PROSIDING SEMINAR NASIONAL GEOFISIKA 2014 Optimalisasi Sains dan Aplikasinya Dalam Peningkatan Daya Saing Bangsa Makassar, 13 September 2014

PROSIDING SEMINAR NASIONAL GEOFISIKA 2014 Optimalisasi Sains dan Aplikasinya Dalam Peningkatan Daya Saing Bangsa Makassar, 13 September 2014

Analisis Penggunaan Evolutionary Programming Untuk Penempatan Posisi Node B Hsdpa (Analysis of Evolutionary Programming Utilization for Placement of Node B HSDPA Position) 1

Andi Isni Pujirana, 2 Yayuk Verawaty, 3 Suyanto Fakultas MIPA Universitas Hasanuddin 2,3 Fakultas Elektro dan Komunikasi – Institut Teknologi Telkom Bandung 1

ABSTRACT Rapid population growth resulting in residential area spreads nearly all the place. At the same time, growth of needs for communication services is also increasing. This high demand from the community for data services access with high bit rates can be provided by HSDPA technology. High Speed Downlink Packet Access (HSDPA) is one of the latest technology in mobile telecommunication systems which is issued by 3GPP Release 5, it is also known as 3.5-generation technology (3,5 G). To be able to serve high traffic demand and wide coverage area, one of the factor that need to be considered is positioning of HSDPA Node B. Therefore, in this final project, Node B placement in Bandung was designed using Evolutionary Programming simulated in Matlab. Evolutionary programming is one of the artificial intelligence subfield which optimizes solutions of a problem using certain parameters to apply mechanism of natural selection and the genetic manipulation.

1. PENDAHULUAN 1.1. Latar Belakang Untuk dapat melayani demand trafik yang tinggi dan coverage yang luas, salah satu faktor yang mempengaruhi adalah posisi penempatan Node B HSDPA. Berdasarkan tugas-penelitian sebelumnya, penempatan Node B disimulasikan dengan algoritma genetika, maka pada Penelitian saya ini disimulasikan dengan Evolutionary Programming. merupakan salah satu algoritma pencari solusi suatu masalah optimasi yang menggunakan parameterparameter tertentu untuk menerapkan mekanisme seleksi alam dan manipulasi genetika. 1.2 Tujuan Tujuan dari penelitian yang akan dilakukan yaitu meliputi : 1. Mendapatkan jumlah dan jari-jari sel Node B di kota Bandung dari hasil perancangan berdasarkan kapasitas trafik dan coverage. 2. Mendapatkan posisi penempatan Node B dengan menggunakan Evolutionary Programming yang disimulasikan di software matlab. 3. Analisis hasil penempatan Node B HSDPA menggunakan Evolutionary Programming 1.3 Rumusan Masalah Dalam Penelitian ini akan dibahas beberapa permasalahan antara lain: 1. Bagaimana perancangan Node B HSDPA agar didapatkan jumlah dan jari-jari sel yang dapat meng-cover demand trafik dan coverage kota Bandung? 2. Bagaimana cara kerja Evolutionary Programming dalam menentukan posisi Node B di kota Bandung? 3. Bagaimana pengaruh parameter yang digunakan dalam Evolutionary Programming terhadap nilai fitness yang dihasilkan? 4. Berapa persentase keakuratan program dan presentase daerah ter-cover serta tidak tercover? 2.1 Arsitektur Jaringan HSDPA

HSDPA cells design in this Final Project was done based on traffic capacity and coverage. The frequency used was 2000 MHz, therefore from this cell design, it was obtained that the number of Node are 39 sites with the radius of each 1.28 km. Evolutionary Programming plays an important role in the placement of these 39 Node B to obtain the most optimum position which can cover the demand of traffic and the coverage of Bandung. Results from Evolutionary Programming simulation obtained Node B HSDPA placement with fitness value of 55329, it means the system can cover 85.66% of the traffic demand and coverage of Bandung, the area covered an area of 143.3 km2 and the that is not covered an area of 23.99 km2. The total computing time needed by Evolutionary Programming is approximately 58 hours.

