PREDIKSI TRAFIK KOMUNIKASI SUARA DAN SMS PADA JARINGAN GSM PT. TELKOMSEL MENGGUNAKAN METODE NEURAL NETWORK BACKPROPAGATION (BP)
FORECASTING VOICE AND SMS COMMNICATION TRAFFIC ON PT. TELKOMSEL GSM NETWORK USING NEURAL NETWORK BACKPROPAGATION (BP) METHOD
Andini Dani Achmad 1, Amil Ahmad Ilham,2 Merna Baharuddin3 1
2
Program Studi Elektro, Universitas FajarMakassar
Jurusan Teknik Elektro, Prodi Informatika, Fakultas Teknik, Universitas Hasanuddin 3
Jurusan Teknik Elektro, Prodi Elektro, Fakultas Teknik, Universitas Hasanuddin
Alamat Korespondensi: Andini Dani Achmad, ST Prodi Teknik Elektro Universitas Fajar Makassar. Sulawesi Selatan. HP: 082347281321 Email:
[email protected]
ABSTRAK Monitoring dan prediksi trafik dalam suatu jaringan memainkan peran yang penting dalam perancangan, manajemen dan optimisasi sistem telekomunikasi modern. Penelitian ini bertujuan untuk merancang suatu sistem perangkat lunak yang memprediksi trafik komunikasi suara dan SMS pada jaringan GSM PT. Telkomsel dengan menggunakan metode Neural Network Backpropagation dan mengetahui seberapa akurat prediksi dari metode ini jika dibandingkan dengan metode Neural Network Radial Basis Function. Metode yang digunakan dalam penelitian ini adalah dengan simulasi program Matlab, di mana parameter trafik yang diprediksi adalah TCH Full Rate in Busy Time dan TCH Half Rate in Busy Time sebagai parameter trafik suara dan SDCCH in Busy Time sebagai parameter trafik SMS. Adapun data yang digunakan adalah data trafik dari bulan Maret 2012 sampai dengan Juni 2012. Hasil penelitian ini adalah sebuah program perangkat lunak untuk memprediksi trafik komunikasi suara dan SMS pada jaringan GSM menggunakan metode Neural Network Backpropagation dengan tingkat keakuratan prediksi diatas 80% masing-masing untuk trafik suara dan SMS bila dibandingkan dengan Neural Network Radial Basis Function yang tidak mencapai keakuratan 80%. Disimpulkan bahwa prediksi trafik suara dan SMS dengan menggunakan metode Neural Network Backpropagation lebih akurat dibandingkan Neural Network Radial Basis Function yang meski lebih unggul kecepatannya dalam proses pembentukan jaringan. Kata kunci: Neural Network, Backpropagation, Radial Basis Function, Prediksi, Trafik, Suara, SMS, GSM
ABSTRACT Traffic monitoring and prediction in a network play an important role in desig, management, and optimization of modern telecommunication system. This research aims to plan hardware system that forecast voice and SMS traffic om PT. Telkomsel GSM network with using Neural Network Backpropagation method and to know how accurate prediction of this method if compared with Neural Network Radial Basis Function method. Method is used in this research is simulation program on Matlab, where traffic parameters who predicted are TCH Full Ratein Busy Time and TCH Half Rate in Busy Time as voice traffic parameter and SDCCH in Busy Time as SMS traffic parameter. Data that used is from March 2012 until June 2012. The result of this research is a sofyware program to forecast voice and SMS communication traffic on GSM network using Neural Network Backpropagation method with prediction accurate is above 80% for each voice and SMS traffic if compared with Neural Network Radial Basis Function which could not achieve 80% of accurate although more excellent of its speed in network form process. Keywords: Neural Network, Backpropagation, Radial Basis Function, Predict, Traffic, Voice, SMS, GSM
