Penentuan Kelayakan Lokasi Wifi.Id Corner Dengan AHP-PSO (Studi Kasus: Telkom Kota Kediri)

Jurnal Pengembangan Teknologi Informasi dan Ilmu Komputer Vol. 2, No. 1, Januari 2018, hlm. 21-28

e-ISSN: 2548-964X http://j-ptiik.ub.ac.id

Penentuan Kelayakan Lokasi Wifi.Id Corner Dengan AHP-PSO (Studi Kasus: Telkom Kota Kediri) Ulfa Lina Wulandari1, Dian Eka Ratnawati2, M. Ali Fauzi3 Teknik Informatika, Fakultas Ilmu Komputer, Universitas Brawijaya Email: [email protected], [email protected], [email protected] Abstrak Wifi.id Corner (wico) merupakan fasilitas publik inovasi dari Telkom berupa tempat yang menyediakan akses internet dengan kecepatan tinggi hingga 100 Mbps. Saat ini penentuan lokasi pemasangan Wifi.id Corner Telkom Kediri dilakukan berdasarkan pertimbangan dari pihak dan manajer Divisi Wireless Broadband (DWB). Sehingga sering kali mengalami kesulitan dalam menentukan kelayakan lokasi pemasangan Wifi.id Corner dari beberapa lokasi yang diajukan. Hal ini disebabkan karena sulitnya untuk menentukan kelayakan lokasi serta lokasi mana yang dapat memberikan manfaat yang maksimal bagi masyarakat dan bagi Telkom Kediri. Dalam menentukan kelayakan lokasi Wifi.id Corner terdapat 4 kriteria yang ditetapkan perusahaan yaitu, ketersediaan jaringan, keramaian pengguna, jenis lokasi dan kepadatan Wifi.id Corner di sekitar lokasi tersebut. Untuk memecahkan masalah tersebut digunakan metode Analytic Hierarchy Process (AHP) dan Particle Swarm Optimization (PSO). PSO digunakan untuk mengoptimasi nilai bobot matriks perbandingan pada AHP. Panjang dimensi yang digunakan ialah 6. Dimana setiap nilai dimensi mewakili nilai perbandingan tiap kriteria pada matriks perbandingan. Data yang digunakan pada penelitian ini adalah data lokasi Wifi.id Corner Telkom Kediri sebanyak 50. Dari hasil pengujian diperoleh nilai rata-rata fitness yang optimal yaitu 0,94 dengan parameter nilai threshold sebesar 0,018, partikel sebanyak 250 dan iterasi sejumlah 10 sehingga hasil akurasi yang diperoleh adalah 94%. Kata kunci: penentuan lokasi, Wifi.id Corner, Telkom Kediri, AHP, PSO Abstract Wifi.id Corner (wico) is a public facility of innovation from Telkom in the form of a place that provides internet access with high speed up to 100 Mbps. Currently, the determination of the location of Wifi.id Corner Telkom Kediri is done based on the consideration of the parties and managers of Wireless Broadband Division (DWB). So often have difficulty in determining the feasibility of installation location Wifi.id Corner from several proposed locations. This is due to the difficulty to determine the feasibility of location and which location can provide maximum benefits for the community and for Telkom Kediri. In determining the feasibility of Wifi.id Corner location there are 4 criteria by the company. There are the availability of network, users crowded, location type and density of Wifi.id Corner around the location. To solve this problem used Analytic Hierarchy Process (AHP) and Particle Swarm Optimization (PSO) methods. PSO is used to optimize the value of comparison matrix weight in AHP. The length of the used dimension is 6. Where each dimension value represents the comparative value of each criteria in the comparison matrix. In this research used 50 data location of Wifi.id Corner Telkom Kediri. From the test results obtained by the average fitness value of 0,94 with parameters of threshold value of 0,018, size of particles is 250 and number of iteration is 10 so that the obtained accuracy is 94%. Keywords: location determination, Wifi.id Corner, Telkom Kediri, AHP, PSO 1.