225

PROSIDING SEMINAR NASIONAL GEOFISIKA 2014 Optimalisasi Sains dan Aplikasinya Dalam Peningkatan Daya Saing Bangsa Makassar, 13 September 2014 L = K.R2 [6] Dari radius sel, maka jumlah sel dapat dihiutng dengan persamaan berikut : l j [7]

HSDPA merupakan evolusi dari UMTS, sehingga arsitektur jaringan HSDPA tetap menggunakan arsitektur jaringan UMTS. 2.2 Konsep Dasar HSDPA High Speed Downlink Packet Access (HSDPA) adalah suatu teknologi terbaru dalam sistem telekomunikasi bergerak yang dikeluarkan oleh 3GPP Release 5 dan merupakan teknologi generasi 3,5 (3,5G). HSDPA mempunyai layanan berbasis paket data di WCDMA downlink dengan data rate mencapai 14,4 Mbps dan bandwith 5 MHz pada WCDMA downlink.

2.6 Estimasi trafik per user Trafik pada jam sibuk dapat dihitung dari besarnya MoU perbulan, peak-to-averages inter-day, dan peak-to-averages intra-day. Nilai trafik per pelanggan dapat dihitung :

2.3 Downlink Link Budget Downlink link buget pada jaringan UMTS bertujuan untuk menghitung pathloss maksimum pada air interface dari BS sampai ke UE. SINR dapat dihitung jika diketahui nilai dari HSDPA power, BS total Tx power, orthogonality, dan Gfactor. Persamaan SINR untuk HSDPA yaitu :

2.7 Throughput Sel pada HSDPA Throughput HSDPA ditentukan oleh bit rate yang dapat diberikan. Adapun persamaan untuk bit rate HSDPA yaitu : hip

*

+

[1]

[9]

Nilai G (geometry factor) mempunyai korelasi dengan Ec/Io (average channel power to total signal strength), sehingga nilai G dapat dihitung melalui formula berikut :

2.8. Evolutinary Programming

[2] 2.4. Model Propagasi Model propagasi yang digunakan pada perencanaan node B HSDPA ini adalah model Cost 231-Hata Cost231-Hata model Formula model Cost 231-Hata adalah sebagai berikut L  46,3  33,9. log f  13,82. log hB  C H  CC  [44,9  6,55. log hB ]. log d  C

[3]

Dimana C  0 dB, untuk kota menengah dan area suburban  3 dB, untuk area metropolit an

untuk area urban 0 ,  2 CC     f  5,4  2 log    , untuk area suburban   28   

[5]

2.5 Radius Jumlah Sel Berdasarkan Pathloss Dari model propagasi cost 231-Hata bisa didapatkan radius sel berdasarkan pathloss yang didapat dari perhitungan link budget, maka luas coverage sel dihitung melalui persamaan berikut

226

2 .8.1 Definisi Evolutionary programming merupakan bagian dari Evolutionary Computation. Evolutionary programming adalah salah satu algoritma pencari solusi suatu masalah menggunakan parameterparameter tertentu dengan menggunakan seleksi orang tua yang deterministik. Evolutionary programming hanya menggunakan mutasi saja, tidak ada rekombinasi. 2.8.2 Representasi Individu Individu pada EP juga direpresentasikan ke dalam kromosom menggunakan bilangan real. Terdiri dari dua bagian : a. Variabel objek : x1,......,xn b. Mutation step sizes : σ1,....,σn 2.8.3 Seleksi Orang Tua Pada EP, setiap orang tua menghasilkan satu anak melalui proses mutasi. 2.8.4. Mutasi Pada EP, mutasi merupakan satu-satunya proses untuk menghasilkan kromosom baru. Mutasi dilakukan dengan cara mengubah nilai gen dengan menambahkan bilangan random yang dibangkitkan berdasarkan distribusi normal. Suatu kromosom (x1,......,xn, σ1,....,σn) bisa menghasilkan kromosom baru dengan adanya mutasi terhadap σ dan x yang diperoleh menggunakan rumus sebagai berikut :

