Tinjauan Pustaka

2. Tinjauan Pustaka

2.2 ANN Error Back-Propagation

2.1 K-Support Vector Nearest Neighbor

Artificial Neural Network (ANN) merupakan Prasetyo [1] mengusulkan K-SVNN sebagai

suatu konsep rekayasa pengetahuan dalam bidang metode untuk mereduksi data latih sebelum

kecerdasan buatan yang didesain dengan mengadopsi melakukan prediksi. Ada waktu yang diperlukan K-

sistem saraf manusia, dimana pemrosesan utama SVNN untuk melakukan tahap reduksi (disebut

sistem syaraf manusia ada di otak. ANN terdiri dari sebagai pelatihan). Hasil reduksi adalah sejumlah data

sebuah unit pemroses yang disebut neuron yang berisi latih yang punya pengaruh pada fungsi tujuan

penambah (adder) dan fungsi aktivasi, sejumlah kemudian data latih yang didapatkan tersebut

bobot, dan sejumlah vektor masukan [3]. Fungsi disimpan untuk digunakan sebagai acuan pada saat

aktivasi yang berguna untuk mengatur keluaran yang prediksi. Prasetyo menyatakan bahwa K-SVNN

diberikan oleh neuron. ANN membutuhkan proses termasuk dalam kategori semi eiger learning. Hasil

pelatihan agar ANN dapat melakukan prediksi kelas pengujian

suatu data uji baru yang ditemukan. Proses pelatihan Parameter penting yang berpengaruh pada hasil

dalam ANN dapat menggunakan algoritma-algoritma reduksi adalah K, dimana K adalah jumlah tetangga

seperti: Perceptron, Backpropagation, Self Organizing terdekat yang dilibatkan untuk mendapat support

Map (SOM), Delta, Associative Memori, Learning vector yang mempunyai pengaruh dalam penentuan

Vector Quantization, dan sebagainya. keputusan hasil prediksi. Support vector yang

Multi Layer Percetron (MLP) merupakan ANN dimaksud disini adalah data-data yang berada pada

turunan dari perceptron, berupa ANN feedforward posisi disekitar garis keputusan. Garis keputusan

dengan satu atau lebih layer tersembunyi (hidden adalah garis yang membagi data menjadi dua kelas

layer ). Biasanya, jaringan terdiri dari satu layer atau lebih berbeda. Pada berbagai kasus garis ini tidak

masukan, setidaknya satu layer neuron komputasi linear, tetapi K-SVNN dan metode-metode berbasis

ditengah (tersembunyi/hidden), dan sebuah layer K-NN lainnya dapat memproses data dengan garis

Sinyal masukan keputusan yang tidak linear. K-SVNN membutuhkan

dipropagasikan dengan arah maju pada layer-per- K sebagai parameter yang menentukan jumlah data

layer.

yang direduksi. Pengujian kinerja metode secara lokal Banyak algoritma pelatihan yang tersedia, tetapi untuk mengamati penggunaan K menyatakan bahwa

yang paling popular adalah back-propagation. Metode semakin kecil nilai K maka jumlah data yang tersisa

ini diusulkan pertama kali pada tahun 1969 oleh sebagai support vector semakin sedikit, begitu pula

Bryson dan Ho. Cara pelatihan yang dilakukan sebaliknya. Hasil pengujian kinerja metode secara

algoritma back-propagation sama dengan perceptron. lokal lainnya menyatakan bahwa prediksi yang

Sejumlah data latih sebagai pola masukan diberikan dilakukan K-SVNN tidak dipengaruhi secara

pada jaringan. Jaringan menghitung pola keluaran, signifikan oleh nilai K yang digunakan pada saat

jika ada error (perbedaan antara target keluaran yang reduksi. Waktu yang diperlukan untuk melakukan

diinginkan dengan nilai keluaran) maka bobot dalam prediksi juga berbanding lurus terhadap nilai K yang

jaringan akan diubah untuk mengurangi error

SVM yang menggunakan teknik kernel harus pelatihan mempunyai dua fase. Fase pertama,

Dalam MLP back-propagation,

algoritma

memetakan data asli dari dimensi asalnya menjadi vektor/pola masukan diberikan pada layer masukan.

dimensi lain yang relatif lebih tinggi. Jika pada ANN, Jaringan kemudian merambatkan pola masukan dari

semua data latih akan dipelajari selama proses layer masukan ke hidden layer pertama, kemudian

pelatihan, SVM tidak seperti itu, hanya sejumlah data diteruskan ke layer hidden berikutnya sampai nilai

terpilih saja yang berkontribusi untuk membentuk keluaran dibangkitkan oleh layer keluaran. Fase

model yang digunakan dalam klasifikasi yang akan kedua, jika nilai/pola keluaran berbeda dengan nilai

dipelajari. Hal ini menjadi kelebihan SVM karena keluaran yang diinginkan, error akan dihitung

tidak semua data latih akan dipandang untuk kemudian dirambatkan balik dari layer keluaran

dilibatkan dalam setiap iterasi pelatihannya. Data-data sampai

yang berkontribusi tersebut disebut Support Vector. dimodifikasi selama proses perambatan balik.

kembali ke

Konsep klasifikasi dengan SVM dapat dijelaskan Parameter-parameter yang mempengaruhi kinerja

secara sederhana sebagai usaha mencari hyperplane ANN Error Back-propagation sebagai berikut:

terbaik yang berfungsi sebagai pemisah dua buah

1. Jumlah layer tersembunyi. Layer ini berfungsi kelas data pada input space. Hyperplane (decision untuk memetakan fitur-fitur tersembunyi dari

boundary) pemisah terbaik antara kedua kelas dapat fungsi tujuan kemudian menyalurkan sinyal

ditemukan dengan mengukur margin hyperplane keluarannya ke layer setelahnya. Dengan satu

tersebut dan mencari titik maksimalnya. Margin hidden

adalah jarak antara hyperplane tersebut dengan data sembarang fungsi kontinyu dari sinyal masukan,

terdekat dari masing-masing kelas. Data yang paling dan

dekat ini disebut sebagai support vector. Usaha untuk diskontinyupun dapat direpresentasikan.

dengan dua

mencari lokasi hyperplane ini merupakan inti dari

2. Jumlah neuron dalam layer tersembunyi.

proses pelatihan pada SVM.

Neuron dalam hidden layer mendeteksi fitur- Parameter-parameter yang berpengaruh dalam fitur tersembunyi, bobot dari neuron dalam

kinerja SVM adalah sebagai berikut: hidden

1. Alpha, nilai Lagrange multiplier () yang tersembunyi dalam vektor masukan. Fitur-fitur

didapatkan dari proses pelatihan. tersembunyi ini kemudian digunakan oleh layer

2. Bias, nilai bias (b) yang didapat dari pelatihan. keluaran dalam penentuan pola/kelas keluaran.

Fungsi kernel, pilihan yang bisa digunakan: Semakin besar jumlah neuron dalam layer

linear, quadratic, rbf, polynomial. tersembunyi maka proses pelatihan menjadi lebih lama, tetapi jumlah yang sedikit dapat

3. Analisis Perbandingan

menyebabkan ANN manjadi underfitting.

3. Laju pelatihan

Metode-metode yang dilakukan pengujian kinerja menentukan laju perubahan bobot. Nilainya

dan analisis yaitu K-SVNN, ANN Error Back- dalam jangkauan 0 ≤  ≤ 1.

Propagation (ANN-EBP), dan SVM. Ketiga metode

4. Momentum (),

ini dapat digunakan untuk klasifikasi, tetapi berasal menyeimbangkan proses pelatihan dengan

digunakan

untuk

dari rumpun yang berbeda. K-SVNN diturunkan dari overfitting yang kemungkinan dapat terjadi.