semakin meningkat dan seolah internet merupakan salah satu kebutuhan primer bagi masyarakat Indonesia. e-Marketer memperkirakan pada tahun 2017 pengguna

PENDAHULUAN

Perkembangan teknologi informasi dan telekomunikasi di Indonesia yang semakin pesat membuat kebutuhan akan internet Fakultas Ilmu Komputer Universitas Brawijaya

21

Jurnal Pengembangan Teknologi Informasi dan Ilmu Komputer

internet di Indonesia akan mencapai 112 juta orang, mengalahkan Jepang di peringkat ke-5 yang pertumbuhan jumlah pengguna internetnya yang tidak begitu cepat (www.kominfo.go.id, 2014). Wifi.id Corner (wico) adalah fasilitas publik inovasi dari Telkom berupa tempat yang menyediakan akses internet dengan kecepatan tinggi hingga 100 Mbps. Hingga saat ini, Telkom telah berhasil membangun lebih dari 100.000 titik akses wifi.id yang tersebar diseluruh Indonesia (www.wifi.id, 2017). Seperti yang dilakukan Telkom Kediri untuk terus membangun dan meratakan penyebaran lokasi Wifi.id Corner di Kediri – Jawa Timur. Dengan adanya Wifi.id Corner, dapat memenuhi kebutuhan masyarakat akan layanan internet, dan tentunya diharapkan dapat meningkatkan pendapatan dari Telkom Kediri itu sendiri. Dalam menentukan lokasi baru pemasangan Wifi.id Corner diperlukan pertimbangan-pertimbangan yang matang. Saat ini penentuan lokasi baru pemasangan Wifi.id Corner dilakukan berdasarkan pertimbangan dari pihak dan manajer Divisi Wireless Broadband (DWB). Sehingga dalam hal ini sering kali mengalami kesulitan dalam menentukan lokasi baru pemasangan Wifi.id Corner dari beberapa lokasi yang diajukan, karena sulitnya untuk menentukan kelayakan lokasi serta lokasi mana yang dapat memberikan manfaat yang maksimal bagi masyarakat dan bagi Telkom Kediri. Sulitnya untuk menentukan lokasi baru Wifi.id Corner disebabkan karena untuk menentukan lokasi tersebut harus memenuhi kriteria-kriteria yang ditetapkan perusahaan. Pada penelitian sebelumnya yang dilakukan oleh Mika Indika pada tahun 2010 dengan judul “Sistem Pendukung Keputusan Penentuan Lokasi Pembangunan Tower Base Transceiver Station (BST) Pada PT. XL Axiata Tbk-Medan dengan Metode Analytic Hierarchy Process (AHP)”, dengan menggunakan perhitungan AHP dimana masing-masing kriteria dalam hal ini merupakan faktor penilaian dalam membandingkan satu kandidat lokasi dengan kandidat lokasi lainnya. Hasil penelitian ini berupa nilai prioritas masing-masing calon Fakultas Ilmu Komputer, Universitas Brawijaya