PROSIDING SEMINAR NASIONAL GEOFISIKA 2014 Optimalisasi Sains dan Aplikasinya Dalam Peningkatan Daya Saing Bangsa Makassar, 13 September 2014 σi' = σi ( 1+αN (0,1)) xi’ xi + σi'. Ni (0,1) dimana α adalah suatu konstanta yang biasanya disset sekitar 0,2 (α 0,2) 2.8.5. Seleksi Survivor Suatu populasi P pada generasi t memiliki µ individu. EP menggunakan pairwise competitions dalam format round-robin, dengan cara : a. Setiap solusi x dari gabungan P(t) ᴗ P’( ) dievaluasi dengan cara membandingkan x terhadap sejumlah q solusi lain yang dipilih secara acak. b. Untuk setiap pembandingan, suatu skor “m n ng” dib ik n jik x l bih b ik dibandingkan lawannya. c. S j ml h µ ol i d ng n j ml h “m n ng” yang paling banyak akan bertahan hidup pada generasi berikutnya (t+1). 2.9 Faktor Kondisi Penghenti Terdapat 3 kondisi yang dapat menghentikan proses algoritma, yaitu: 1. Generation : algoritma akan berhenti ketika mencapai jumlah generasi yang telah ditentukan. 2. Time limit : algoritma akan berhenti ketika mencapai waktu yang telah ditentukan. 3. Fitness limit : algoritma akan berhenti ketika mencapai nilai fitness yang diinginkan. 3.1 Diagram Alir Perencanaan Perencanaan adalah proses mendefinisikan tujuan, membuat strategi untuk mencapai tujuan, dan mengembangkan rencana. Perencanaan jaringan dilakukan agar pembangunan yang dilakukan dapat terencana dan optimal. Berikut ini akan dijelaskan tahap perencanaan pcenempatan Node B HSDPA :

Gambar 3.1 Diagram Alir Perencanaan Pada diagram alir diatas, daerah perencanaan ditentukan di Kota Bandung. Frekuensi yang digunakan adalah frekuensi 2000 MHz dengan bandwidth 5 MHz. Perencanaan sel yang dilakukan berdasarkan kapasitas dan coverage, dari perencanaan tersebut didapatkan jumlah Node B dan jari-jari sel yang dapat meng-cover seluruh kota Bandung. Setelah diketahui jumlah dan jari-jari tiap Node B yang dibutuhkan, selanjutnya perlu menempatkan Node B untuk melayani demand trafik dan coverage yang luas. Pada penelitian ini, masalah penempatan Node B diselesaikan dengan Evolutionary Programming, yaitu algoritma yang ideal untuk masalah optimasi. 3.2. Profil daerah perencanaan 3.2.1 Keadaan Geografi Posisi kota b nd ng l k n 107°36’ BT d n 6°55’ LS. P m k n n hny l if d , terletak sekitar 4 m diatas permukaan laut dengan luas wilayahnya 167,29 km2. 3.2.2 Populasi Penduduk kota Bandung pada Akhir 2008 berjumlah 2.374.198 jiwa, terdiri dari 1.210.164 jiwa penduduk laki-laki dan 1.164.034 jiwa penduduk perempuan. Rata-rata kepadatan penduduk kota Bandung 14.190,41 jiwa/km2. 3.3. Link Budget 3.3.1 Downlink Budget ( HSDPA) Pada link budget UMTS salah satu paremeter yang penting adalah Eb/No. Persamaan SNIR untuk HSDPA yaitu : *

Mulai

[1]

+

G didapat melalui persamaan :

Penentuan daerah Perencanaan (Kota Bandung) Penentuan Frekuensi Kerja Dan Bandwidth

[2]

Estimasi Jumlah Pelanggan

Perencanaan berdasarkan kapasitas

Nilai parameter-parameter untuk mencari SINR :

Perencanaan berdasarkan coverage

Sehingga:

TIdak Analisis R cov > R cap ?