K-NN, ANN-EBP diturunkan dari Perceptron yang Nilainy a dalam jangkauan 0 ≤  ≤ 1.

masih keluarga Artificial Neural Network, sedangkan

5. Target error, digunakan untuk menentukan SVM diturunkan dari formula-formula statistik. kriteria error yang harus dicapai sebagai ukuran

Karena berasal dari induk berbeda maka penggunaan bahwa ANN berhasil melakukan generalisasi

parameter-parameter dalam penggunaannya juga data dengan baik. Nilainya biasanya kecil, e ≤

berbeda, tetapi ketiga bertujuan sama, yaitu 0.001

melakukan klasifikasi. K-SVNN yang dibandingkan

6. Jumlah iterasi, nilainya digunakan untuk terhadap ANN-EBP dan SVM tidak dibandingkan membatasi jumlah pelatihan jika targer error

dalam hal parameter melainkan dalam hal kinerja, belum tercapai.

baik kinerja pada saat pelatihan maupun pada saat prediksi. Parameter-parameter untuk ketiga metode

2.3 Support Vector Machine

dipilih nilai-nilai yang dapat mengoptimalkan akurasi. Kinerja pelatihan diukur dalam hal waktu yang

digunakan untuk pelatihan, kinerja prediksi diukur dikembangkan dan diterapkan adalah Support Vector

Metode klasifikasi

dalam hal waktu yang digunakan untuk prediksi dan Machine (SVM). Metode ini berakar dari teori

akurasi prediksi yang didapat. Skema sistem yang pembelajaran

dilakukan dalam penelitian ini seperti pada gambar 1. menjanjikan untuk memberikan hasil yang lebih baik dari metode yang lain [3]. SVM juga bekerja dengan

baik pada dat set dengan dimensi yang tinggi, bahkan

K-SVNN

4. Secara implisit/eksplisit menggunakan fungsi kernel SVM secara eksplisit menggunakan fungsi kernel. ANN-EBP secara implicit menggunakan fungsi kernel, ini bisa diamati pada layer

PERBANDINGAN

tersembunyi, dimana latyer tersembunyi seolah

ANN-EBP KINERJA: akurasi, waktu pelatihan,

SVM

memetakan data masukan ke dimensi yang relatif lebih tinggi. Sedangkan K-SVNN sama sekali tidak menggunakan fungsi kernel, hal ini menjadi salah satu keunggulan K-SVNN dibandingkan dua metode lainnya.

waktu prediksi

5. Kebutuhan memori Memori yang digunakan oleh SVM adalah untuk Gambar 1. Skema perbandingan metode

Hasil Perbandingan

menyimpan hasil pemetaan pasangan data hasil dari Hasil analisis yang dilakukan penulis dalam

fungsi kernel. ANN-EBP hanya membutuhkan menemukan persamaan yang dimiliki oleh ketiga

sejumlah variabel untuk menyimpan nilai bobot. metode tersebut adalah sebagai berikut:

Sedangkan ukuran memori yang dibutuhkan K-SVNN

1. Ketiga metode memerlukan proses pelatihan setara dengan SVM karena K-SVNN harus sebelum model digunakan pada saat prediksi.

menyimpan semua jarak pasangan data.

2. Ketiga metode dapat memproses data-data yang

mempunyai garis keputusan yang tidak linear.

4. Pengujian Kinerja dan Analisis Hasil

Sedangkan perbedaan ketiga metode disajikan pada tabel 1. Hasil analisis pada saat pengamatan

proses metode dapat dijelaskan sebagai berikut: Pengujian dilakukan terhadap empat set data

1. Penyimpanan sebagian set data latih publik yang diunduh dari UCI Machine Learning ANN-EBP sama sekali tidak menyimpan

Repository [8], yaitu: Iris (150 record, 4 fitur), satupun data yang digunakan pada saat

Vertebral Column (310 record, 6 fitur), Wine (178 pelatihan, hanya bobot terakhir yang didapat

record, 13 fitur), dan Glass (214 record, 9 fitur). pada saat pelatihan saja yang disimpan. SVM

Sistem pengujian menggunakan 5 fold, dimana 80% menyimpan sebagian data yang mempunyai

digunakan sebagai data latih dan 20% digunakan pengaruh pada fungsi tujuan (hyperplane).

sebagai data uji. K-SVNN yang diuji dalam penelitian Sedangkan K-SVNN juga menyimpan sebagian

ini masih bekerja hanya pada dua kelas saja, sehingga data yang berpengaruh pada fungsi tujuan, tetapi

harus dilakukan penggabungan beberapa kelas komposisi data yang lolos menjadi support

berbeda menjadi satu kelas pada data set yang vector disini tidak sama dengan SVM. Dalam

komposisi kelasnya lebih dari dua, yaitu Iris, SVM, support vector didapat setelah melalui

dilakukan penggabungan data dengan label kelas pemetaan oleh fungsi kernel, sedangkan K-

„setosa‟ dan „versicolor‟ menjadi satu kelas. Karena SVNN tidak menggunakan pemetaan.

data-data pada setiap fitur mempunyai jangkauan nilai

2. Kriteria yang mempengaruhi kinerja yang berbeda,maka dilakukan pra-pemrosesan yaitu ANN-EBP menggunakan banyak parameter

normalisasi. Sebelum dilakukan proses pengujian, yang harus ditetapkan diawal proses, pemilihan

semua data pada setiap fitur dilakukan normalisasi nilai ini juga menjadi hal yang sangat

agar nilai pada setiap fitur menggunakan jangkauan merepotkan, perlu pengetahuan yang luas untuk

yang sama yaitu [0,1].

dapat memberikan set nilai yang tepat. SVM

pengujian dilakukan hanya menetapkan parameter fungsi kernel yang

Untuk

K-SVNN,

menggunakan nilai K = 13 baik untuk pelatihan digunakan.

maupun prediksi. Untuk ANN-EBP menggunakan menggunakan K tetangga terdekat. Pemilihan

parameter-parameter sebagai berikut: jumlah layer nilai K juga menjadi hal yang sensitif.

tersembunyi = 1, jumlah neuron dalam layer

3. Solusi global optima tersembunyi = 150, laju pembelajaran = 0.1, Solusi global optima merupakan solusi yang

momentum = 0.95, target error = 0.001, dan jumlah selalu mengarah pada jawaban yang sama pada

iterasi maksimal = 1000. Sedangkan SVM diuji setiap kali percobaan. Hanya SVM yang bisa

menggunakan fungsi kernel rbf.

dipastikan mengarah pada solusi yang global Hasil pengujian untuk akurasi disajikan pada tabel optima. Sedangkan K-SVNN relatif dipengaruhi

2, hasil pengujian untuk waktu yang digunakan dalam oleh nilai K yang digunakan, untuk K yang

proses pelatihan disajikan pada tabel 3, hasil sama pada setiap percobaan K-SVNN dapat

pengujian untuk waktu yang digunakan dalam proses mengarah pada solusi global optima, tetapi

prediksi disajikan pada tabel 4. Dari hasil disajikan untuk K berbeda pada setiap percobaan K-

pada tabel 2, dapat diamati bahwa K-SVNN SVNN dapat terjebak pada solusi lokal optima.

mempunyai akurasi prediksi yang relatif lebih baik mempunyai akurasi prediksi yang relatif lebih baik

mahal.

metode lainnya. Khusus perbandigan dengan SVM, Dari analisis pengujian yang dilakukan pada 3 ternyata K-SVNN unggul pada 2 set data yaitu Iris

masalah tersebut, dapat dinyatakan bahwa K-SVNN dan Wine, sedangkan untukVertebral Column dan

pada satu sisi lebih baik sedangkan pada sisi lain tidak Glass masih dibawah SVM, hal ini menjadi kelebihan

lebih baik daripada dua metode pembanding lainnya. relatif K-SVNN dibanding SVM mengingat SVM mempunyai kinerja prediksi sudah terbukti baik tetapi

5. Simpulan

dengan komputasi yang lebih mahal. Hasil pengujian waktu yang digunakan selama

Dari pengujian dan analisis yang dilakukan dalam proses pelatihan menunjukkan bahwa K-SVNN juga

penelitian ini dapat disimpulkan sebagai berikut: relatif lebih singkat dibanding metode lainnya. Untuk

1. K-SVNN mempunyai akurasi yang relatif lebih set data Iris, perbandingan dengan SVM ternyata K-

baik dan waktu pelatihan yang relatif lebih SVNN 14 kali lebih singkat, sedangkan dengan ANN-

singkat daripada ANN-EBP dan SVM EBP 655 kali lebih singkat. Khusus untuk Wine,

2. Dalam hal waktu prediksi, K-SVNN tidak lebih SVM lebih unggul dibanding K-SVNN, walaupun

baik dari pada SVM, tetapi lebih baik daripada hanya beda tipis 6 mili detik.