22

lokasi tower. Penelitian lain dilakukan oleh Kudori pada tahun 2016 tentang penentuan lokasi cabang usaha toko roti dengan menggunakan metode Weighted Product (WP) dan PSO. PSO diterapkan untuk mengoptimasi nilai bobot yang digunakan untuk perhitungan pada metode WP. Pada hasil pengujian korelasi hubungan dari sistem didapatkan sebesar 0.99. Dalam mengatasi permasalahan tersebut digunakan metode AHP dan PSO. AHP digunakan sebagai penghitung bobot dari masing-masing kriteria. AHP diterapkan karena mempertimbangkan konsistensi logis dalam penilaian yang dipakai untuk menentukan prioritas (Javanbarg et al., 2012). Sedangkan PSO digunakan untuk optimasi matriks pembobotan karena desentralisasi yang tinggi, kerjasama antar partikel (Suzanti et al., 2012), serta implementasi yang sederhana membuat PSO dapat digunakan untuk menyelesaikan permasalahan optimasi secara efisien (Alrijadjis & Astrowulan, 2010). 2. WIFI.ID CORNER Wifi.id adalah jaringan internet publik nirkabel yang disediakan oleh Telkom atau penyedia jasa internet yang bekerja sama dengan Telkom. Wifi.id Corner (wico) adalah fasilitas publik inovasi dari Telkom berupa tempat yang menyediakan akses internet dengan kecepatan tinggi hingga 100 Mbps. Hingga saat ini, Telkom telah berhasil membangun lebih dari 100.000 titik akses wifi.id yang tersebar di seluruh Indonesia (www.wifi.id, 2017). Dalam penentuan lokasi baru pemasangan Wifi.id Corner terdapat kriteria-kriteria yang digunakan sebagai standar kelayakan lokasi baru Wifi.id Corner, yaitu: a. Ketersediaan jaringan b. Tingkat keramaian c. Jenis lokasi d. Kepadatan (density) 3. ANALYTIC HIERARCHY PROCESS (AHP) AHP merupakan sebuah metode yang memecah permasalahan kompleks atau rumit dengan banyak kriteria dalam keadaan yang

Jurnal Pengembangan Teknologi Informasi dan Ilmu Komputer

tidak terstruktur menjadi hierarki. Mengatur bagian atau variabel menjadi suatu bentuk susunan hierarki, kemudian memberikan nilai numerik untuk penilaian subjektif terhadap kepentingan relatif dari setiap variabel dan mensintesis penilaian untuk variabel mana yang memilik prioritas tertinggi yang akan mempengaruhi penyelesaian dari keadaan tersebut (Benítez, 2012). Tahapan-tahapan dalam AHP (Putri, 2015): a. Mendefinisikan masalah serta menentukan perbandingan berpasangan kriteria. b. Menentukan matriks perbandingan berpasangan c. Normalisasi, yaitu tiap nilai dalam kolom matriks dibagi dengan hasil penjumlahan kolomnya. d. Menghitung Eigen Vektor (bobot prioritas kriteria) e. Menghitung Eigen Value (Lamda Maksimum) dengan menjumlahkan hasil jumlah kolom dan dibagi dengan jumlah kriteria. f. Menghitung CI (Consistency Index) menggunakan persamaan (1).

𝐶𝐼 =

𝜆𝑚𝑎𝑥 −𝑛 (𝑛−1)

(1)

Keterangan: CI : Consistency Index 𝜆𝑚𝑎𝑥 : nilai eigen terbesar dari matriks berordo n n : jumlah kriteria g. Menghitung konsistensi nilai CR (Consistency Ratio) menggunakan persamaan (2).

𝐶𝑅 =

𝐶𝐼 𝑅𝐼

(2)

CR : Consistency Ratio RI : Random Index Pada penenlitian ini menggunakan nilai RI sebesar 0,9. Kemudian memeriksa hasil nilai CR. Jika nilai CR<0,1 maka hasilnya dapat dinyatakan konsisten. 4. PARTICLE SWARM OPTIMIZATION (PSO) PSO adalah swarm intelligence metaheuristik yang terinspirasi oleh perilaku Fakultas Ilmu Komputer, Universitas Brawijaya

23

sekelompok hewan, seperti burung dan ikan. Seperti halnya algoritma genetika yang berbasis populasi dan iteratif hingga kondisi berhenti terpenuhi. Pada algoritma PSO, swarm merupakan jumlah partikel dalam populasi pada suatu algoritma (Harman, 2017). Kelebihan PSO diantaranya, desentralisasi yang tinggi, kerjasama antar partikel (Suzanti et al., 2012), serta implementasi yang sederhana membuat PSO dapat digunakan untuk menyelesaikan permasalahan optimasi secara efisien (Alrijadjis & Astrowulan, 2010). Terdapat beberapa tahapan dalam PSO antara lain: 1. Proses inisialisasi swarm atau populasi partikel awal menggunakan persamaan (3).