(

)

Ya Penempatan NodeB menggunakan Evolutionary Programming TIdak Penempatan NodeB optimum?

*

+

Ya Selesai

1,9027 2,79 dB

227

PROSIDING SEMINAR NASIONAL GEOFISIKA 2014 Optimalisasi Sains dan Aplikasinya Dalam Peningkatan Daya Saing Bangsa Makassar, 13 September 2014 Tx EIRP = Tx power HSDPA + Tx antenna gain – cable

Dari jumlah penduduk total kota Bandung diambil

loss

asusmsi bahwa sebanyak 64 % merupakan pelanggan = 37,4 dBm + 18 dBi – 2 dB

potensial. Pelanggan potensial ini didasarkan pada

= 51,26 dBm

penduduk

yang

sudah

dapat

memiliki

alat

Downlink MAPL = Tx EIRP – Receiver sensitivity +

komunikasi baik hand phone maupun laptop, yaitu

UE antenna gain – UE body loss - Fading Margin –

pada range usia antara 15 – 54 tahun. Untuk 4 tahun

Penetration loss

ke depan jumlah pelanggan 256634

= 51,26 dBm – (–104,01 dBm) + 2 dB – 0 dB

3.7. Estimasi Trafik

– 4 dB – 8 dB= 145,27 dB

Dari data diketahui trafik per pelanggan pada layanan 3G :

3.4. Radius arah downlink

0,00092) + [44,9 – 6,55.log 30].log d + 3

a. Rata-rata jumlah pelanggan : 1.007.500 pelanggan b. Trafik data 3G rata-rata/bulan : 24.596.669,4577 Mbit c. Trafik data HSDPA rata-rata/bulan : 165.692.001,7596 Mbit d. Trafik voice/bulan : 677.222,9943 erlang e. Trafik video/bulan : 90.742,686 erlang

4,48

= 35,22 log d

a. Trafik voice per pelanggan

log d

= 0,1272

d

= 1,34 km

Radius arah downlink dengan formula cost 231Hata: Ldownlink = 46,3 + 33,9.log f –13,82.log hB – CH – CC + [44,9 – 6,55.log hB].log d + C 145,27 = 46,33 + 33,9.log 2000 – 13,82.log 30 –(–

677.222,9943

dari formula cost 231-Hata didapat radius sel untuk 677.222,9943

arah downlink yaitu 1,34 km. 3.5. Perhitungan jumlah sel berdasarkan pathloss Dari hasil link budget didapatkan nilai dari maksimum pathloss (MAPL) untuk downlink.

1,12

Dimana nilai downlink tersebut didapatkan radius sel untuk arah downlink yaitu 1,34 km. Sehingga jumlah sel yang dibutukhan untuk

b. Trafik layanan video per pelanggan

mengcover area : l

167,29

90.742,686 90.742,686

3.6 Prediksi Jumlah Pelanggan Dalam penelitian ini, jaringan dirancang agar dapat menangani trafik user sampai 4 tahun ke depan. Menurut data dari pemerintah kota Bandung, jumlah penduduk kota Bandung

2.374.198 jiwa.

228


c. Jumlah pelanggan 3G telkomsel sebesar 1.007.500

0,9

user, didapat penetrasi user pada busy hour : a.

c. Trafik layanan data per pelangga 190.288.671,2

d.

b.

190.288.671,2

mon hly PS 629,57

ffi p

c.

b

bi

3.9 Throughput Demand Service

Penetrasi pelanggan

Penetrasi user pada busy hour

Jumlah user pada busy hour

60 %

15,87%

24.436

10%

3,29%

844

30%

6,59%

5.073

81,97

sibuk untuk voice 4,98 mE, video 4 mE, dan data

Voice 16 kbps Video 128 kbps Data 256 kbps Jumlah

5,99 mE. Nilai holding time untuk masing-masing

pelanggan. Dengan penetrasi user pada jam sibuk :

3.8. Penetrasi User pada Busy Hour Dari data trafik 3G didapat trafik pada jam

pelanggan pada tahun ke-4 256.634

layanan pada busy hour : a. Holding time untuk voice = 4,98 mE = 0,298 MoU = 17,94 detik