ANN-EBP.

Tabel 2. Akurasi prediksi

3. Waktu yang digunakan K-SVNN untuk

Akurasi (%)

pelatihan masih boleh dikatakan jauh lebih

Set data

singkat jika dibandingkan dua metode lainnya. Saran yang dapat diberikan dari hasil penelitian ini

Iris

adalah sebagai berikut:

Ver.

1. Pengujian dalam penelitian ini hanya diterapkan

Col.

pada 4 set data saja, sehingga hasil yang didapat

Wine

dari penelitian ini masih relatif terhadap set data

Glass

yang sudah diuji saja. Perlu pendalaman lebih lanjut dengan mengujinya pada set data yang

lain.

Tabel 3. Waktu pelatihan

2. K-SVNN masih perlu dibandingkan dengan Waktu (milidetik) Set data

metode-metode klasifikasi yang lain, seperti: K-SVNN ANN-EBP

Ket.

decision tree, atau naïve bayes, untuk Iris

mengetahui sejauh mana perbandingan kinerja dari metode yang lain ketika diimplementasikan.

3. K-SVNN mempunyai peluang untuk dapat Wine

Ver. Col.

digunakan sebagai pekerjaan pra-pemrosesan Glass

pada set data sebelum digunakan sebagai data latih baik pada ANN-EBP maupun SVM, tetapi

tentu saja hal ini harus dibayar oleh waktu Tabel 4. Waktu prediksi

komputasi yang dibutuhkan untuk melakukan Waktu (milidetik) Set data

Daftar Pustaka:

Ver. Col.

E. Prasetyo, “K-Support Vector Nearest Wine

Neighbor untuk Klasifikasi Berbasis K- NN”, in Glass

proceding Seminar Nasional Sistem Informasi Indonesia , Jurusan Sistem Informati ITS,

Surabaya, 2012.

[2] P.N. Tan, M. Steinbach, V. Kumar, “ menunjukkan

Hasil pengujian

dibandingkan ANN-EBP pada semua set data. Hal ini Introduction to Data Mining”, 1st Ed, Pearson

Education: Boston San Fransisco New York, sangat

beralasan karena

menggunakan sama sekali set latih yang sudah

E. Prasetyo, “Data Mining – Konsep dan Aplikasi dilatihkan terhadapnya sehingga proses prediksi

menjadi lebih singkat. Sedangkan K-SVNN selalu Menggunakan Matlab”, edisi 1, Andi Offset:

Yogyakarta, 2012.

lebih unggul dibanding SVM, hasil juga sangat beralasan mengingat K-SVNN tidak menggunakan [4]

X. Wu, V. Kumar, “The Top Ten Algorithms in Data Mining”, CRC Press Taylor & Francis

fungsi kernel untuk memetakan data ke dimensi baru Group: Boca Raton London, 2009. yang

relatif lebih

tinggi,

sedangkan

SVM

[5] K.C. Gowda, G. Krishna, G, “The Condensed Intelligence (PRICAI-2006). Guilin, China, 7-11 Nearest Neighbor Rule Using the Concept of

August 2006. Springer-Verlag Berlin Heidelberg, Mutual

Transactions on Information Theory. 25 (4), [7] H.A. Fayed, A.F. Atiya, “A Novel Template 1979, pp.488-490.

Reduction Approach for the K-Nearest Neghbor [6]

A. Srisawat, T. Phienthrakul, B. Kijsirikul, “SV- Method”, IEEE Transaction on Neural Network, KNNC: An Algorithm for Improving the

20(5), 2009, pp.890-896.

Efficiency of K- Nearest Neighbor”, In: Qiang [8] UCI Machine Learning Repository , 20 Mei Yang, Geoffrey I. Webb. The 09th Pacific Rim

2012, http://archive.ics.uci.edu/ml/datasets.html International

Conference

on

Artificial

PERANCANGAN SOFTWARE UNTUK MENDETEKSI TINGKAT KEANDALAN SUTET DENGAN METODE BURSDORF

Erna Dwi Astuti 1) , Dian Asmarajati 2) , Riza Alfita 3) , M.Yusuf Idris 4)

1,2 Prodi Teknik Informatika Universitas Sains Al-

3 Fakultas Teknik Universitas Trunojoyo Qur‟an Wonosobo

4) Fakultas Ilmu Sosial Universitas Negeri Malang

erna_unsiq@yahoo.co.id 3) , dianaj@fastikom-unsiq.ac.id,

riza_alfita@mti.ugm.ac.id ,

yogya_001@yahoo.co.id

Abstrak

Gangguan petir pada saluran transmisi adalah gangguan yang disebabkan oleh sambaran petir pada saluran transmisi, baik secara langsung maupun tidak langsung (sambaran induksi) sehingga menyebabkan terganggunya kontinuitas penyaluran daya listrik dari suatu saluran transmisi. Pada saluran transmisi petir merupakan penyebab utama pemutusan yang tidak direncanakan, sehingga harus diketahui betul tingkat bahayanya. Suatu sistem tenaga listrik dikatakan handal apabila dapat mensuplai beban secara continue. Panjangnya saluran dan keadaan alam seperti bahaya sambaran petir di sepanjang saluran mempengaruhi keandalan saluran. Keandalan pada sistem erat kaitannya dengan masalah pemutusan akibat gangguan. Dari sudut pandang keteknikan keandalan adalah kemungkinan bekerjanya suatu sistem (saluran) sesuai fungsinya pada periode waktu tertentu dibawah kondisi tertentu. Untuk mendapatkan kontinuitas penyaluran daya listrik yang baik tentunya diperlukan saluran transmisi dengan tingkat keandalan yang cukup tinggi. Keandalan dari saluran transmisi ditentukan oleh jumlah angka keluar selama operasi berlangsung. Yang dimaksud angka keluar disini adalah jumlah gangguan tidak berfungsinya saluran transmisi per 100 km/tahun yang disebabkan oleh sambaran petir. Mengingat pentingnya kontinuitas penyaluran saluran transmisi maka diperlukan suatu perangkat lunak perhitungan tingkat keandalan saluran tranmisi tegangan ekstra tinggi yang hasilnya akurat dan sesuai dengan keadaan yang ada dilapangan.

Kata Kunci : Petir, Keandalan

1. Pendahuluan

terdapat 4 faktor yang memegang peranan penting dalam keandalan adalah :

Reliability (keandalan)

adalah

peluang

a. Kemungkinan (Probability)

berfungsinya suatu alat atau sistem secara continue Angka yang menyatakan berapa kali gangguan pada keadaan tertentu dan dalam periode waktu

terjadi dalam waktu tertentu pada suatu sistem tertentu pula. Dapat juga dikatakan kemungkinan atau

atau saluran.

tingkat kepastian suatu alat atau sistem akan berfungsi

b. Bekerja dengan baik (Performance) secara memuaskan pada keadaan tertentu dalam

Menunjukkan kriteria kontinuitas suatu saluran waktu tertentu pula. Dalam pengertian ini, tidak

sistem penyaluran tenaga listrik tanpa mengalami hanya peluang dari kegagalan tetapi juga banyaknya,

gangguan.

lamanya dan frekuensinya

juga

penting.

c. Periode Waktu

Kemungkinan atau tingkat kepastian sedemikian itu Periode waktu adalah lama suatu saluran bekerja tidak dapat diduga dengan pasti, tetapi dapat dianalisa

dengan baik sesuai dengan fungsinya. Semakin atas dasar logika ilmiah.