𝑥 = 𝑥𝑚𝑖𝑛 + 𝑟𝑎𝑛𝑑 [0,1] × (𝑥𝑚𝑎𝑥 − 𝑥𝑚𝑖𝑛 ) (3) Keterangan: 𝑥𝑚𝑖𝑛 : batas bawah posisi partikel 𝑥𝑚𝑎𝑥 : batas atas posisi partikel 𝑟𝑎𝑛𝑑[0,1]: bilangan random antara 0 sampai 1 2. Menghitung partikel.

fitness

masing-masing

3. Menentukan Pbest dan Gbest dari setiap iterasi. 4. Menghitung kecepatan setiap untuk iterasi selanjutnya menggunakan persamaan (4).



vit,j1  w.vit, j  c1 .r1 Pbestit, j  xit, j



 c2 .r2 Gbestgt , j  xit, j



partikel dengan



(4)

𝑡 Pada persamaan (4), 𝑣𝑖,𝑗 merupakan kecepatan partikel ke-i pada dimensi ke-j pada iterasi ke-t. w merupakan bobot inertia, c1 dan c2 adalah koefisien 𝑡 akselerasi. 𝑥𝑖,𝑗 adalah posisi partikel ke-i pada dimensi ke-j pada iterasi ke-t. 𝑡 𝑃𝑏𝑒𝑠𝑡𝑖,𝑗 adalah posisi terbaik yang dicapai 𝑡 partikel, sedangkan 𝐺𝑏𝑒𝑠𝑡𝑔,𝑗 adalah posisi terbaik dari seluruh partikel.

5. Menghitung posisi partikel untuk iterasi selanjutnya menggunakan persamaan (5).

Jurnal Pengembangan Teknologi Informasi dan Ilmu Komputer

𝑡+1 𝑡 𝑡+1 𝑥𝑖,𝑗 = 𝑥𝑖,𝑗 + 𝑣𝑖,𝑗

(5)

𝑡+1 Pada persamaan (5), 𝑥𝑖,𝑗 adalah posisi partikel ke-i pada dimensi ke-j pada iterasi 𝑡+1 ke-(t+1). 𝑣𝑖,𝑗 adalah kecepatani partikel ke-i pada dimensi ke-j pada iterasi ke(t+1).

6. Kemudian, kembali ke proses perhitungan fitness dan proses akan berlanjut hingga pada jumlah iterasi maksimum atau kondisi berhenti. 5. OPTIMASI BOBOT AHP MENGGUNAKAN PSO Diagram alir optimasi AHP menggunakan PSO dapat dilihat pada Gambar 1. 5.1 Inisialisasi Tahapan dalam proses inisialisasi awal, yaitu inisialisasi kecepatan awal, dan inisialisasi posisi partikel. Pada iterasi ke-0 (t=0) nilai kecepatan awal semua partikel adalah nol (vi,j(t)=0) Posisi awal partikel dibangkitkan secara acak menggunakan persamaan (3) dengan panjang dimensi 6 serta nilai xmax dan xmin sebesar 1 dan 9. Nilai tersebut diperoleh dari metode AHP yang memiliki nilai skala perbandingan dari 1 hingga 9. Posisi awal partikel dapat dilihat pada Tabel 1.

24

AHP hingga diperoleh nilai bobot proritas tiap kriteria, seperti yang ditunjukkan Tabel 3. START

popSize, dimensi, xmax, xmin

Inisialisasi Kecepatan Awal

Inisialisasi Posisi Awal

i=0 to popSize -1

Masukkan nilai partikel ke matriks perbandingan Update Posisi

Proses AHP

Update Kecepatan

i

Hitung Fitness

Tentukan Pbest

Tabel 1. Posisi Awal Partikel Tentukan Gbest

5.2 Proses AHP Kriteria lokasi Wifi.id Corner dapat diligat pada Tabel 2.

Iterasi = iterasiMax

Tidak

Ya

Tabel 2. Kriteria Lokasi Wifi.id Corner

fitness[], pbest[], gbest[]