PENDAHULUAN Monitoring dan prediksi trafik dalam suatu jaringan memainkan peran yang penting dalam perancangan, manajemen dan optimisasi sistem telekomunikasi modern. Menurut Klevecka Irina dalam penelitiannya yang berjudul Forecasting Network Traffic: A Comparison of A Neural Networks and Linear Models, prediksi yang akurat dan handal memungkinkan perencanaan kapasitas dari sebuah jaringan telekomunikasi tepat waktu dan dapat menjaga tingkat quality of service yang dibutuhkan. Selain itu, sifat-sifat trafik suatu jaringan secara langsung mempengaruhi baik biaya modal peralatan dan pendapatan yang diharapkan dari sebuah operator. Sebelumnya telah dilakukan penelitan pemodelan dan prediksi trafik jaringan seluler GSM menggunakan model Seasonal ARIMA (Shu, 2003) dan Multiplicative Seasonal ARIMA (Mossas, 2005) untuk memprediksi trafik internet. Selain itu juga telah dilakukan penelitian prediksi trafik packet-switched jaringan internet dengan menggunakan metode Neural Network (Irina, 2011), prediksi trafik telekomunikasi berdasarkan BP Neural Network dengan PSO (Dong et al 2011) dan prediksi trafik jaringan ATM menggunakan Neural Network (Edwards et al, 2003). Penelitian-penelitian di atas telah berhasil melakukan prediksi trafik di berbagai jaringan. Adapun penelitian mengenai implementasi algoritma genetika pad apelatihan jaringan GSM untuk perkiraan trafik jaringan GSM (Chafidh, 2009). Berdasarkan penelitian-penelitian tersebut penlis melakukan penelitian mengenai keakuratan prediksi trafik komnikasi suara (voice) dan SMS (Short Message Service) pada jaringan GSM PT. Telkomsel dengan menggunakan model Backpropagation yang nantinya dibandingkan kehandalannya dengan model Radial Basis Function (RBF) Neural Network. Menurut Siang (2009) dalam bukunya yang berjudul Jaringan Syaraf Tiruan dan Pemrogramannya Menggunakan MATLAB, jaringan syaraf tiruan (Neural Network) adalah sistem pemroses informasi yang memiliki karakteristik mirip dengan jaringan syaraf biologi. Salah satu jenis Neural Network adalah Backpropagation. Backpropagation melatih jaringan untuk mendapatkan keseimbangan antara kemampuan jaringan untuk mengenali pola yang digunakan selama pelatihan serta kemampuan jaringan untuk memberikan respon yang benar terhadap pola maskan yang serupa (tapi tidak sama) dengan pola yang digunakan selama pelatihan. Radial Basis Function yang juga merupakan salah satu jenis dari Neural Network yang dijelaskan oleh Wahyu et al (2007) pada penelitianya yang berjudul Aplikasi Jaringan Syaraf Tiruan RBF (Radial Basis Function) pada Plant Pengaturan Level Cairan Berbasis Mikrokontoller Atmega32 bahwa Radial Basis Function merupakan fungsi di mana
kebluarannya simetris terhadap suatu pusat tertentu di mana Neural Network dibentuk dengan menggunakan fungsi basis berupa fungsi basis radial. Tujuan dari penelitian ini adalah untuk menyesuaikan model Neural Network untuk memperoleh sifat-sifat trafik komunikasi suara dan SMS pada jaringan GSM dengan metode Backpropagation, kemudian menggunakan metode Backpropagation untuk memprediksi trafik komunikasi suara dan SMS pada jaringan GSM, dan membandingkan kehandalan keakuratan metode Backpropagation terhadap Radial Basis Function pada model Neural Network dalam memprediksi trafik usara dan SMS.