lama saluran digunakan, maka akan semakin Secara umum keandalan didefinisikan sebagai

banyak kemungkinan terjadinya kegagalan. kemungkinan (Probability) dari suatu sistem yang

d. Kondisi Operasi

mampu bekerja sesuai dengan kondisi operasi tertentu Kondisi operasi yang dimaksud adalah keadaan dalam jangka waktu yang ditentukan, dengan kata lain

lingkungan kerja dari suatu jaringan seperti keandalan disebut juga dengan kecukupan atau

pengaruh suhu, kelembapan udara dan getaran ketersediaan (availability). Keandalan memiliki sifat

yang mempengaruhi kondisi operasi. non deterministik (terjadi secara kebetulan) tapi probabilistik (sesuatu yang bersifat acak, tidak pasti, namun dapat dianalisa dengan teori probabilitas)

2. Variabel yang

Mempengaruhi

Indeks

terkaman kilat yang mungkin terjadi pada penghantar

Keandalan Circuit Exposure and Load Density

udara tegangan tinggi dapat ditentukan dengan persamaan :

Sirkit yang panjang akan menambah gangguan

yang terjadi pada sirkit itu. Ini sulit untuk dihindari

pada sirkit radial normal, walaupun kita dapat sedikit

A 2 = (2  +1).Ht + 4.hg (S –ht) (3)

banyak mengurangi kerugian dengan menambahkan

dimana :

recloser, sekering, penambahan switch poin ekstra,

D = Kepadatan kilat per meter persegi pertahun atau otomatisasi. Kebanyakan dari perubahan ini

IKL = Jumlah hari guruh rata-rata pertahun adalah pada SAIFI, jangka waktu gangguan (CAIDI)

L = Jumlah terkaman kilat yang mungkin lebih sedikit tergantung pada panjangnya sirkuit ke

terjadi per 100 km penghantar per tahun beban. Dalam hal ini lebih mudah untuk menyediakan

A = Luas daerah yang dilindungi kawat tanah keandalan yang tinggi pada wilayah perkotaan karena

= Panjang gawang rata-rata panjangnya sirkit lebih pendek, dan sistem distribusi

Ht = Tinggi menara (m)

lebih dapat dipercaya (seperti suatu jaringan grid) Hg = Tinggi kawat tanah rata-rata (m) jadilah lebih hemat.

2.1 Susunan Suplai ( Supply Configuration)

2.4 Aliran Daya Melalui Saluran Transmisi

Suplai distribusi sangat mempengaruhi tingkat Gambar berikut merupakan saluran transmisi keandalan. Sirkit radial yang panjang akan

dengan konstanta ABCD

menyediakan pelayanan yang buruk (rendah) sedangkan sistem jaringan grid menyediakan pelayanan yang bagus.

2.2 Tegangan ( Voltage)

Gambar 1. Saluran Transmisi dengan Konstanta Umum ABCD

Tegangan primer yang

tinggi cenderung

Daya pada ujung penerima :

membuat keandalannya rendah, karena bentuk S R = P R + jQ R (4) jaringan lebih panjang. Pada sirkit primer tegangan

tinggi, harus diusahakan untuk mencapai keandalan R R (5)

= V xI

Atau :

yang sama dengan sirkit tegangan rendah dengan cara menambah reclosers, lebih banyak tombol pembagi

     . V n     (6) (sectionalizing switches), lebih banyak perlengkapan

(tree trimming), dan sebagainya. Daya aktif dan daya reaktif di ujung penerima adalah Dengan kemampuan untuk membangun lebih banyak

jaringan yang panjang dan melayani banyak

. cos (    )  . V n cos (    ) (7) bertambahnya pengguna listrik.

pelanggan, V hal ini sulit untuk mengatasi S . V R

2.3 Metode Burgsdorf

. sin (    )  . V n sin (    )

Burgsdorf menciptakan suatu metode empiris

yang secara praktis dapat digunakan untuk

Dimana :

menghitung jumlah gangguan kilat pada kawat fasa

= daya aktif di ujung penerima (jumlah

PR

= daya reaktif di ujung penerima perlindungan kawat tanah) :

A,B = konstanta ABCD (besaran vector) Log P   0 , 06 .   2 , 2  ,  (1) ,  = sudut konstanta A,B, dan D

dimana : Dari persamaan diatas dapat dilihat bahwa daya

P  = Probabilitas kegagalan perlindungan kawat

maksimum pada ujung penerima terjadi saat  ,  tanah

jadi daya maksimum pada ujung penerima :

 = Sudut proteksi kawat tanah

. V n cos (    ) (9) Pada persamaan diatas, parameter-parameter lainnya

P Rmaks =

tidak diperhitungkan. Menurut persamaan tersebut, Sedangkan pada daya reaktifnya diperoleh kegagalan

merupakan fungsi dari sudut kawat tanah. Luas

. V n sin (    ) (10) daerah yang dilindungi kawat tanah, maka jumlah

R mak =

Rumusan-rumusan yang digunakan lebih lanjut pada saluran transmisi sama dengan penurunan daya pada suatu generator tiga fasa, yaitu

=3.V s .I P s Cos  s

R =3.V R P .I R Cos  R

Tentukan data Yang Diperlukan :

I (13)

- IKL Daerah Yang Dilalui Penghantar

3 . V R . cos 

- Tinggi Menara (m)

- Tinggi Kawat Tanah rata-rata

P R  - Jarak Gawang Rata-rata 

- Sudut Perlindungan Kawat Tanah S S = PR +  P P rugi rugi

x 100 %

Pengaturan tegangan (Voltage Regulation)

Menentukan Kepadatan Kilat Pada Saluran

didefinisikan sebagai berikut :

Menentukan Luas Daerah Yang Dilindungi Kawat

Menentukan jumlah Terkaman Kilat Yang Mungkin

Terjadi

START

Pendifinisian Masalah

Menentukan Kemungkinan Kegagalan Kawat

Tanah

Studi Literatur

Menentukan Jumlah Gangguan Akibat Kegagalan

Analisa Kebutuhan Sistem

Perlindungan Pada Kawat Tanah

Pengkodean

Hitung tingkat Keandalan

Standarisasi Pengetesan Pengkodean

Pengkodean

Continues Integration

Perancangan Sistem

Selesai

Implementasi Sistem Dengan Metode Burgsdorf

Gambar 3. Proses Perhitungan

A 3.1. Program Perhitungan

- Span Rata-rata = 355,289 m - Andongan Rata = 11,09 m

Uji Coba Sistem

Bug ?

- Isokeraunik (IKL) = 81 - Tinggi kawat tanah (h t ) = 69,5 m

Penarikan Kesimpulan dan Presentasi di Seminar Nasional dan Jurnal Nasional

- Tinggi kawat tanah rata-rata (Hg) = 62,76 m

Kepadatan Kilat -8

Selesai

D = 9,875.10 . IKL

Gambar 2. Rancangan Penelitian

= 9,875.10 . 81 -7

Luas daerah yang dilindungi kawat tanah

A = (2 2  +1) . Ht + 4 . hg (S – ht)

= 106529,2687 m

2 4. Kesimpulan

Hg = Yg - . Andongan Rata-rata

3 - Berdasarkan hasil perhitungan dan program

gangguan sebesar = 69,5 -

sehingga dapat disimpulkan

bahwa jumlah gangguan petir per 100km/tahun sangat baik

1000 L = 100 .

.A.D - Berdasarkan uji coba dapat disimpulkan bahwa s

saluran udara tegangan ekstra tinggi jarang 1000

-7 = 100. . 106529,2687 . 8,9575 .10 sekali mengalami gangguan akibat sambaran 353 , 7476

petir karena adanya perlindungan kawat tanah - Sudut perlindungan antara kawat fasa dan

= 6,50154 kawat tanah cukup kecil sehingga mampu Kemungkinan Kegagalan

melindungi kawat fasa terhadap sambaran petir

Jumlah Gangguan 0,1 % . 6,50164 = 6,5014.10 -3 Daftar Pustaka:

Alvarado, Fernando. dan Oren, Shmuel. 2008.

Transmission

Operation and Interconnection . University of Wisconsin, Madison, Wisconsin.

System

Brown, Ryan. (ed). 2012. Reliability Enhancement of The Avista Electric Power System . Gonzaga University, Spokane.