END

Selanjutnya merubah partikel menjadi matriks perbandingan berpasangan yang dilanjutkan dengan proses perhitungan pada Fakultas Ilmu Komputer, Universitas Brawijaya

Gambar 1. Diagram Alir Optimasi AHP menggunakan PSO

Jurnal Pengembangan Teknologi Informasi dan Ilmu Komputer

25

Tabel 3. Nilai Bobot Prioritas

5.3 Hitung Fitness Dari hasil kelayakan lokasi, dapat dilakukan perhitungan nilai fitness menggunakan akurasi (Mu’asyaroh, 2016) pada persamaan (6).

𝑓𝑖𝑡𝑛𝑒𝑠𝑠 =

∑ 𝑑𝑎𝑡𝑎 𝑏𝑒𝑛𝑎𝑟 ∑ 𝑑𝑎𝑡𝑎

𝑥 100% (6)

Proses perhitungan fitness dilakukan dengan membandingkan data hasil perhitungan menggunakan sistem dengan data dari Telkom Kediri (data asli). 5.4 Menentukan Pbest dan Gbest Menentukan nilai Pbest dan Gbest dilakukan dengan cara membandingkan antara Pbest pada iterasi sebelumnya dengan hasil dari update posisi pada iterasi ke-(t+1). Pbest terbaru dengan nilai fitness tertinggi akan menjadi Gbest. Gbest yang didapat pada iterasi maksimum digunakan sebagai nilai bobot untuk matriks perbandingan pada AHP. 5.5 Update Kecepatan dan Update Posisi Update kecepatan dan update posisi dilakukan ketika iterasi >0 dengan menggunakan persamaan (4) dan (5). 6. PENGUJIAN DAN ANALISIS

Gambar 2. Grafik Hasil Pengujian Nilai Threshold

Pada Gambar 2, menunjukkan bahwa nilai rata-rata fitness terbesar didapatkan dari nilai threshold sebesar 0,018 dengan nilai rata-rata fitness 0,908. Pada nilai threshold 0,01 sampai 0,018 nilai rata-rata fitness mengalami peningkatan. Hal ini disebabkan semakin besar nilai threshold maka semakin besar nilai fitness yang dihasilkan karena nilai bobot alternatif dari hasil perhitungan yang diambil semakin banyak. Sedangkan, pada nilai threshold mulai 0,02 nilai rata-rata fitness mengalami penurunan. Hal ini disebabkan semakin besar nilai threshold maka semakin kecil nilai fitness yang dihasilkan karena nilai bobot altenatif dari hasil perhitungan yang diambil juga semakin kecil. 6.2 Pengujian Banyaknya Partikel Pengujian banyaknya partikel bertujuan untuk menentukan jumlah partikel terbaik untuk mendapatkan nilai fitness yang optimal. Pengujian ini dilakukan sebanyak 10 kali untuk tiap jumlah partikel. Pada pengujian ini menggunakan nilai threshold sebesar 0,018 dan iterasi sejumlah 10. Hasil pengujian banyaknya jumlah partikel dapat dilihat pada Gambar 3.

6.1 Pengujian Nilai Threshold Pengujian nilai threshold bertujuan untuk menentukan nilai threshold terbaik yang akan digunakan dalam sistem untuk mendapatkan hasil solusi terbaik. Pengujian ini dilakukan sebanyak 10 kali untuk setiap nilai threshold. Pada pengujian ini menggunakan iterasi sebanyak 10 dan jumlah partikel sebesar 20. Hasil pengujian nilai threshold dapat dilihat pada Gambar 2.