METODE PENELITIAN Dalam penelitian ini akan dirancang suatu perangkat lunak yang mampu untuk memprediksi trafik komunikasi suara pada jaringan GSM PT. Telkomsel dengan metode Neural Network Backpropagation. Metodologi penelitian dilakukan dengan proses simulasi program yang dibuat pada MATLAB. Data penelitian bersumber dari BTS Site STO Gorontal dan Site Kota Utara PT. Telkomsel dari bulan Maret 2012 sampai dengan Juni 2012. Perangkat BTS adalah ZTE GSM BS8018 dengan konfigurasi masing-masing site 4/4/4 (tiga sektor). Data parameter yang secara signifikan mempengaruhi kondisi trafik yang akan digunakan adalah TCH Full dan Half Rate in Busy Time sebagai parameter untuk trafik suara dan SDCCH in Busy Time sebagai parameter untuk trafik SMS. Proses belajar Neural Network Backpropagation dilakukan secara online/continue, sehingga Neural Network memerlukan hasil pengukuran trafik dari perangkat BTS untuk memprediksi trafik di bulan yang akan datang. Dalam perancangan sistem prediksi trafik suara, digunakan dua buah Neural Network yang masing-masing masukannya adalah nilai TCH Full dan Half Rate in Busy Time, dan keluarannya adalah nilai prediksi dari kedua variabel tersebut. Sedangkan untuk perancangan sistem prediksi trafik SMS, digunakan sebuah Neural Network yang masukannya adalah SDCCH in Busy Time dan keluaran berupa nilai prediksi dari variabel tersebut. Proses prediksi dilakukan untuk tujuh hari (Senin sampai dengan Minggu) selama satu bulan. Terdapat tiga tahap dalam perancangan Neural Network Backpropagation. Yakni proses pelatihan, pengujian, dan prediksi. Hasil pelatihan, pengujian, dan prediksi untuk variabel trafik suara dihitung menggunakan Persamaan (1) dari ZTE GSM Documentation Univeristy of China tahun 2007 sebagai berikut untuk memperoleh nilai TCH Total Traffic.
=
(1)
Sedangkan, hasil pelatihan, pengujian, dan prediksi untuk variabel trafik SMS dihitung menggunakan Persamaan (2) berikut untuk memperoleh nilai SDCCH Total Traffic. =
(2)
Proses validasi hasil pelatihan dan pengujian menggunakan Persamaan (3) yakni persamaan matematis yang digunakan untuk memperoleh persentase kebenaran dari hasil pelatihan dan pengujian prediksi yang ada dengan data real yang diperoleh dari PT. Telkomsel. = 100% − (
|
−
|
× 100%)
Proses Pelatihan Untuk prediksi trafik suara pemodelan dan perancangan perangkat lunak pada penelitian ini dimulai dengan memprediksi parameter TCH Full dan Half Rate in Busy Time sedangkan untuk prediksi SMS dilakukan dengan memprediksi parameter SDCCH in Busy Time. Dilakukan pelatihan prediksi terlebih dahulu pada masing-masing parameter. Pada proses pelatihan, arameter TCH Full dan Half Rate in Busy Time untuk trafik suara dan SDCCH in Busy Time untuk trafik SMS dengan data dari bulan Maret 2012 hingga Mei 2012 menjadi input dan Juni 2012 menjadi target pelatihan prediksi. Ketika persentase kesalahan hasil pelatihan prediksi sudah minimum kemudian dilakukan pengujian prediksi. Proses Pengujian Data yang digunakan untuk input pada pengujian prediksi yakni dari bulan April 2012 hingga Juni 2012 dengan data target pengujian adalah Juli 2012. Dengan menggunakan jaringan yang telah dibentuk dari proses pelatihan prediksi untuk Juni 2012 kemudian dilakukan proses pengujian untuk bulan Juli 2012. Ketika persentase keakuratan sudah mencapai nilai yang memuaskan, sekitar 80%, proses pengujian selesai. Jika belum mencapai nilai yang memuaskan, dilakukan pengubahan variabel-variabel simulasi di proses pelatihan. Proses Prediksi Setelah proses pengujian dengan persentase keakuratan yang memuaskan, kemudian dilakukan proses prediksi untuk bulan Agustus 2012 dengan menggunakan jaringan proses pelatihan yang telah teruji di proses pengujian. Hasil simulasi dari proses pelatihan,
pengujian, dan prediksi untuk kedua parameter TCH Full dan Half Rate in Busy Time untuk trafik suara kemudian dimasukkan ke dalam Persamaan (1) untuk mendapatkan nilai TCH Total Traffic. Sedangkan, parameter SDCCH in Busy Time untuk trafik SMS dimasukkan ke dalam Persamaan (2) untuk mendapatkan nilai SDCCH Total Traffic.
