan/atau CDMA) dan ketepatannya dalam memilih produk operator.
Ruang Lingkup Ruang lingkup penelitian ini dibatasi pada: 1. Pembahasan difokuskan pada operator GSM dan CDMA yang datanya diambil terakhir kali pada tanggal 1 Februari 2007. 2. Pembagian data untuk voice calling dibagi menjadi empat selang waktu yaitu a. off peak 1 (06.00-07.00) b. off peak 2 (07.00-08.00) c. peak (08.00-22.00) d. off peak 3 (22.00-00.00) e. off peak 4 (00.00-06.00) 3. Data voice calling untuk SLLJ (SLJJ1, SLJJ2, dan SLJJ3) intra-operator dan interoperator adalah sama. 4. Data coverage area diambil secara general. 5. Tidak memperhatikan variabel eksternal dan fitur khusus yang ditawarkan produk operator dalam pengenalan pola pengguna produk operator. Manfaat Penelitian ini diharapkan dapat memberikan manfaat berupa sistem yang dapat menghasilkan solusi pemilihan operator yang optimal bagi masyarakat dari sisi (baca:sudut pandang) operator. Sistem juga dapat menghasilkan pemilihan produk operator berdasarkan pola masyarakat yang ada. TINJAUAN PUSTAKA GSM GSM adalah standar telepon selular paling populer di dunia. Di Indonesia, liberalisasi bisnis selular dimulai sejak tahun 1995, saat pemerintah mulai membuka kesempatan kepada swasta untuk berbisnis telepon selular dengan cara kompetisi penuh. Bisa diperhatikan, bagaimana ketika teknologi datang dan menggantikan teknologi selular generasi pertama yang sudah masuk sebelumnya ke Indonesia seperti NMT (Nordic Mobile Telephone) dan AMPS (Advance Mobile Phone System). Teknologi GSM yang banyak digunakan di Indonesia saat ini adalah GSM 900 dan GSM/DCS (Digital Cellular Service) 1800. GSM 900 memiliki coverage area yang relative luas dibanding GSM 1800. Sebuah BTS (Base Transceiver Station) GSM 900 dapat menjangkau radius hingga 5 km, sementara BTS GSM 1800 hanya mampu menjangkau area sekitar 1 km (Miranti 2003).
2
CDMA CDMA telah banyak digunakan untuk sistem komunikasi, meliputi GPS (Global Positioning System) dan dalam sistem satelit OmniTRACS untuk transportasi logistik. CDMA menawarkan teknologi yang lebih baik dari teknologi GSM yaitu dengan adanya teknologi teknologi spread-spectrum untuk mengedarkan sinyal informasi yang melalui bandwith yang lebar (1,25 MHz). Teknologi CDMA lebih murah karena berbasis pada teknologi Wireless Local-Code Division Multiple Access (WLL-CDMA) (Miranti 2003). PSTN PSTN (Public Switched Telephone Network) adalah jaringan dunia telepon publik (telepon rumah), sama halnya dengan internet yang merupakan jaringan switched paket dunia bebasis IP. PSTN merupakan sistem jaringan telepon analog, tetapi sekarang ini mulai terbangun secara dijital (Hamdi 1998). Coverage Area Wilayah yang luas merupakan suatu keunggulan dari suatu operator tertentu. Coverage Area adalah ruang atau daerah yang dapat dijangkau oleh sinyal dan layanan suatu operator. Saat ini operator dengan teknologi GSM menpunyai coverage area lebih luas di wilayah Indonesia ini. Variabel Eksternal dan Fitur Khusus Variabel eksternal adalah variabel yang mempengaruhi pengguna produk operator di luar kebutuhan komunikasinya. Variabel eksternal dapat meliputi: iklan, keluarga dan lingkungan. Fitur khusus merupakan fitur yang ditawarkan operator di luar tarif normal yang diberlakukan mereka. Fitur khusus dapat meliputi SMS gratis untuk pemakaian tertentu, komunikasi suara dengan tarif murah pada selang waktu tertentu atau bonus untuk pengisian pulsa. Layanan dalam sistem telekomunikasi mobile Voice Communication/Voice Calling Sistem telekomunikasi mobile, bertujuan untuk menyajikan komunikasi yang mobile antar individu yang saling berjauhan (dipisahkan oleh jarak). Pengembangan GSM pada mulanya hanya menyajikan voice communication atau telepon, kemudian diikuti call forwarding, barring dan voice mail. Komponen komunikasinya direpresentasikan
baik oleh mobile phone atau yang disebut Mobile Station (MS) dan mobile network.