Ditjen Listrik dan Pemanfaatan Energi Departemen Energi dan Sumber Daya Mineral. 2010. Aturan Jaringan Jawa-Madura-Bali . Jakarta.

Hutauruk, T.S. 2009. Gelombang Berjalan dan Proteksi Surja. Jakarta : Erlangga

Karnoto, Tarsiah S. Hardiono, Agung Warsito, 2003, Gambar 4. Form Input Konfigurasi Tower

Sosialisasi dan Evaluasi diri Konservasi Energi Universitas Diponegoro tahun 2003.

Badan Penerbit Universitas Diponegoro. Kim, Hyungchul. 2010. Evaluation of Power System Security and Development of Transmission Price Method . A Dissertation, Texas A&M University.

Marsudi, Djiteng. 2005. Operasi Sistem Tenaga Listrik . Balai Penerbit dan Humas ISTN,

Jakarta.

Pottonen, Liisa. 2011. A Method for The Probabilistic

Gambar 5. Fom Input Data Saluran Security Analysis of Transmission Grid . Doctoral Dissertation, Helsinki University of

Technology. Siti, Saodah. 2011. Evaluasi Keandalan sistem Distribusi Tenaga Listrik Berdasarkan SAIDI dan SAIFI. Seminar Nasional Aplikasi dan Teknologi 2011.

Sommerville,I.,

Making Ethnography Accessible: Bridging Real-World Experience to HCI Designers and Software Engineers . Computing Department, Lancaster University, UK.

Wiwied., 2011. Evaluasi Keandalan Sistem Tenaga Listrik Pada Jaringan Distribusi Primer Tipe Radial Gardu Induk Blimbing.

Yeu, Rodney. 2008. Post-Contingency Equilibrium Analysis . IEEE Toronto Centennial Forum on Reliable Power Grids in Canada.

Gambar 6. Fluktuasi Arus Sambaran

SISTEM INFORMASI GEOGRAFIS TINGKAT KERAWANAN DEMAM BERDARAH BERBASIS WEB

Supriatna Adhisuwignjo 1 , Azam Muzakim Imammuddin 2 , Suci Astutik 3 , Agustin Iskandar 4

1,2 Teknik Elektro Politeknik Negeri Malang

3 Fak. MIPA dan 4 Fak. Kedokteran Universitas Brawijaya Email : 1 supriatna_s@yahoo.com

Abstrak

Indonesia sebagai salah satu negara di daerah beriklim tropis, sangat rentan terhadap penyakit demam berdarah. Jumlah kasus penyakit demam berdarah di Indonesia, terus meningkat dengan sangat tajam. Penyakit demam berdarah terkenal mudah sekali menular dan mewabah. Disisi lain perkembangan bidang teknologi informasi saat ini sangat pesat. Sistem Informasi Geografis (SIG) sebagai suatu sistem berbasiskan komputer digunakan untuk menyimpan dan memanipulasi informasi-informasi geografis. Informasi juga bisa diperoleh dari web dengan sangat cepat dan informasi yang ditampilkan pada web mudah di-update.

Tujuan penelitian adalah untuk menentukan tingkat kerawanan demam berdarah dengan regresi spasial dan merancang sistem informasinya berbasis web.

Penelitian ini dilakukan dengan cara melakukan analisis regresi spasial, serta melakukan perancangan dan pembuatan sistem informasi geografis tingkat kerawanan demam berdarah berbasis web.

Berdasarkan hasil analisis terhadap model regresi spasial, diperoleh bahwa model regresi spatial SEM merupakan model regresi spatial terbaik. Hal ini ditunjukkan besarnya proporsi keragaman yang dapat diterangkan model SEM sebesar 79% dengan nilai AIC yang paling kecil. Dari model SEM yang diperoleh digunakan untuk membuat peta prediksi IR demam berdarah yang dihubungkan dengan salah satu faktor penyebabnya yaitu curah hujan. Web site sebagai penyedia informasi tingkat kerawanan demam berdarah dapat bekerja dengan baik sesuai yang direncanakan.

Kata kunci : Sistem Informasi Geografis, Kerawanan, Demam berdarah, Web

1. Pendahuluan

penelitian ini dirancang dan dikembangkan suatu Sistem Informasi Geografis Tingkat Kerawanan

Jumlah kasus penyakit demam berdarah di Penyakit Demam Berdarah Berbasis Web. Melalui Indonesia, terus meningkat dengan sangat tajam baik

penelitian ini diharapkan masyarakat memperoleh dalam hal jumlah maupun luas wilayah yang

informasi tentang tingkat kerawanan suatu daerah terjangkit dan secara sporadis selalu terjadi Kejadian

terhadap penyakit demam berdarah melalui fasilitas Luar Biasa (KLB) setiap tahun. Penyakit demam

website sehingga resiko kematian akibat demam berdarah terkenal mudah sekali menular dan

berdarah dapat dikurangi.

mewabah. Penyakit ini disebut pula sebagai penyakit endemis yakni penyakit yang secara tetap menjadi

2. Kajian Pustaka

wabah rutin yang akan datang melanda dan berjangkit kembali pada waktu-waktu dan di tempat-

2.1. Demam Berdarah

tempat yang pernah dihinggapi atau sudah dijangkitinya.

Penyakit demam berdarah ialah penyakit yang Disisi lain perkembangan pada bidang

disebabkan oleh virus dengue dan ditularkan melalui teknologi informasi saat ini sangat pesat. Sistem

gigitan nyamuk Aedes aegypti dan Aedes albopictus. Informasi Geografis (SIG) dinyatakan sebagai suatu

Kedua jenis nyamuk ini terdapat hampir di seluruh sistem berbasiskan komputer yang digunakan untuk

pelosok Indonesia.Penyakit Demam Berdarah menyimpan dan memanipulasi informasi-informasi

Dengue (DBD) merupakan salah satu masalah geografis. Salah satu kemampuan perangkat SIG

Indonesia. Sejak adalah menyediakan pustaka simbol dan warna

kesehatan

masyarakat

dilaporkannya kasus demam berdarah dengue untuk pembuatan peta tematik. (Prahasta, eddy,

(DBD) pada tahun 1968 terjadi kecenderungan 2007).

peningkatan insiden dan penyebarannya bertambah Pada saat ini Web menjadi salah satu media

luas. Bahkan angka kematian kasus DBD masih teknologi informasi. Informasi bisa diperoleh dari

tinggi, terutama penderita DBD yang datang web dengan sangat cepat dan informasi yang

terlambat dengan derajat IV. (Soegijanto, Soegeng, ditampilkan pada web mudah di-update. Pada

Keadaan ini erat kaitannya dengan peningkatan (atribut) numeris semata, akan sangat mudah mobilitas penduduk serta tersebar luasnya virus

dilakukan dengan menggunakan degradasi warna dengue dan nyamuk penularnya di berbagai wilayah

untuk menampilkan data-data di atas peta. (Prahasta, di Indonesia. Meningkatnya jumlah kasus demam

eddy. 2007).

berdarah serta bertambah luasnya wilayah yang terjangkit telah menimbulkan dampak kerugian yang

2.4. Website

luas terutama pada aspek ekonomi dan kesehatan. Penyakit ini termasuk ke dalam sepuluh penyebab

Salah satu dari kegunaan internet adalah sebagai perawatan di rumah sakit dan kematian pada anak-

pusat informasi dalam bentuk web atau (word wide anak. (Indrawan, 2007).

web ) atau sebagai tempat untuk pencari informasi. Pengembangan web sebagai tempat mendapatkan

2.2. Regresi Spatial

informasi juga telah dikembangkan untuk yang lebih spesifik yaitu sebagai tempat informasi kesehatan.

