PREDIKSI INTENSITAS TRAFFIC MENGGUNAKAN DYNAMIC FORECASTING Nora Puspita Syari, Mike Yuliana, ST.MT, Ronny Susetyoko, SSi, MSi Jurusan Teknik Telekomunkasi - Politeknik Elektronika Negeri Surabaya Institut Teknologi Sepuluh Nopember (ITS) Surabaya Kampus PENS-ITS, Keputih, Sukolilo, Surabaya. Telp : +62+031+5947280; Fax. +62+031+5946011 Email :
[email protected]
Abstrak GSM adalah sebuah teknologi komunikasi selular digital. Pada komunikasi berbasis GSM , RNC (Radio Network Controller) bagian yang paling penting karena RNC mengatur semua fungsi switching agar semua proses data yang dikirim dapat disalurkan ke tujuan. Dari RNC dapat diketahui kepadatan lalu lintas trafik dari semua jenis layanan yang ditawarkan oleh suatu provider telekomunikasi, mulai dari traffic voice sampai traffic video. Khususnya layanan video ini merupakan perkembangan dari layanan UMTS/3G. Selain itu layanan 3G juga menawarkan layanan paket dasar yaitu text, suara gambar dan multimedia dengan kecepatan data mencapai 2 Mbps. Pada tugas akhir telah digunakan model Trend Analysis dan Regresi Polinomial, Double Moving Average serta model Double Exponential Smoothing. Keempat model atau metode ini diaplikasikan pada prediksi data trafik di 8 RNC dari salah satu provider GSM di wilayah Jawa Timur dengan tujuan untuk mendapat nilai MSE (Mean Square Error) yang paling kecil. Dari hasil pengujian traffic voice terlihat bahwa untuk rata-rata nilai MSE terkecil hampir disemua kabupaten ada pada metode double exponential smoothing. Pada kabupaten Kodya Kediri nilai MSE nya 16.577, 67, pada kabupaten Kota Pasuruan nilai MSE 2.553,84. Pengecualian untuk kabupaten Malang nilai MSE terkecilnya ada pada metode regresi polinomial yaitu 299.973,6. Untuk prediksi traffic video, hampir disemua kabupaten metode yang memiliki nilai MSE terkecil adalah metode double exponential smoothing. Pada kabupaten Kodya Kediri nilai MSE nya 58,2. Pada kabupaten Mojekerto nilai MSE nya 21,17. Kecuali pada kabupaten Magetan nilai MSE terkecilnya ada pada metode Double Moving Average yaitu 28,62.
Kata kunci : Trend Analysis Linear dan Trend Analysis Kuadratik, Moving Average, Single dan Double Exponential Smoothing, Data Trafik.
I.
PENDAHULUAN Dengan semakin berkembangnya teknologi telekomunikasi menjadikan manusia ingin saling berkomunikasi tanpa dibatasi tempat dan waktu. Tidak hanya kebutuhan komunikasi voice saja, kebutuhan akan komunikasi video pun meningkat. Terbukti dengan berkembangnya layanan 3G di dunia pertelekomunikasian. Tentunya dengan perkembangan yang sedemikian rupa, trafik komunikasi menjadi semakin padat, secara otomatis dengan trafik yang padat akan muncul suatu kendala pada pelaksanaan komunikasi itu sendiri sehingga sangat dibutuhkan suatu prediksi trafik untuk meminimalisasi kendala tersebut. Pada tugas akhir ini akan digunakan model Trend Analysis dan Regresi Polinomial, model Double Moving Average serta model Double Exponential Smoothing untuk melakukan suatu prediksi trafik di 8 RNC dari salah satu provider GSM di wilayah Jawa Timur. Pemilihan model tersebut didasarkan pada jenis atau pola data trafik yang digunakan serta keakuratan dari masing-masing model dalam hal memperoleh nilai MSE (Mean Square Error). II. Forecasting(Peramalan) II.1. Pengertian Forecasting Peramalan merupakan alat bantu yang penting dalam perencanaan yang efektif dan efisien. Menurut Makridakis (1999), teknik peramalan terbagi menjadi dua bagian, yang pertama metode peramalan subjektif dan metode peramalan objektif. Metode peramalan subjektif mempunyai metode kualitatif dan metode peramalan objektif mempunyai dua model, yaitu metode time series dan model kausal. Model kualitatif berupaya memasukkan faktor-faktor subyektif