Gambar 1 Komponen layanan telepon dalam sistem komunikasi mobile.
Off peak: Bagian waktu dari hari yang ditentapkan oleh operator ketika pengguna dapat membayar biaya airtime. Off-peak biasanya diletakkan pada waktu pagi hari dan akhir pekan Air time: waktu aktual yang dihabiskan untuk kegiatan percakapan dengan menggunakan telepon selular percakapan lebih kecil (berkurang) dari tarif normalnya. Peak: Bagian waktu dari hari yang ditentukan oleh operator ketika pengguna dikenakan pembayaran penuh (tarif normal) untuk layanan percakapan. Roaming: Aturan yang ditetapkan oleh operator untuk menerima atau melakukan panggilan dari atau ke luar daerah asal (home calling area) . Out of Area Calls/SLJJ (Sambungan Langsung Jarak Jauh): Pemanggilan dari area asal yang didefinisikan oleh layanan operator. Pengguna dapat melakukan atau menerima panggilan di luar batas dari area asal dengan dikenakan biaya panggilan jarak jauh dan atau biaya roaming (South Dakota Public utilities Commision, 2003). SMS SMS (Short Message Service) adalah layanan yang memberikan fasilitas pengiriman pesan yang berbentuk teks antar telepon mobile. SMS menolong orang tetap berkomunikasi meskipun saluran jaringan penuh. Sering digunakan di masyarakat ketika komunikasi suara tidak memungkinkan (Mcdaniel 2006).
3
MMS Jaringan dengan kemampuan bandwith yang tinggi untuk pengiriman paket data (GPRS atau 2,5 G) dan tersedianya fitur-fitur handset yang rumit dan interaktif mendorong perkembangan mobile messaging ke level selanjutnya, ke arah level multimedia. MMS (Multimedia Messaging Service) dapat menampung informasi seperti plain text dan HTML, beberapa format file audio seperti mp3 dan standar audio lainnya (wav), dan gambar dengan format Graphics Interchange Format (GIF), Joint Photographic Experts Group (JPEG), dan lainnya. MMS menawarkan kesempatan memperoleh pendapatan yang besar kepada operator, manufaktur, application developers, content providers dan investor (Trickey 2003). GPRS GPRS menyajikan layanan internet kepada pelanggannya seperti browsing, download, dan chatting melalui terminal handset yang dimilikinya. WAP (Wireless Application Protocol) banyak digunakan untuk mengakses ke WWW (World Wide Web) melalui layanan GPRS. 3G Layanan yang berhubungan dengan 3G (Third-Generation Technology) menyuguhkan kemampuan untuk melakukan transfer secara simultan baik voice data (panggilan telepon) dan non voice data (seperti download informasi, pertukaran email dan instant messaging). Layanan panggilan streaming video yang paling banyak diunggulkan dari teknologi ini pada saat ini.
Gambar 2 Layanan mobile sekarang ini meliputi aplikasi SAT, layanan berbasis SMS, layanan WAP dan aplikasi J2ME.
Mobile Networking Mobile Networking mengacu kepada teknologi yang mendukung suara dan data atau jaringan konektivitas data menggunakan wireless, melalui solusi transmisi radio. Aplikasi yang paling familiar dari mobile networking adalah telepon selular (The United Kingdom’s education & research network, 2006). Tabel 1 Teknologi Selular 1G ke 4G (Stordahl 2004) Label Teknologi Deskripsi 1G NMT Berbasis transmisi analog Kualitas suara yang jelek Menggunakan transmisi yang tidak aman dan tidak terenkripsi 2G GSM Berbasis transmisi dijital Menggunakan SIM(Subscriber Identify Module) untuk autentikasi pengguna (identifikasi dan pembayaran) Memperkenalkan global roaming dan SMS Kecepatan transfer data sebesar 14.4 kb/s per slot 2.5G GPRS Diimplementasikan di atas jaringan GSM Memperkenalkan WAP Kecepatan transfer data sebesar 171 kb/s (secara teori) 2.75G EDGE Peralihan antara GPRS ke UMTS Kecepatan transfer data sebesar 384 kb/s 3G WCDMA, Memperkenalkan UMTS layanan multimedia (video streaming, mobile TV, high speed data acces) Kecepatan transfer data sebesar 2 Mb/s 4G MobileIP Masih dalam tahap
4
Label
Teknologi
Deskripsi pengembangan Konektivitas ke jaringan global IPv6 untuk mendukung IP address untuk setiap telepon selular Kecepatan transfer data sebesar 2 Mbit/s – 100 Mbit/s
Multi Layer Perceptron (MLP) Suatu network dapat mempunyai beberapa layer. Setiap layer mempunyai suatu pembobot matriks W, suatu bias vektor b, dan suatu output vektor a. Jaringan dengan banyak layer menggunakan suatu variasi teknik pembelajaran, yang paling populer adalah backpropagation atau propagasi balik. Disini nilai output dibandingkan dengan jawaban yang benar untuk menghitung nilai dari beberapa error function yang telah didefinisikan sebelumnya.