Model regresi spasial dinyatakan dengan Sesungguhnya web yang dilihat adalah merupakan persamaan sebagai berikut:

sebuah server yang menyimpan web site atau home

y = W 1 y+X  + λW 2 u +  (1)

page . (Nugroho, Bunafit. 2004).

dimana 

N(0, σ 2 ) dan tidak ada autokorelasi; y

(N x 1) =

2.5. Personal Home Page (PHP)

vektor peubah dependen; X (N x N)

= matriks yang

PHP merupakan singkatan dari PHP Hypertext koefisien parameter regresi;  = koefisien

berisi p-1 peubah independen; β (p x 1) = vektor

Preprocessor adalah sebuah bahasa berbentuk skrip autoregresif spasial lag dependen; λ = koefisien

yang ditempatkan dalam server dan diproses di autoregresif spasial galat; u (N x 1) = vektor galat yang

server artinya semua sintaks yang diberikan akan

diasumsikan mengandung autokorelasi; W 1 (N x N)

sepenuhnya dijalankan pada server sedangkan yang

dikirim ke browser hanya hasilnya saja. Secara matriks bobot spasial galat; N = banyaknya

matriks bobot spasial peubah dependen; W 2 (N x N)

khusus PHP dirancang untuk memungkinkan pengamatan; p = banyaknya parameter regresi.

pembuat aplikasi web dapat menyajikan halaman Menurut Hordijk (1979) dan Bivand (1984)

web yang dinamis dan interaktif dengan cepat dan dalam Anselin (1988), jika  = λ=0, persamaan (1)

mudah. PHP sebagai piranti pemrograman web, bisa disebut sebagai model regresi OLS (Ordinary Least

berinteraksi dengan hampir semua teknologi web Square. Jika λ=0, disebut sebagai model regresi

yang sudah ada. Dengan PHP, browser web spatial lag (SAR). Sedangkan jika =0, disebut

mengacu secara langsung ke file yang dituju, dibaca sebagai model regresi spatial error (SEM). Model-

oleh server sebagaimana file HTML statis biasa. model regresi spatial tersebut harus memenuhi

(Kadir, Abdul. 2008).

beberapa asumsi, antara

lain:

error/galat

berdistribusi normal dengan ragam homogen dan

3. Metode Penelitian

terdapat autokorelasi spatial. (Anselin, L.1988).

Penentuan keakuratan model regresi spatial,

1) Studi literatur

antara lain dengan menggunakan AIC (Akaike Mempelajari pustaka yang berhubungan dengan

Demam Berdarah, Regresi Spasial, Sistem Informasi determinasi). Model yang terbaik jika model

Information 2 Criteria ) dan R (koefisien

Geografis, Website

memiliki nilai AIC terkecil dan R 2 terbesar

2) Pengambilan Data dibandingkan model yang lain. (Judge, G.G., R.C.

Data yang diperlukan meliputi Data kasus Hill, and W.E.Griffiths. 1988).

demam berdarah diperoleh dari Dinas Kesehatan Kota Malang, data curah hujan dari Dinas Pengairan

2.3. Sistem Informasi Geografis (SIG)

Kabupaten Malang, data jumlah penduduk dari Biro Pusat Statistik Kota Malang. Semua data yang

Sistem Informasi Geografis (SIG) sebagai digunakan adalah data tahun 2007. sistem berbasis komputer dapat dimanfaatkan untuk

3) Melakukan Analisis Regresi Spasial

menyimpan serta memanipulasi informasi geografis. Analisis regresi linier spasial dilakukan melalui ArcView sebagai salah satu software SIG dapat

dua tahap yaitu:

digunakan untuk

menganalisis

statistik,

1. Tahap Persiapan

menampilkan informasi spasial maupun atribut, serta Karena software untuk menganalisis (GeoDa membuat peta tematik. Pembuatan tema tematik

0.9.5-i) memerlukan peta serta data yang sudah merupakan salah satu cara yang paling efektif dan

terdigitasi yaitu dalam format shape file maka perlu efisien untuk menganalisis pola dan kecenderungan

dilakukan proses digitasi peta menggunakan yang tidak mudah untuk dilakukan bila hanya

ArcView 3.2, mendefinisikan atribut peta dengan direpresentasikan

cara memasukkan data angka kejadian atau IR

(Insidence rate) demam berdarah sebagai indikator

5) Perancangan Perangkat Lunak

tingkat kerawanan dan curah hujan serta ID (sebagai Analisis regresi spasial demam berdarah variabel kunci untuk mengidentifikasi atribut suatu

dapat dilakukan dengan bantuan software GeoDa area) pada masing-masing kecamatan ke dalam basis

0.95-i. Perangkat lunak ArcView digunakan untuk data peta hasil digitasi.

membuat peta tematik sistem informasi geografis Sedangkan untuk tahap analisis data mencakup

daerah rawan penyakit demam berdarah. Disamping penggunaan peta hasil digitasi yang sudah

itu digunakan program PHP untuk menangani mengandung informasi atribut berupa data IR

Website.

demam berdarah, dan curah hujan pada masing- Analisis regresi spasial dilakukan dengan masing kecamatan, melakukan pendugaan parameter

bantuan software GeoDa 0.95-i. Format file yang regresi linier berganda melalui OLS dengan rata-rata

dibutuhkan dalam analisis tersebut yaitu format jumlah demam berdarah sebagai peubah dependen

shapefile (.shp). Melalui software ArcView, dapat serta curah hujan sebagai peubah independen,

diperoleh peta serta data yang sudah terdigitasi atau melakukan pengujian asumsi klasik regresi OLS,

sudah diubah ke dalam format shapefile. Pada tahap melakukan pengujian adanya autokorelasi spasial

awal sebelum data spasial dapat dianalisis, terlebih dilakukan dengan cara membentuk matriks bobot

dahulu dilakukan digitasi peta. Dalam software spasial dengan kriteria Rook Contiguity, melakukan

ArcView 3.2, input feature data spasial disebut pendeteksian adanya autokorelasi spasial (spatial

theme . Theme yang digunakan yaitu berupa area dependence) melalui Lagrange Multiplier Lag (LM-

(polygon).

Lag), Lagrange Multiplier Error (LM-Error). Pada penelitian ini perancangan web Apabila statistik uji LM-Lag, LM-Error, dan

menggunakan PHP sebagai bahasa pemrograman LM-SARMA

berbasis web. Rencana jalannya tampilan web yang autokorelasi spasial lag, autokorelasi spasial galat,

dibuat pertama akan muncul tampilan pilihan dan pada keduanya sehingga dapat dibentuk model

beberapa pilihan menu dengan fungsi dan tugas yang Regresi Spasial Lag, model Regresi Spasial Error,

berbeda-beda.

dan model Regresi Gabungan Lag dan Error. Apabila hanya statistik uji LM-Lag yang signifikan,

4. Hasil dan Pembahasan

model yang dapat dibentuk adalah Model Regresi Spasial Lag dan apabila hanya statistik uji LM-Error

4.1. Digitasi Peta

yang signifikan, maka model yang dapat dibentuk adalah Model Regresi Spasial Error. Apabila tidak

Proses digitasi peta menggunakan software GIS signifikan pada keduanya, maka model yang

menghasilkan peta serta data yang sudah terdigitasi diperoleh adalah model regresi OLS.

atau sudah diubah ke dalam format shapefile. Setelah didapatkan model regresi kemudian

Sehingga dapat dilakukan analisis data spasial. dilakukan pengujian signifikansi parameter. Apabila diperoleh lebih dari satu model regresi spasial, maka

4.2. Model Regresi Spatial

untuk menentukan model regresi spasial yang lebih tepat yakni dilakukan uji kesesuaian model yang

Sebelum membentuk model regresi spatial didasarkan pada nilai Akaike Information Criterion

kejadian demam berdarah dengan curah hujan, (AIC). Model regresi spatial yang telah diperoleh

terlebih dahulu dilakukan pemeriksaan terhadap selanjutnya digunakan untuk memprediksi IR

asumsi model regresi OLS. Karena asumsi yang demam berdarah berdasarkan data curah hujan di

berlaku di OLS juga berlaku pada regesi spatial masing-masing kecamatan. Membuat peta tematik

ditambah adanya autokorelasi spatial (yaitu IR demam berdarah terhadap data curah hujan

normalitas dan homoskedastisitas galat). Pada kasus berdasarkan hasil prediksi model menggunakan GIS

ini asumsi normalitas dan homoskedastistias galat (menggunakan perangkat lunak ArcView 3.2).

terpenuhi. Hasil pengujian autokorelasi spatial

4) Perancangan Blok Diagram

ditampilkan di Tabel 1.