Nilai throughput untuk masing-masing layanan pada

b. Holding time untuk video = 4 mE = 0,24

busy hour :

MoU = 14,4 detik

a. Th n k voi

c. Holding time untuk data = 5,99 mE = 0,36

:∑

data rate

: 24.436

MoU = 21,6 detik

v

16 kbps

0,65

: 254,134 Mbps

Hasil pengukuran 1328 user pada jam sibuk. Dengan penetrasi layanan 60% untuk voice, 10%

b. Th n k vid o : ∑

untuk video, dan 30% untuk data, maka active user

: 844

pada jam sibuk :

data rate 128 kbps

v 1

: 108,032 Mbps

a.

c. Th untuk data : ∑ BLER)

b.

: 5.073

1285,7 Mbps

229

data rate 256 kbps

(1-

(1-0,01) :


Throughput demand total : 254,134 Mbps +

3.12

108,032 Mbps + 1285,7 Mbps = 1647,87 Mbps

Penempatan

Node

B

Menggunakan

Evolutionary Programming

3.10 Kapasitas sel arah downlink

Penempatan Node B menggunakan evolutionaty

Dengan chip rate sebesar 3,84 Mcps, data rate per

programming yang merepresentasikan posisi Node

sektor :

B kedalam gen dan deretan posisi Node B kesebuah kromosom.

hip

Proses

evolutionary

programming

diimplementasikan untuk menempatkan Node B

3,84

untuk mencapai coverage yang luas dan dapat Kapasitas maksimal per sector HSDPA dengan

melayani demand trafik yang tinggi dalam pemetaan

asumsi BLER 1 % :Max throughput/sector : data

matrik dua dimensi, dengan bilangan real untuk

rate

merepresentasikan posisi Node B pada koordinat x

(1-BLER) : 14,4 Mbps

(1-0,01) = 14,256

dan

Mbps Penggunaan sektorisasi dapat

koordinat

y.

Dengan

matrik

x

yang

merepresentasikan posisi bujur dan matrik y untuk

menambahkan

jumlah kapasitas sel dengan mengurangi co-chanel

pisisi

interference. Ada beberapa pilihan dalam sektorisasi

mendefinisikan satu wilayah dengan ukuran 50x50

180°, 120°, 90°. Yang umum dugunakan yaitu 120°.

m. Dengan rentang [0,378] untuk marik x dan range

Dengan antena trisektoral kapasitas sel meningkat 3

[0,270] untuk matrik y sehingga terdiri dari 102.060

kali lipat sehingga :

posisi matrik.

Throughput/sel : 14,256 Mbps

3 = 42,768 Mbps

3.11

Sel

Perhitungan

Jumlah

lintang.

.

Satu

titik

dalam

matrik

3.13 Diagram Alir Simulasi

Berdasarkan

kapasitas HSDPA Mulai

Berikut adalah proses untuk menentukan jumlah Representasi Kromosom

sel yang dibutuhkan untuk memenuhi trafik demand

Inisialisasi Populasi

yang harus dipenuhi oleh jaringan :

Seleksi Orang Tua

Mutasi

( h o ghp

)

Nilai Fitness

d m nd p l ngg n ( bp ) ( )

Seleksi Survivor

Pergantian Populasi

Kriteria penghenti ditemukan?

Berdasarkan perhitungan throughput demand

Tidak

Ya Posisi Node B final

pelanggan pada tahun ke-4 (2013) yaitu : Selesai

(

)

bp Gambar 3.2 Diagram alir simulasi 3.14 Inisialisasi Populasi

Dengan jumlah sel 39, radius sel adalah 1,28 km2 untuk mencakup seluruh area kota Bandung.