Neural Network
Backpropagation Neural Network
Neural Network merupakan gabungan dari elemen-elemen sederhana yang bekerja secara paralel (Mathwork, 1991). Metode komputasional dari Neural Network diinspirasikan oleh cara kerja sel-sel otak manusia dimana untuk berpikir, otak manusia mendapat rangsangan dari neuron-neuron yang terdapat pada indera manusia, kemudian hasil rangsangan tersebut diolah sehingga menghasilkan suatu informasi. Pada komputer, masukan yang diberikan diumpamakan sebagai neuron-neuron dimana masukan tersebut dikalikan dengan suatu nilai dan kemudian diolah dengan fungsi tertentu untuk menghasilkan suatu keluaran. Pada saat pelatihan, pemasukan tersebut dilakukan berulang-ulang hingga dicapai keluaran seperti yang diinginkan. Setelah proses pelatihan, diharapkan komputer dapat mengenali suatu masukan baru berdasarkan data yang telah diberikan pada saat pelatihan. Neural Network adalah sebuah sistem pemrosesan informasi yang memiliki kemiripan karakeristik dan kinerja dengan jaringan syaraf biologis pada makhluk hidup. Menurut Fausett (Fausett, 1994), karakteristik dari sebuah Neural Network ditentukan oleh: (1) pola koneksi antar neuron (disebut juga arsitekturnya), (2) metode penentuan bobot pada setiap koneksinya (disebut juga training atau latihan) dan (3) fungsi aktivasi yang digunakannya. Konsep kerja Neural Network dapat dilihat pada Gambar 3.
Neural Network Propagasi Balik standar merupakan salah satu Neural Network yang memiliki arsitektur lapis jamak (multilayer) dengan satu lapis masukan (input layer), satu atau lebih lapis tersembunyi (hidden layer) dan satu lapis keluaran (output layer). Lapis masukan berfungsi untuk meneruskan input dan tidak melakukan komputasi, sedangkan lapis tersembunyi dan lapis keluaran melakukan komputasi. Arsitektur Backpropagation Neural Network dapat dilihat pada Gambar 4.
Gambar 4 Arsitektur Backpropagation Neural Network. Langkah pertama yang dilakukan Neural Network Propagasi balik adalah inisialisasi bobot dan bias untuk Neural Network. Salah satu metode inisialisasi bobot pada Neural Network propagasi balik adalah inisialisasi Nguyen-Widrow yang didefinisikan sebagai berikut :
β = 0.7 n p
dengan
n = jumlah neuron input p = jumlah neuron hidden β = faktor pengali dan inisialisasi bobotnya adalah :
vij (new) =
Gambar 3 Konsep kerja Neural Network.
β vij (old ) v j (old )
5
dengan vij(old) adalah nilai acak antara -0.5 dan 0.5 sedangkan bias ditentukan secara acak antara -β dan β. Setelah bobot diinisialisasi, proses pelatihan dimulai pada tahap perambatan maju. Masing-masing neuron input (Xi) menerima sinyal input dan menyebarkannya ke tiap neuron hidden (Z1...Zp). Masing-masing neuron hidden menghitung aktivasi dan menyebarkannya ke tiap neuron output. Masing-masing neuron output menghitung aktivasinya untuk membentuk respon jaringan terhadap pola input yang diberikan. Salah satu fungsi aktivasi yang digunakan pada hidden layer dan output layer adalah adalah fungsi log-sigmoid yang memiliki range (0,1) dan definisikan sebagai berikut:
f ( x) =
1 . 1 + e− x
Fungsi ini kontinu dan mempunyai turunan:
f '( x) = f ( x) [1 − f ( x) ] .
Sama seperti pada hidden layer, fungsi f(x) digunakan saat menghitung aktivasi pada tahap panjar maju sedangkan f’(x) digunakan pada tahap propagasi balik. Grafik fungsi logsigmoid digambarkan pada Gambar 5.