dalam model peramalan, model ini akan sangat bermanfaat jika data kuantitatif yang akurat sulit diperoleh. Contoh dari metode ini ialah metode delphi, opini juri eksekutif, komposit kekuatan dan survey pasar konsumen. Model kausal memasukkan dan menguji variabel-variabel yang diduga akan mempengaruhi variabel dependen, model ini biasanya menggunakan analisis regresi untuk menentukan mana variabel yang signifikan mempengaruhi variabel dependen. Selain menggunakan analisis regresi, model kausal juga dapat menggunakan metode ARIMA atau Box-Jenkins untuk mencari model terbaik yang dapat digunakan dalam peramalan. Contoh dari model time series ini antara lain Moving Average, Eksponential Smoothing dan proyeksi trend.[8] II.2. Data Runtun Waktu (Time Series) Data yang direkam didalam interval waktu yang sama di dalam jangka waktu yang relatif panjang disebut data runtun waktu. Dengan mengamati data runtut waktu akan terlihat empat komponen yang mempengaruhi suatu pola data masa lalu dan sekarang, yang cenderung berulang di masa mendatang. Empat komponen yang ditemukan dalam analisis runtun waktu adalah : 1. Trend, yaitu komponen jangka panjang yang mendasari pertumbuhan (ataupenurunan) suatudata runtutwaktu. 2. Siklikal (cyclical), yaitu suatu pola fluktuasi atau siklus dari data runtut waktu akibat perubahan kondisi ekonomi. 3. Musiman (seasonal), yaitu fluktuasi musiman yang sering dijumpai pada data kuartalan, bulanan atau mingguan. 4. Takberaturan (irregular), yaitu pola acak yang disebabkan oleh peristiwa yang tidak dapat diprediksi atau tidak beraturan, seperti perang, pemogokan, pemilu, atau longsor maupun bencana alam lainnya Model runtut waktu berusaha untuk memprediksi masa depan dengan menggunakan data historis. Dengan kata lain, model runtut waktu mencoba melihat apa yang terjadi pada suatu kurun waktu tertentu dan menggunakan data runtut waktu masa lalu untuk memprediksi. II.3. Traffic Secara umum trafik dapat diartikan sebagai perpindahan informasi dari satu tempat
ke tempat lain melalui jaringan telekomunikasi. Intensitas traffic menyatakan jumlah ratarata dari panggilan-panggilan yang terjadi secara bersama-sama selama selang waktu tertentu. II.4
Trend Analysis Metode ini dapat digunakan jika data masa lalu yang ada cenderung membentuk garis lurus. Persamaan untuk metode ini adalah [11]: = + (1)
Dimana : Y = Nilai observasi (data asli) = Nilai trend X = Variabel waktu N = Jumlah data II.5 Regresi Polinomial Untuk jangka waktu pendek, kemungkinan trend tidak bersifat linear. Metode ini adalah contoh metode nonlinear. [11] Yk = a + bX + cX2
(2)
Koefisian a, b, dan c diperoleh dengan : =
∑ ∑
= =
∑ ∑
∑ ∑ ∑ ∑ ∑
(3) (4) (5)
II.5 Double Moving Average 11.5.1 Rata-rata Bergerak Sederhana (Simple Moving Average) Banyaknya elemen atau cacah rata-rata bergerak orde n, yang dapat dibuat dari N buah data runtun waktu adalah N-n+1. Jika XT data yang paling baru, maka rata-rata bergerak yang paling baru adalah [11] :
= + − −
(6)
Dimana : MT = Nilai rata-rata bergerak sederhana (Simple Moving Average) MT-1 = Nilai rata-rata bergerak sebelumnya n = Banyaknya elemen atau cacah rata-rata bergerak orde n XT = Data yang paling baru XT-n = Data sebelumnya dari data yang paling baru
3. II.5.2 Rata-rata Bergerak Rangkap Dua (Double Moving Average) Rata-rata bergerak dari rata-rata bergerak sederhana disebut rata-rata bergerak rangkap dua (double moving average). Jika symbol MT(2) menyatakan rata-rata bergerak rangkap dua maka [11] :
= + + ⋯ +
(7)
Dimana : = Nilai rata-rata bergerak rangkap dua = Nilai rata-rata bergerak sederhana n = Banyaknya elemen atau cacah ratarata bergerak orde n II.6 Model Double Exponential Smoothing Permintaan yang menunjukkan sifat trend dapat dinyatakan dengan model sebagai berikut [11] :
= ! + 1 − !
=
! + 1 − !
(8)
4.
5.
6.