230


Membangkitkan sejumlah posisi node B dengan

Gambar 3.3 Representasi Kromosom

koordinat (x,y) secara acak yaitu membangkitkan

Gambar 3.3 merepresentasikan kromosom yang

suatu populasi yang terdiri dari sejumlah individu

tersusun dari 156 gen yang melambangkan posisi

sesuai dengan ukuran populasi yang merupakan

node B 1 s/d 39 untuk posisi x dan y, dan posisi 79

jumlah kromosom dari suatu populasi. Kromosom

s/d 156 untuk mutation step size.

yang terdiri dari gen-gen yang berisi variabel objek

3.17 Mutasi

berupa deretan posisi 39 node B dan mutation step

Pada Evolutionary Programming, mutasi ini merupakan satu-satunya proses untuk menghasilkan kromosom baru. Proses ini dilakukan dengan mengganti kembali posisi x dan y pada node B yang akan dimutasikan, yaitu pada tingkat gen dengan cara mengubah nilai gen dengan menambahkan bilangan random yang dibangkitkan berdasarkan distribusi normal yang akan mengubah koordinat node B .Selain itu, dilakukan proses mutasi terhadap σ l bih d h l , d n l nj ny m i h d p x. 3.18 Seleksi Survivor Dalam Evolutionary Programming proses seleksi sangatlah penting untuk menentukan generasi yang mempunyai kesempatan untuk bertahan hidup. Proses ini dilakukan secara proporsional sesuai dengan nilai fitnessnya. Semakin besar nilai fitness yang dimiliki maka semakin besar pula peluang untuk menjadi calon individu di generasi berikutnya. 3.19 Faktor Penghenti Dalam membatasi lamanya proses pencarian nilai fitness yang optimum digunakan jumlah generasi maksimal dimana pencarian nilai optimal akan berhenti pada generasi yang telah ditentukan yaitu pada generasi ke-500.

zise berupa deretan gen-gen sepanjang ukuran posisi node B yang dibangkitkan secara acak. 3.15 Fitness Penentuan nilai fitness tergantung dari dua parameter yaitu luas daerah yang ter-cover dan daerah demand trafik yang dilayani. Fungsi Fitness

= Luas Coverage sel + Trafik

Luas coverage sel = luas sel tanpa irisan – luas sel irisan Luas sel tanpa irisan (L) L

L

Π ( 12+ r22+ r32+ r42+ r52…+

d

2 39

)

[7]

( ))

[8]

l i i n (L∩) ( )

(

4.1 Analisis Hasil Perencanaan Node B HSDPA Berdsarkan hasil perencanaan kapasitas (capacity planning) didapatkan jumlah Node B sebanyak 39 buah yang diperlukan untuk melayani kebutuhan trafik pelanggan kota Bandung. Dan setiap Node B mempunyai jari-jari 1.28 km. Sedangkan berdasarkan hasil perencanaan coverage (coverage planning) didapatkan jumlah Node B sebanyak 36 buah yang diperlukan untuk meng-cover satu kota Bandung. Dan setiap Node B mempunyai jari-jari 1.34 km. 4.2 Analisis Penggunaan Evolutionary Programming Untuk Penempatan Posisi Node B HSDPA

Untuk nilai fitness trafik , masing – masing daerah di generate satu persatu apakah daerah tersebut termasuk daerah covered atau tidak, dengan persamaan sederhana : Trafik d2 = (x1 – x2)2 + (y1 – y2)2

[9]

3.16 Representasi Kromosom

4.2.1 Analisis Parameter Evolutionary Programming dalam Penempatan Node B Setelah diketahui jumlah dari Node B yang dibutuhkan untuk meng-cover satu kota Bandung,

231


Nilai Fitness

selanjutnya perlu menempatkan Node B-Node B tersebut.. Selain itu, perlu paket pengujian parameter Evolutionary Programming untuk mendapatkan fungsi fitness yang optimal. a. Skenario I Hubungan Antara Jumlah Generasi dan Fungsi Fitness Pada simulasi Evolutionary Programming ini, penentuan jumlah generasi untuk menghasilkan fungsi fitness yang maksimal dilakukan dengan mengubah-ubah jumlah generasi dengan ukuran populasi dan mutation step size yang tetap. Adapun hubungan antara ukuran populasi dengan fungsi fitness dapat dilihat pada grafik dibawah ini:

Gambar 4.4 Hasil Simulasi terhadap Nilai Fitness Maksimum Berdasarkan grafik di atas, didapatkan fungsi fitness maksimum pada generasi penghenti 500 adalah 55329.