Gambar 5 Grafik Fungsi log-sigmoid. Pada tahap propagasi balik, masing-masing neuron output membandingkan nilai aktivasi dengan nilai targetnya sehingga diperoleh galat δk (k = 1,2,...,m). Begitu juga galat δj (j = 1,2,...,p) dihitung pada masing-masing neuron hidden. Setelah galat didapat, bobot untuk semua layer disesuaikan secara simultan. Penyesuaian bobot dari neuron hidden ke neuron output berdasarkan pada galat δk dan aktivasinya, begitu juga penyesuaian bobot dari neuron input ke neuron hidden berdasarkan pada galat δj dan aktivasinya. METODOLOGI Kerangka Penelitian Struktur penelitian dalam pengenalan produk operator dibagi menjadi tiga tahap sebagai berilut:
Tahap pengambilan data Pada tahap pengambilan data dilakukan pengambilan fitur yang signifikan mempengaruhi identifikasi. Pembuangan fitur yang tidak signifikan pengaruhnya dalam pengenalan produk operator. Pengambilan data untuk direpresentasikan menjadi fitur pengenalan pada Neural Network dibagi menjadi tiga tahap, sebagai berikut : a. Pengurangan 70 fitur dari operator menjadi 56 fitur. b. Pembuatan interval waktu untuk penyeragaman waktu off-peak dan peak pada tiap operator. c. Penyusunan dan pengumpulan kuisioner untuk pengambilan data dari pengguna layanan produk operator yang disesuaikan terhadap optimalisasi dari sisi operator. Data dari operator Data yang diambil dari operator yang dipakai dalam penelitian adalah data dari 17 produk operator GSM dan CDMA. Pasca bayar 1. Produk operator Halo (GSM) 2. Produk operator Matrix (GSM) 3. Produk operator X-plor (GSM) 4. Produk operator Fren (CDMA) 5. Produk operator Starone (CDMA) 6. Produk operator Esia (CDMA) 7. Produk operator Flexi (CDMA) Pra bayar 8. Produk operator Simpati (GSM) 9. Produk operator Mentari (GSM) 10. Produk operator Im3 Smart (GSM) 11. Produk operator Fren (CDMA) 12. Produk operator As (GSM) 13. Produk operator Jempol (GSM) 14. Produk operator Bebas (GSM) 15. Produk operator Starone (CDMA) 16. Produk operator Esia (CDMA) 17. Produk operator Flexi (CDMA) Data dari pengguna Pengambilan data dari pengguna didapat dari 45 responden yang berasal dari mahasiswa Institut Pertanian Bogor. Pembagian data untuk dua sisi, sisi operator dan sisi pengguna seperti terlihat dalam Gambar 6. Kuisioner yang diberikan kepada responden berisi 59 buah pertanyaan yang direpresentasikan menjadi 56 input masukan. Pertanyaan tersebut dibagai menjadi berikut :
6
1. Tarif menelepon ponsel ke PSTN : 20 pertanyaan 2. Tarif menelepon ponsel ke ponsel : 25 pertanyaan 3. Tarif SMS : 4 pertanyaan 4. Tarif MMS : 1 pertanyaan 5. Tarif GPRS : 1 pertanyaan 6. Coverage Area : 2 pertanyaan 7. 3G : 6 pertanyaan Untuk lebih lengkapnya , kuisioner dapat dilihat pada Lampiran 4.
Tarif MMS • Tujuan (operator sama, operator lain) dalam satuan rupiah/50 kilobyte. • Ukuran file (per kilobyte data) Tarif GPRS • Packet Based (berdasarkan jumlah data yang diakses atau download) dalam satuan rupiah/kilobyte. Coverage area • Coverage area secara umum.. • Ukuran terkecil dalam wilayah (Provinsi, Kabupaten, Kecamatan, dan Kelurahan) Tarif 3G • Ketersediaan • Video Calling • Mobile Tv Informasi dari pengguna • Umur • Pekerjaan • Produk operator yang dipakai • Lama pemakaian produk operator yang sedang dipakai • Tipe telepon selular • Tanggal pengisian Tabel Fitur untuk Neural Network, dapat dilihat pada Lampiran 1.
Gambar 6 Pembagian data.