Gambar 3. Grafik Hasil Pengujian Banyaknya Partikel

Pada Gambar 3, menunjukkan bahwa nilai rata-rata fitness terkecil didapat pada jumlah Fakultas Ilmu Komputer, Universitas Brawijaya

Jurnal Pengembangan Teknologi Informasi dan Ilmu Komputer

partikel sebanyak 10 dengan nilai rata-rata fitness sebesar 0,862. Nilai rata-rata fitness mulai meningkat pada jumlah partikel 20. Hal ini menunjukkan bahwa semakin banyak partikel maka nilai rata-rata fitness yang dihasilkan cenderung meningkat karena semakin banyak partikel berarti semakin banyak pula kemungkinan solusi yang didapatkan. Nilai rata-rata fitness mulai menunjukkan hasil yang konvergen pada jumlah partikel 250 karena nilai rata-rata fitness pada partikel selanjutnya tidak mengalami kenaikan. 6.3 Pengujian Jumlah Iterasi

26

Parameter yang digunakan sebagai berikut. Nilai threshold : 0,018 Iterasi : 10 Partikel : 250 Pengujian dilakukan dengan menentukan kelayakan pada tiap lokasi Wifi.id Corner. Lokasi Wifi.id Corner dikatakan layak apabila hasil akhir dari perhitungan sistem melebihi nilai threshold. Hasil kelayakan lokasi dari proses perhitungan sistem kemudian akan dibandingkan dengan data asli. Jika hasilnya sama maka data dianggap benar. Hasil pengujian ini dapat dilihat pada Tabel 4. Tabel 4. Hasil Pengujian Kelayakan Lokasi

Pengujian jumlah iterasi dilakukan untuk mengetahui jumlah iterasi yang terbaik untuk menghasilkan solusi yang optimal. Pengujian ini dilakukan sebanyak 10 kali untuk tiap jumlah iterasi. Pada pengujian ini menggunakan nilai threshold sebesar 0.018 dan partikel sebanyak 50. Hasil pengujian jumlah iterasi dapat dilihat pada Gambar 4.

Gambar 4. Grafik Hasil Pengujian Jumlah Iterasi

Pada Gambar 4, menujukkan bahwa nilai rata-rata fitness terbesar didapatkan pada iterasi ke-90 yaitu sebesar 0,936. Pada iterasi ke-100 nilai rata-rata fitness mengalami penurunan yaitu menjadi sebesar 0,916. Nilai rata-rata fitness mulai menunjukkan hasil yang konvergen pada iterasi ke-200 karena nilai ratarata fitness pada iterasi selanjutnya tidak mengalami kenaikan. 6.4 Pengujian dan Analisis Sistem Pengujian ini dilakukan untuk mendapatkan nilai akurasi dari sistem. Pengujian dilakukan dengan menggunakan parameter PSO pada pengujian sebelumnya. Fakultas Ilmu Komputer, Universitas Brawijaya

Berdasarkan Tabel 4 terdapat 50 data

Jurnal Pengembangan Teknologi Informasi dan Ilmu Komputer

lokasi yang telah diuji dengan menggunakan parameter PSO. Hasil pengujian menunjukkan bahwa sebanyak 47 data hasil kelayakan lokasi Wifi.id Corner sama dengan data asli. Hal ini berarti terdapat 47 data benar, sehingga nilai akurasi yang diperoleh sebagai berikut. 47 𝑥 100% = 94% 50