Penentuan pemodelan apa saja yang digunakan dalam prediksi trafik ini. Mencari nilai Mean Square Error (MSE) yang paling kecil pada trafik voice dan video yang ada menggunakan model Trend Analysis Linear dan Kuadratik, model MA (Moving Average) serta model Double Exponential Smoothing. Dari nilai MSE diperoleh pemodelan yang paling tepat untuk melakukan suatu prediksi trafik. Implementasi menjadi sebuah software prediksi trafik layanan 3G.
III.2 TABEL DATABASE Database yang digunakan dalam tugas akhir ini adalah dengan menggunakan MySQL. Untuk tugas akhir ini menggunakan 600 data kabupaten untuk 38 kabupaten mulai dari Januari 2010-Maret 2011. Dibawah ini merupakan salah satu contoh database kabapaten : Tabel 1 Data Kabupaten
(9)
Dimana : = Nilai pemulusan eksponensial tunggal = Nilai pemulusan eksponensial ganda III.1 PERANCANGAN SISTEM
Tabel 2 ID Kabupaten
Gambar 1. Proses Kerja hingga Pembuatan Software
Perencanaan sistem yang dilakukan berdasarkan diagram perencanaan pada gambar 1 melalui beberapa tahap, yaitu: 1.
2.
Studi literatur mengenai RNC, trafik, layanan 3G, model Trend Analysis Linear dan Kuadratik, model MA (Moving Average) serta model Double Exponential Smoothing. Pengambilan data trafik voice dan video mulai dari Januari 2010 sampai Desember 2011.
Tabel 3 ID RNC Tabel 5 Prediksi Double Moving Average
IV. ANALISA IV.1. Pengujian penggunaan model Trend Analysi, model Regresi Polinomial, model MA (Moving Average) serta model Single dan Double Exponential Smoothing pada prediksi voice traffic. Dibawah ini merupakan hasil prediksi untuk trafik voice menggunakan 4 pemodelan. Diman besar kecilnya nilai Mean Square Error (MSE) dapat menentukan metode mana yang paling baik digunakan untuk melakukan suatu prediksi intensitas trafik. Untuk rumus mencari nilai MSE seperti dibawah ini: #=
∑$%&% %'() $%&% *+,%-%(%
Nilai MSE : 26.505,21 Tabel 6 Prediksi Regresi Polinomial
(10)
Keterangan: n : Banyaknya jumlah data
Nilai MSE : 71.945,158 Tabel 7 Prediksi Double Exponential Smoothing
Sedangkan untuk ketepatan peramalannya sendiri dipengaruhi ada tidaknya pola di dalam data. Selain itu juga bisa dicek dengan menggunakan rumus perhitungan simpangan error : / 012 − / 345617 . . 8100% / 012 (11) Sebagai contoh untuk prediksi trafik voice, kabupaten yang akan dianalisa adalah kabupaten Kodya Kediri
Nilai MSE : 16.577,67 Tabel 8 Perbandingan Prediksi
Tabel 4 Prediksi Trend Analysis
Nilai MSE : 49.158,35
Dari keempat tabel diatas terlihat jelas bahwa nilai MSE yang paling kecil adalah pemodelan double exponential smoothing. Bisa
dikatakan bahwa metode inilah yang paling tepat jika ingin melakukan suatu prediksi intesitas trafik. Apabila dilihat dari data asli trafik tiap bulannya, terlihat untuk besarnya nilai trafik asli datanya mempunyai pola. Dimana pada data trafik voice untuk kabupaten Kodya Kediri ini pola datanya adalah pola data trend. Dikatakan pola data trend karena hampir setiap bulannya nilai trafik voicenya meningkat, sehingga ketika dilakukan suatu prediksi intensitas trafik maka hasil prediksi intesitas trafiknya akan mengikuti pola yang sudah ada. Dan untuk kisaran nilai prediksinya akan mengikuti besarnya nilai trafik asli pada bulan terakhir. Terlihat pada data trafik voice kabupaten Kodya Kediri ini besarnya nilai trafik voice untuk data aslinya adalah 1005.24 erlang. Sehingga ketika dilakukan suatu prediksi intensitas trafik. Maka nilai prediksinya tidak akan jauh dari nilai data trafik tersebut. Hampir disemua metode kisaran besarannya nilai trafik 1000-1300 erlang. IV.2. Pengujian penggunaan model Trend Analysis, model Regresi Polinomial, model Double Moving Average serta model Double Exponential Smoothing pada prediksi video traffic. Pada bagian ini akan dilakukan analisa prediksi trafik video menggunakan 4 pemodelan. Berbeda dengan trafik voice, untuk data trafik video ini lebih variatif. Jika pada trafik voice pola datanya rata-rata meningkat, untuk trafik video pola datanya lebih beragam. Seperti pada kabupaten Kodya Kediri pola data trafik videonya menurun.