Tahap pembangunan model Neural Network
Fitur data yang dapat dikumpulkan Dalam tahapan pengumpulan data dicari data yang lengkap terkait dengan parameter yang digunakan. Sumber data pada penelitian ini yang terdapat di homepage setiap produk operator pada 1 Februari 2007 dan majalah Selular Februari 2007 No. 83 . Data yang dikumpulkan meliputi : Tarif Voice Calling • Tarif prabayar dan pascabayar dalam satuan rupiah. • Zona (lokal, tetangga/SLJJ1, dan seberang/SLJJ2 dan SLJJ3) dalam satuan kilometer dan rupiah/menit. • Tujuan (operator sama, operator lain, dan PSTN) dalam satuan rupiah/menit. • Peak time (dibagi dalam dua bagian yaitu peak time dan off peak ). Tarif SMS • Tujuan (operator sama, operator lain) dalam satuan pesan/rupiah. • SLI (Sambungan Langsung Internasional) dalam satuan pesan/rupiah.
Pembangunan model Neural Network dilakukan dari dua sisi yang berbeda sebagai berikut : a. Pembangunan model Neural Network dari sisi operator, dengan 17 data latih dari operator dan 50 data uji dari pengguna layanan produk operator. b. Pembangunan model Neural Network dari sisi pengguna, dengan 40 data latih dari pengguna layanan produk operator dan 10 data uji dari pengguna layanan produk operator. Tahap pengujian Pengujian untuk pengenalan produk operator akan diukur dengan tiga parameter dari proses pengenalan yang dilakukan, sebagai berikut : a. Pengukuran waktu yang digunakan pada waktu pelatihan (baik dari sisi operator maupun dari sisi pengguna). b. Pengukuran waktu yang digunakan pada waktu pengujian pelatihan (baik dari sisi operator maupun dari sisi pengguna). c. Pengukuran akurasi yang dilakukan dengan membandingkan hasil pengenalan yang salah dan benar pelatihan (baik dari sisi operator maupun dari sisi pengguna).
7
Sisi Operator Data latih = 17 data produk operator Data Uji = 50 data pengguna
Sisi Pengguna Data latih = 40 data pengguna Data uji = 10 data pengguna
Karakteristik
Spesifikasi
Toleransi galat
0.1, 0.05, 0.01, 0.001
Laju pembelajaran
0.1, 0.3, 0.5
Reduksi data
Tabel 3 Definisi Target Sisi Operator No Produk operator Representasi
Representasi fitur data
Sisi Operator Representai 17 Data latih Representasi 50 Data uji
Sisi Pengguna Representasi 40 Data latih Representasi 10 Data uji
Sisi Operator Representai 17 Data latih
Sisi Pengguna Representai 40 Data latih
Pelatihan Backpropagation Neural Network
Sisi Operator Representai 50 Data uji
Sisi Operator Representai 10 Data uji
Model Neural Network
Pengujian Model Neural Network
Perhitungan Akurasi dan waktu
Hasil Pengenalan
Gambar 7 Proses pengenalan produk operator. Arsitektur Neural Network Penelitian ini menggunakan arsitektur jaringan lapis jamak dengan satu lapis tersembunyi. Jumlah neuron pada lapis masukan disesuaikan dengan dimensi jumlah fitur pada data masukan (56 fitur). Tabel 2 Arsitektur Neural Network Sisi Operator Karakteristik Spesifikasi Arsitektur
Feedforward tiga lapis
Neuron lapis masukan
Dimensi masukan(56 fitur)
Neuron lapis tersembunyi
10-100
Neuron lapis keluaran
5
Inisialisasi bobot
Nguyen-Widrow
Fungsi aktivasi
Sigmoid biner
1
Halo
00000
2
Matrix
00001
3
X-plor
00010
4
Fren pasca bayar
00011
5
Starone pasca bayar
00100
6
Esia pasca bayar
00101
7
Flexi pasca bayar
00110
8
Simpati
00111
9
Mentari
01000
10
Im3 Smart
01001
11
Fren pra bayar
01010
12
As
01011
13
Jempol
01100
14
Bebas
01101
15
Starone pra bayar
01110
16
Esia pra bayar
01111
17
Flexi pra bayar
10000
Tabel 4 Arsitektur Neural Network Sisi Pengguna Karakteristik Spesifikasi Arsitektur
Feedforward tiga lapis
Neuron lapis masukan
Dimensi masukan(56 fitur)
Neuron lapis tersembunyi
10-100
Neuron lapis keluaran
3
Inisialisasi bobot
Nguyen-Widrow
Fungsi aktivasi
Sigmoid biner
Toleransi galat
0.01, 0.005, 0.001