HASIL Hasil yang diperoleh selama melakukan penelitian simulasi perancangan prediksi trafik suara dan SMS menggunakan metode Neural Network Backpropagation adalah berupa nilainilai trafik hasil pengujian dan pelatihan prediksi yang kemudian direpresentasikan dalam grafik dengan sumbu x (horizontal) merepresentasikan waktu yakni 168 jam (Senin-Minggu) dan sumbu y (vertikal) merepresentasikan nilai trafik (Erlang). Hasil Pelatihan, Pengujian, dan Prediksi Trafik Suara (TCH Total Traffic) Misal untuk Site STO Gorontalo diperoleh nilai-nilai total trafik suara (TCH Total Traffic) hasil pelatihan prediksi berupa nilai real dan nilai prediksi yang kemudian direpresentasikan dalam sebuah grafik di mana keakuratan dari pelatihan prediksi menggunakan metode Neural Network Backpropagation sebesar 95,86%. Sedangkan, hasil pengujian prediksi diperoleh nilai sebesar 85.55% dengan grafik seperti yang diperlihatkan pada Gambar 1. Kemudian diberikan perbandingan dengan metode Neural Network Radial Basis Function yang memiliki keakuratan hasil pelatihan prediksi sebesar 94.42% dan hasil pengujian prediksi sebesar 78.34% dengan grafik seperti yang diperlihatkan pada Gambar 2. Hasil Pelatihan, Pengujian, dan Prediksi Trafik SMS (SDCCH Total Traffic) Misal untuk Site STO Gorontalo diperoleh nilai-nilai total trafik SMS (SDCCH Total Traffic) hasil pelatihan prediksi berupa nilai real dan nilai prediksi yang kemudian direpresentasikan dalam sebuah grafik di mana keakuratan dari pelatihan prediksi menggunakan metode Neural Network Backpropagation sebesar 97.18%. Sedangkan, hasil pengujian prediksi diperoleh nilai sebesar 83.37% dengan grafik seperti yang diperlihatkan pada Gambar 3. Kemudian diberikan perbandingan dengan metode Neural Network Radial Basis Function yang memiliki keakuratan hasil pelatihan prediksi sebesar 91.84% dan hasil pengujian prediksi sebesar 79.57% dengan grafik seperti yang diperlihatkan pada Gambar 4.
PEMBAHASAN Penelitian ini menunjukkan bahwa program yang dirancang telah mampu menyesuaikan model Neural Network dengan metode Backpropagation untuk memperoleh sifat-sifat trafik komunikasi suara dan SMS yang telah ditunjukkan dari hasil penelitian berupa persentase
keakuratan pengujian prediksi dengan nilai melebihi 80% sehingga telah mampu untuk melakukan prediksi trafik suara dan SMS pada jaringan GSM untuk kedepannya. Penelitian ini juga menunjukkan bahwa metode Neural Network Backpropagation lebih handal dalam hal keakuratannya dibandingkan dengan metode Neural Network Radial Basis Function yang persentase keakuratan pengujian prediksi dengan nilai tidak melebihi 80%. Meskipun kehandalan metode Neural Network Backpropagation lebih baik dibandingkan dengan metode Neural Network Radial Basis Function, namun untuk hal kecepatan pembentukan jaringan Neural Network Radial Basis Function lebih unggul. Dari hasil pelatihan dan pengujian prediksi diperlihatkan baik untuk trafik suara maupun SMS, trafik minimum terjadi di dini hari (jam 3-5 pagi) dan mulai naik dari jam 7-13 siang. Trafik kembali mengalami penurunan dari jam 12 siang sampai dengan 7 malam dan kembali naik dari jam 8-10 malam yang menjadi puncak tingginya trafik pada setiap harinya. Hasil penelitian ini telah mampu melebihi keakuratan hasil penelitian dari Chafidh M dengan judul penelitiannya Analisis dan Implementasi Algoritma Genetika pada Pelatihan Jaringan GSM untuk Perkiraan Trafik Jaringan GSM di tahun 2009 yang persentase keakuratannya tidak mencapai 75%. Namun hasil penelitian yang penulis lakukan belum mampu melebihi hasil penelitian Yantai Shu dengan judul penelitian Wireless Traffic Modelling and Prediction Using Seasonal ARIMA Model di tahun 2003 yang menyimpulkan bahwa ARIMA merupakan model trafik yang baik yang memiliki kemampuan dalam menangkap dan merekam sifat-sifat dari trafik sebenarnya di mana error antara nilai prediksi dan nilai sebenarnya kurang dari 0.02 atau kurang dari 2%. Meski dari kedua penelitian yang dituliskan di atas tidak melakukan prediksi terhadap trafik SMS.