Tabel 10 Prediksi Double Moving Average
Nilai MSE : 124.39 Tabel 10 Prediksi Regresi Polinomial
Nilai MSE : 122.03 Tabel 11 Prediksi Double Exponential Smoothing
Tabel 9 Prediksi Trend Analysis
Nilai MSE : 58.28 Tabel 12 Perbandingan Prediksi
Nilai MSE : 74.67
Dari keempat tabel diatas terlihat jelas bahwa nilai MSE yang paling kecil adalah model double exponential smoothing. Apabila dilihat dari data asli trafik tiap bulannya, terlihat untuk besarnya nilai trafik asli datanya mempunyai pola. Seperti yang telah dijelaskan sebelumnya pola suatu data akan sangat mempengaruhi besarnya nilai suatu prediksi intesintas trafik. Untuk trafik video ini pola datanya lebih beragam, tidak seperti trafik voice dimana pola datanya hampir sama. Terjadi peningkatan pada bulan tertentu, sehingga hampir disetiap kabupatennya prediksi trafiknya meningkat. Sementara untuk trafik video ini khususnya pada kabupaten Kodya Kediri terlihat bahwa data trafik videonya mempunyai pola, bisa dikatakan pola besarnya nilai trafik video pada kabupaten ini menurun. Terlihat pada bulan-bulan tertentu ada penurunan besarnya nilai trafik video. Sehingga ketika dilakukan suatu prediksi intensitas trafik terlihat hampir d setiap metode besarnya nilai prediksi trafik videonya menurun mengikuti pola data yang ada. Sedangkan untuk kisaran nilai prediksinya tidak jauh dari nilai trafik asli pada bulan terakhir 29-35 erlang. V. KESIMPULAN SEMENTARA Setelah melakukan pengujian dan analisa pada sistem prediksi intensitas traffic menggunakan dynamic forecasting didapatkan beberapa kesimpulan yaitu: 1. Dari hasil pengujian trafik voice terlihat bahwa untuk rata-rata nilai MSE terkecil hampir disemua kabupaten ada pada metode double exponential smoothing. Pada kabupaten Kodya Kediri nilai MSE nya 16.577, 67, pada kabupaten Kota Pasuruan nilai MSE 2.553,84. Pengecualian untuk kabupaten Malang nilai MSE terkecilnya ada pada metode regresi polinomial yaitu 299.973,6. Hal ini terjadi karena pada kabupaten Malang peningkatan trend datanya cukup teratur, terus meningkat tanpa ada penurunan. Namun ketika ada perubahan nilai secara tiba-tiba metode ini tidak mampu mengatasinya. Berbeda dengan metode double exponential smoothing yang cukup mampu mengatasi trend yang acak. 2. Untuk prediksi trafik video, hampir disemua kabupaten metode yang memiliki nilai MSE terkecil adalah metode double exponential smoothing. Pada kabupaten Kodya Kediri nilai MSE nya 58,2. Pada kabupaten Mojekerto nilai MSE nya 21,17. Kecuali pada kabupaten Magetan nilai MSE terkecilnya ada pada
metode double 28,62. Berbeda prediksi trafik beragam, karena cukup beragam.
moving average yaitu dengan trafik voice, video ini jauh lebih pola datanya juga yang
DAFTAR PUSTAKA Ahmad Soleh Afif, “GSM, GPRS, CDMA, 3G, 4G, HSDPA, EDGE dan DIAL UP”, Fakultas Komputer Universitas Subang, 2009.
[1]
[2]
Alda Raharja, “Penerapan Metode Exponential Smoothing untuk Peramalan Penggunaan Waktu Telepon di PT. Telkomsel DIVRE3 Surabaya”, Fakultas Teknologi Informasi ITS, 2007.
[3]
Ali Warga, “Analisa Runtun Waktu Teori dan Aplikasi”, BPFE Yogyakarta, 1985.
[4]
Makridakis, Wheelwright, McGee. “Metode dan Aplikasi Peramalan”, Binarupa Aksara Jakarta, 1999.
Riwayat Hidup Penulis : Nora Puspita Syari, Penyusun lahir di Palembang, pada tanggal 21 November 1988. Sebagai anak bungsu dari 5 bersaudara dari seorang ibu bernama Nurlela dan ayah bernama Amin Fauzi. Bertempat tinggal di Jalan Sutan Syahrir Gg.H.Inah RT.09 RW 02 N0.1046 Kelurahan 5 Ilir Palembang Sumatera Selatan.