Hasil uji coba yang dilakukan tersebut menunjukkan bahwa akurasi yang diperoleh ialah sebesar 94%. Tingkat akurasi dipengaruhi oleh hasil kelayakan lokasi dari Wifi.id Corner. Data dianggap benar jika hasil kelayakan dari proses perhitungan sistem sama dengan data asli. 7. KESIMPULAN Penerapan metode AHP dan PSO dalam penentuan lokasi baru Wifi.id Corner Telkom Kediri yaitu dengan mengoptimasi nilai bobot matriks perbandingan pada AHP menggunakan PSO. Panjang dimensi yang digunakan ialah 6. Dimana setiap nilai dimensi mewakili nilai perbandingan tiap kriteria pada matriks perbandingan. Dalam proses penentuan Pbest terdapat proses AHP untuk menentukan kelayakan lokasi Wifi.id Corner yang kemudian dihitung nilai fitnessnya dengan akurasi. Berdasarkan pengujian nilai threshold, didapatkan nilai threshold yang paling baik untuk permasalahan penentuan lokasi baru Wifi.id Corner Telkom Kediri ialah 0,018 dengan nilai rata-rata fitness sebesar 0,908 sehingga menghasilkan nilai fitness yang optimal. Solusi yang didapatkan dari metode AHP dan PSO untuk menyelesaikan permasalahan penentuan lokasi baru Wifi.id Corner Telkom Kediri menghasilkan nilai rata-rata fitness paling optimal ialah sebesar 0,94 sehingga hasil akurasi yang diperoleh yaitu 94%. Nilai akurasi ini didapatkan dengan parameter nilai threshold sebesar 0,018, iterasi sejumlah 10, dan partikel sebanyak 250. Nilai akurasi tersebut menunjukkan bahwa AHP dan PSO dapat diterapkan untuk menyelesaikan masalah penentuan lokasi baru Wifi.id Corner Telkom Kediri. Fakultas Ilmu Komputer, Universitas Brawijaya

27

Penelitian selanjutnya dapat menggunakan kriteria yang lebih banyak dengan melakukan wawancara kepada ahli dan melakukan observasi lebih lanjut. 8. REFERENSI Alrijadjis & Astrowulan, K., 2010. Optimasi Kontroler PID Berbasis Particle Swarm Optimization (PSO) untuk Sistem dengan Waktu Tunda. Surabaya: Politeknik Elektronika Negeri Surabaya Benítez, J., Delgado-Galván, X., Izquierdo, J., 2012. An Approach to AHP Decision In A Dynamic Context. Valencia: Universitat Politècnica de València Harman, R., 2017. A Very Brief Introduction to Particle Swarm Optimization. [pdf] Tersedia di: <www.iam.fmph.uniba.sk/ospm/Harman/ PSO.pdf> [diakses tanggal 30 Maret 2017] Indika, M., 2010. Sistem Pendukung Keputusan Penentuan Lokasi Pembangunan Tower Base Transceiver Station (BST) Pada PT. XL Axiata Tbk-Medan Dengan Metode Analytic Hierarchy Process (AHP). [pdf] Tersedia di: [diakses tanggal 13 Februari 2017] Javanbarg, MB., Scawthorn, C., Kiyono, J., Shahbodaghkhan, B., 2012. Fuzzy AHPBased Multicriteria Decision Making Systems Using Particle Swarm Optimization. Kyoto: Kyoto University Kementerian Komunikasi dan Informatika, 2014. Pengguna Internet Indonesia Nomor Enam Dunia. [online] Tersedia di: [diakses 10 Februari 2017] Kudori, DS., 2016. Penentuan Lokasi Cabang Usaha Toko Roti dengan Metode Weighted Product dan Optimasi Bobot dengan Metode Particle Swarm

Jurnal Pengembangan Teknologi Informasi dan Ilmu Komputer

Optimization. Brawijaya

Malang:

Universitas

Mu’asyaroh, 2016. Implementasi Algoritma Genetika Dalam Optimasi Model AHP dan Topsis Untuk Penentuan Kebenaran Pengisian Bibit Ayam Boiler di Kandang Peternak. Malang: Universitas Brawijaya Putri, AMDA., Mahmudy, WF., Cholissodin, I., 2015. Optimasi Model Fuzzy AHP dengan Menggunakan Algoritma Evolution Strategies (Studi Kasus Pemilihan Calon Penerima Beasiswa PTIIK Universitas Brawijaya). Malang: Universitas Brawijaya Suzanti et al., 2012. Swarm Intelligence. Yogyakarta: Universitas Gadjah Mada Wifi.id Indonesia WIFI.ID, 2015. Wifi.id Corner. [online] Tersedia di: [diakses 10 Februari 2017]

Fakultas Ilmu Komputer, Universitas Brawijaya

28