Blok diagram sistem

yang

dirancang

ditunjukkan pada Gambar 1. Tabel 1 Hasil Pengujian Autokorelasi Spasial melalui Lagrange Multiplier

 hitu p- ng value

Uji

Lagrange Multiplier Lag

Lagrange Multiplier Error

Berdasarkan Tabel 1, disimpulkan bahwa Gambar 1. Blok Diagram Sistem

autokorelasi spasial pada lag maupun error tidak autokorelasi spasial pada lag maupun error tidak

membuat peta prediksi IR demam berdarah terhadap kecamatan tertentu tidak mempengaruhi kejadian

curah hujan, sebagaimana disajikan di Gambar 2. demam berdarah di kecamatan lain yang berdekatan.

menggunakan GIS (ArcView). Dari Gambar 2 Atau dengan kata lain kedekatan lokasi (kecamatan)

terlihat bahwa Kecamatan Blimbing dan Klojen tidak berpengaruh secara signifikan terhadap

memiliki kecenderungan kejadian/angka insiden kejadian (IR) demam berdarah. Hal ini bisa saja

yang lebih tinggi terjadi karena penyebaran nyamuk aedes aegypti

dibandingkan dengan lokasi lain (> 80 kejadian per yang membawa virus demam berdarah mempunyai

100 penduduk).

jarak terbang maksimum baik jantan maupun betina adalah 160 meter. (Muir & Kay, 1998). Sementara

4.4. Tampilan Web

batas kecamatan dengan kecamatan yang lain memiliki jarak lebih dari 160 meter.

Perancangan web menggunakan PHP sebagai bahasa pemrograman berbasis web. Peta Prediksi IR

4.3. Peta Prediksi Demam Berdarah Berkaitan

demam berdarah yang dihasilkan selanjutnya

dengan Curah Hujan

diupload di web seperti ditunjukkan dalam Gambar

Peta prediksi dibuat berdasarkan model regresi spatial yang sesuai dengan kasus. Dengan menggunakan software GeoDa, diperoleh model regresi : (i) OLS (y = 160.40 - 0.04 x); (ii) SAR (y = -0.44Wy + 186.50 -0.04 x); (iii) dan .SEM (y= 161.30-0.04 x + (I+0.64W) -1 )

Hasil pengujian keakuratan ketiga model disajikan di Tabel 2, untuk mengetahui model yang paling sesuai dengan data yang diamati. Dari Tabel 2 terlihat bahwa model regresi spatial SEM memberikan ukuran keakuratan yang paling baik 2 dibandingkan model yang lain dilihat dari nilai R yang besar dan AIC yang kecil. Hal ini berarti bahwa Model SEM yang paling sesuai untuk memodelkan pengaruh curah hujan terhadap IR demam berdarah di Kota Malang.

Tabel 2. Model regresi spatial : OLS, SAR, SEM

Model

R 2 AIC

Gambar 3. Halaman Menu Peta Kerawanan Demam Berdarah di Web

1. Berdasarkan ukuran keakuratan model, model regresi spasial SEM merupakan model regresi

spasial terbaik yang dapat digunakan untuk menggambarkan tingkat kerawanan demam berarah dalam bentuk peta tematik. Hal ini ditunjukkan oleh besarnya proporsi keragaman yang dapat diterangkan model SEM sebesar 79% dengan nilai AIC yang paling kecil.

2. Sistem informasi geografis tingkat kerawanan demam berdarah

dirancang dapat memberikan informasi angka insiden (IR) demam berdarah setiap daerah (kecamatan). Kecamatan Blimbing dan Klojen memiliki kecenderungan kejadian/angka insiden (IR) demam berdarah yang lebih tinggi dibandingkan

yang

Gambar 2. Peta Prediksi IR demam berdarah dengan lokasi lain (> 80 kejadian per 100 yang dihubungkan dengan curah hujan

penduduk).

3. Website yang dirancang dapat bekerja dengan baik.

Daftar Pustaka:

Anselin, L. (1988): Spatial Econometrics: Methods and Models . Dordrecht: Kluwer Academics Publishers.

Indrawan, (2007): Mengenal dan Mencegah Demam Berdarah , Bandung : Penerbit Pionir Jaya. Judge, G.G., R.C. Hill, and W.E.Griffiths. (1988): Introduction To The Theory and Practice of Econometrics 2 nd Edition . John Wiley & Sons, Inc. Canada.

Kadir, Abdul, (2008): Dasar Pemrograman Web Dinamis Menggunakan PHP . Yogyakarta : Penerbit Andi.

Muir, L.E., Kay, B.H. (1998): Aedes aegypti Survival and Sispersal Estimated by Mark- release-recapture in Northern Australia. American Journal of Tropical Medicine and Hygiene , 58, 277-282.

Nugroho, Bunafit, (2004): PHP & MySQL dengan Editor Dreamwaver MX , Yogyakarta : Penerbit Andi.

Prahasta, eddy, (2007): Sistem Informasi Geografis : Tutorial ArcView , Bandung : Penerbit Informatika.

Soegijanto, Soegeng, (2006): Demam Berdarah Dengue . Edisi 2. Surabaya : Airlangga University Press.

PERANCANGAN TOPOLOGI JARINGAN PADA PEMERINTAH KABUPATEN BANDUNG DENGAN METODOLOGI NDLC MENGGUNAKAN GNS 3

Muhammad Fathinuddin 1) , M.TeguhKurniawan, ST.,MT. 2) ,Amelia Kurniawati, ST.,MT. 3)

123 Sistem Informasi, FakultasRekayasa Industri, Universitas Telkom

E-mail : fathin.telkom@gmail.com 1 ) , teguhkurniawan@telkomuniveristy.ac.id 2 ) ,

amelia.kurniawati@gmail.com 3 )

Abstrak

Semakin berkembangnya Teknologi Informasi, maka akan menjadi elemen pendukung bagi Sistem Informasi perusahaa, tak terkecuali Pemerintah. Pemerintah Kabupaten Bandung adalah suatu badan struktural pemerintah yang mengurus segala keperluan masyarakat yang berada di wilayah Kabupaten Bandung. Dalam struktur organisasi Pemerntah Kabupaten Bandung memiliki beberapa Satuan Kerja Perangkat Daerah (SKPD) salahsatunya adalah BAPAPSI. BAPAPSI adalah badan yang menangani Sistem Informasi Manajemen (SIM) yang digunakan oleh Pemerintah Kabupaten Bandung. Pada kondisi existing yang ada, infrastruktur jaringan pada seluruh SKPD Pemerintah Kabupaten Bandung mengalami berbagai macam masalah yang menyebabkan perlu adanya pengembangan jaringan infrastruktur baru. Perbaikan infrastruktur jaringan menggunakan metode NDLC dengan tahapan Analysis, Design, Simulation Prototyping, Implementation, serta Monitoring & Management. Simulasi jaringan menggunakan GNS3 sebagai simulator yang dipilih yang dapat membangun lingkungan simulasi virtual untuk mengurangi munculnya risiko yang didapat pada proses implementasi jaringan baru pada lingkungan sebenarnya. Simulasi yang dilakukan dengan mengimplementasikan Cisco Three-Layered Hierarchical Model yaitu core, distribution dan access layer. Pengujian yang dilakukan dengan skenario untuk analisis throughput, delay, dan packet loss sebagai parameter-nya. Hasil pengujian seluruh skenario baik menggunakan bandwidth maupun waktu sebagai parameter pengujiannya menunjukkan bahwa jenis prototype yang lebih baik adalah yang menggunakan alokasi bandwidth yang sesuai prioritas SKPD untuk setiap penggunanya.