Hubungan Jumlah Generasi dengan Nilai Fitness 56000 54000 52000 Column2 50000 48000 100 200 300 400 500 Jumlah Generasi

Gambar 4.5 Hasil Simulasi Penenmpatan Node B dengan Generasi 500 Berdasarkan hasil simulasi diatas dapat diketahui tingkat keakuratan program Evolutionary Programming ini yaitu sebesar nilai fitness dibandingkan dengan pemetaan matrik luas coverage dan trafik kota Bandung. Akurasi program = = x 100 % = 85.66 %

Gambar 4.1 Grafik Jumlah Generasi terhadap Nilai Fitness Dimana pada grafik di atas, nilai fitness yang paling maksimal dihasilkan oleh generasi 500.

5.1 Kesimpulan Hal-hal yang dapat disimpulkan dari penelitian ini antara lain: 1. Jumlah Node B yang digunakan sebagai masukan Evolutionary Programming adalah jumlah Node B berdasarkan perencanaan kapasitas, yaitu sebanyak 39 Node B dengan jari-jari 1.28 km. 2. Akurasi program Evolutionary Programming sebesar 85.66 %, daerah yang tercover trafik dan coverage seluas 143,3 km2 dan yang tidak tercover seluas 23,99 km2 dengan total waktu komputasi yang dibutuhkan selama kurang lebih 58 jam. 3. Semakin banyak jumlah eNodeB/NodeB maka semakin besar persentase akurasi program, semakin besar daerah yang tercover, semakin kecil daerah yang tidak ter-cover dan semakin lama waktu komputasi. 5.2 Saran Berdasarkan hasil analisa dari pengujian yang dilakukan, maka dapat diambil beberapa saran untuk pengembangan penelitian selanjutnya:

4.2.2 Analisis Hasil Simulasi Penggunaan Evolutionary Programming Untuk Penempatan Posisi Node B HSDPA Dengan menggunakan parameter hasil skenario, yaitu ukuran populasi 150, mutation step size 0.1 dilakukan simulasi penempatan Node B dengan faktor penghenti simulasi adalah jumlah generasi maksimal yaitu 500 generasi.

232


1.

Dalam penempatan Node B sebaiknya ditambah parameter lain misalnya kondisi geografis atau topologi daerah selain demand trafik dan luas coverage. 2. Perlu adanya algoritma lain untuk mengidentifikasi parameter Evolutionary Programming untuk menghasilkan kombinasi parameter Evolutionary Programming yang paling ideal sehingga menghemat waktu pengerjaan. 3. Perlu algoritma lain Evolutionary Programming sebagai pembanding untuk melihat performansi dalam penempatan Node B. DAFTAR PUSTAKA [1]

[2]

[3]

[4]

[5] [6]

Anshari, Nurkhalis. 2008.” Perencanaan UMTS (Uiversal Mobile Telecommunication System) di Wilayah Banjarmasin ”. Bandung:IT Telkom Ap lin Si p , Elv . 2010. “An li Performansi High Speed Downlink Packet A (HSDPA) p d Nod B ITB”. Bandung :IT Telkom Badan Pusat Statistika. 2008.” Bandung Dalam Angka 2009 ”. Bandung : BPS Jawa Barat R i h , Aj y.2007.“Adv n C ll l Network Planning and Op im ion”.Engl nd: John Wiley & Sons. Suyanto. 2005. ” Algoritma Genetika Dalam Matlab ”.Yogyakarta: Andi. Suyanto. 2008.” Evolutionary Computation ”. Bandung: Informatika.

233

PROSIDING SEMINAR NASIONAL GEOFISIKA 2014 Optimalisasi Sains dan Aplikasinya Dalam Peningkatan Daya Saing Bangsa Makassar, 13 September 2014

Recommend Documents