KESIMPULAN DAN SARAN Hasil pengujian prediksi dengan menggunakan metode Neural Network Backpropagation untuk trafik suara (TCH Total Traffic) di bulan Juli 2012 berupa persentase keakuratan sebesar 85.55% sedangkan untuk hasil pengujian prediksi trafik SMS (SDCCH Total Traffic) di bulan Juli 2012 berupa persentase keakuratan sebesar 83.37%. Hasil pengujian ini menunjukkan bahwa penelitian prediksi trafik suara dan SMS dengan menggunakan metode Neural Network Backpropagation telah mampu memperoleh sifat-sifat trafik dan SMS jaringan GSM PT. Telkomsel. Jika dibandingkan dengan metode Neural Network Radial Basic yang memiliki persentase keakuratan prediksi trafik suara sebesar 78.34% dan persentase keakuratan prediksi SMS sebesar 79.57% dapat disimpulkan bahwa metode
Neural Network Backpropagation lebih unggul keakuratannya meski kecepatan pembentukan jaringan tidak seunggul metode Neural Network Radial Basis Function. Untuk mempercepat pembentukan jaringan dan pembelajaran jaringan baiknya metode Neural Network Backpropagation ini dikombinasikan dengan algoritma Particle Swarm Optimization yang juga mammpu meningkatkan ketepatan prediksi.
DAFTAR PUSTAKA Chafidh M. (2009). “Implementasi Algoritma Genetika pada Pelatihan Jaringan GSM untuk Perkiraan Trafik Jaringan GSM”. Bandung: STT Telkom Bandung Edwards T; Tansley DWS; Frank RJ; Davey N. (2003). “Traffic Trends Analysis Using Neural Netwrok Trained by PSO”. Herts: IEE Proceedings-Communications, Vol 147, Issue 2 Klevecka Irina. (2011), “Short-Term Traffic Forecasting With Neural Networks”, Transport and Telecommunication Institute, Lomonosova I, Riga, LV-1019, Latvia. Transport and Telecommunication, Vol 12, No 2, 20-27 Moussas Vassillos C; Daglis Marios; Kolega Eva. (2005). “Network Traffic Modelling and Prediction Using Multiplicative Seasonal Arima Models”. Greece; Network Operations Centre (NOC), Technological Educational Institution (TEI) of Athens Egaleo Priyanto N. Wahyu; Wahyudi; Setiawan Iwan. (2007). “Aplikasi Jaringan Syaraf Tiruan RBF (Radial Basis Function) pada Plant Pengaturan Level Cairan Berbasis Mikrokontroller Atmega 32” Semarang: Jurusan Teknik Elektro, Fakultas Teknik, Universitas Diponegoro Shu Yantai; Yu Minfang; Liu Jiakun. (2003). “Wireless Traffic Modelling and Prediction Using Seasonal ARIMA Model”. China; Tianjin University Siang JJ, M.Sc, (2009), “Jaringan Syaraf Tiruan dan Pemrogramannya Menggunakan MATLAB”. Yogyakarta: Penerbit ANDI Xian Dong; Bing-ji Xu. (2011). “Telecommunication Traffic Forecasting Based on BP Neural Network Trained by PSO”. Changsha, China: Journal of Central South University (Science and Technology). Vol.42, Suppl 1, Sep ZTE GSM Documentation CD. (2007). “Base Station Controller Perormance Counter Manual”. China: ZTE University, Vol.1
Gambar 1.
TCH Total Traffic rata-rata Senin-Sabtu bulan Juni pada site STO Gorontalo hasil perhitungan data pengujian prediksi dengan metode Neural Network Backpropagation
Gambar 2.
TCH Total Traffic rata-rata Senin-Sabtu bulan Juni pada site STO Gorontalo hasil perhitungan data pengujian prediksi dengan metode Neural Network Radial Basis Function
Gambar 3.
SDCCH Total Traffic rata-rata Senin-Sabtu bulan Juni pada site STO Gorontalo hasil perhitungan data pengujian prediksi dengan metode Neural Network Backpropagation
Gambar 4.
SDCCH Total Traffic rata-rata Senin-Sabtu bulan Juni pada site STO Gorontalo hasil perhitungan data pengujian prediksi dengan metode Neural Network Backpropagation