Keywords : Infrastruktur Jaringan, Pemkab Bandung, NDLC, GNS3

1. Pendahuluan

Perkembangan TeknologiInformasi (TI) pada saat ini sudah memasuki seluruh aspek kehidupan dan bidang pekerjaan. TI tidak hanya digunakan untuk aktivitas komunikasi digital jarak jauh lagi, namun sudah digunakan untuk meningkatkan kualitas dan mendapatkan keunggulan kompetitif pada perusahaan dalam melakukan aktivitas bisnisnya. Penggunaan TI dalam bisnis antara lain meningkatkan performansi perusahaan khususnya kecepatan dalam melakukan pekerjaan dengan fungsi automasi, dan juga dapat memperluas ruang lingkup target pasar yang dituju sehingga dapat memiliki pasar yang lebih luas dari sebelumnya.Semakin berkembangnya TI, maka akan menjadi elemen pendukung bagi Sistem Informasi perusahaan. Dengan adanya TI, sistem informasi akan bisa mengeluarkan potensi yang dimiliki oleh TI dalam meningkatkan kinerja perusahaan. Sistem informasi bekerja sama dengan TI untuk memperbaiki proses bisnis konvensional yang masih menggunakan alur kerja yang rumit menjadi sebuah sistem utuh

yang bersinergi dengan teknologi sehingga akan mempermudah perusahaan untuk mendapatkan informasi yang utuh dan dijamin keasliannya serta meningkatnya kecepatan bekerja dengan salah satu keunggulan TI yaitu automasi.

Pemerintah Kabupaten Bandung adalah suatu badan struktural pemerintah yang mengurus segala keperluan masyarakat yang berada di wilayah Kabupaten Bandung. Badan Perpustakaan, Arsip, dan Pengembangan Sistem Informasi (BAPAPSI) adalah Satuan Kerja Perangkat Daerah (SKPD) yang ada di Pemkab Bandung. Tugas pokok BAPAPSI adalah melaksanakan penyusunan dan pelaksanaan kebijakan daerah yang bersifat spesifik di bidang pengelolaan dan

pelayanan

perpustakaan, kearsipan dan pengembangan sistem informasi yang meliputi perpustakaan,

kearsipan,

pengelolaan dan pengembangan informasi, pemberdayaan informasi serta melaksanakan ketatausahaan Badan [11]. BAPAPSI adalah badan yang menangani Sistem Informasi Manajemen (SIM) yang digunakan oleh Pemerintah Kabupaten Bandung. Sistem Informasi pengelolaan dan pengembangan informasi, pemberdayaan informasi serta melaksanakan ketatausahaan Badan [11]. BAPAPSI adalah badan yang menangani Sistem Informasi Manajemen (SIM) yang digunakan oleh Pemerintah Kabupaten Bandung. Sistem Informasi

negara, bahkan hingga wilayah satu benua. sudah berjalan dan seluruh SKPD Pemerintah Kabupaten Bandung dapat mengakses SIMDa

2.2. NDLC

Keuangan melalui jaringan internet. Namun pada kondisi existing yang ada,

Network Development Life Cycle (NDLC) infrastruktur jaringan pada seluruh SKPD Pemerintah

adalah suatu metodologi yang digunakan untuk Kabupaten Bandung mengalami berbagai macam

membangun sebuah infrastruktur jaringan. Tahap- masalah. Masalah yang ada adalah buruknya

tahap yang terdapat pada NDLC ini adalah Analysis, konektivitas. Setiap SKPD tidak memiliki struktur

Design , SimulationPrototyping, Implementation, serta hirarki jaringan komputer yang baik. Sehingga

Monitoring &Management. Metode ini digunakan banyak yang masih menggunakan modem pribadi

untuk membangun sebuah jaringan komputer pada sebagai alat untuk mengakses SIMDa Keuangan.

suatu instansi yang menggunakan teknologi untuk Masalah lainnya juga terjadi pada lingkup kecamatan.

komunikasi dan pertukaran informasi. Pada penelitian Kurang baiknya infrastruktur diikuti sering terjadinya

ini penggunaan NDLC hanya digunakan sampai tahap error / ketidakstabilan pada jaringan menyebabkan

Simulation & Prototyping .

terganggunya aktivitas utama dalam penggunaan SIMDa Keuangan.

2.3. Cisco Three-Layered Hierarchical Model

Melihat berbagai macam permasalahan di atas dapat digunakan sebagai dasar dalam melakukan

Model perancangan hirarki adalah model yang penelitian mengenai perbaikan hirarki dan alokasi

kompleks dari masalah bandwidth dari infrastruktur jaringan yang ada pada

mengatasi

masalah

perancangan jaringan menjadi lebih kecil dan dapat Pemerintah

menangani masalah yang lebih banyak. Pada setiap infrastruktur jaringan menggunakan metode NDLC

tingkatan atau lapisan hirarki akan menangani jenis dengan GNS3 sebagai simulator yang dipilih dapat

masalah yang berbeda-beda. Hal ini akan membantu membangun lingkungan simulasi virtual untuk

perangkat keras dan meminimalisir risiko yang didapat pada proses

mengoptimalkan

kedua

perangkat lunak jaringan dalam menjalankan tugas implementasi jaringan baru pada lingkungan

yang spesifik. Perangkat pada lapisan terbawah akan sebenarnya. Dengan adanya Infrastruktur Jaringan

berfokus pada menerima lalulintas pada jaringan yang terstruktur sesuai dengan Cisco Three-Layered

kemudian diarahkan menuju lapisan yang lebih tinggi. Hierarchical Model , aktivitas pemerintah yaitu

Cisco membuat hirarki tiga lapis sebagai pendekatan penggunaan SIMDa Keuangan beserta aplikasi Sistem

yang dianjurkan dalam merancang desain jaringan. Informasi Manajemen lainnya akan menjadi lebih

Model tiga lapisan ini adalah sebuah konsep yang mudah dan lancar untuk semua SKPD Pemerintah

mendasar yang merupakan gambaran jaringan yang Kabupaten Bandung, keunggulan penuh terhadap

mirip dengan konsep dari model referensi Open informasi,

System Interconnection (OSI). [4] membangun infrastruktur TI tercapai.

serta keuntungan

optimum

dalam

Model lapisan akan berbeda-beda karena pada setiap lapisan akan bervariasi dari satu jaringan

2. Landasan Teori dengan jaringan lainnya. Untuk setiap lapisan akan dapat mengandung router, switch, penghubung (link),

2.1. Jaringan Komputer

maupun kombinasi dari ketiganya. Pada model perancangan jaringan tiga lapis perangkat jaringan

Jaringan komputer adalah suatu himpunan

dibagi menjadi tiga lapisan:

interkoneksi sejumlah komputer autonomous, atau dengan kata lain adalah kumpulan beberapa komputer (dan perangkat lain seperti printer, hub, switch, dan sebagainya) yang saling terhubung satu sama lain melalui media perantara.[8] Terdapat pembagian klasifikasi jaringan komputer, di antaranya adalah klasifikasi berdasarkan: Area atau skala

1. LAN (Local Area Network) adalah jaringan lokal yang dibuat pada area kecil/tertutup.

2. MAN (Metropolitan Area Network) adalah jaringan yang dikembangkan dari LAN dengan cakupan area yang lebih luas, bisa dalam satu area

Gambar 1. Lapisan Model Tiga Lapis Cisco [4] kecamatan, kota maupun satu provinsi yang sama.

1. Core Layer

3. WAN (Wide Area Network) adalah jaringan yang

menyediakan struktur transportasi yang teroptimasi dan reliabel dengan

Lapisan

inti

(core) (core)

pada industri untuk mengakses link-layer

2. Distribution Layer network pada lingkungan kerja Windows. Lapisan distribusi terletak diantara lapisan akses

6. VPCS (Virtual PC Simulator)

dan inti yang membantu memisahkan jaringan inti Merupakan simulator untuk PC di GNS3 dengan dengan seluruh jaringan. Hal ini bertujuan untuk

kelebihan ringan dijalankan dibandingkan dengan membentuk pembatas menggunakan access list dan

virtualbox .

filter lainnya yang akan membatasi apa saja yang Adapun fitur-fitur yang didukung GNS3 antara lain : boleh masuk ke dalam inti.

1. Desain jaringan kualitas tinggi dan topologi

3. Access Layer

jaringan yang kompleks.

2. Mengemulasikan bagian platform Cisco IOS jaringan dan melakukan kontrol masuk jaringan.

Lapisan akses memberikan lalu lintas data pada

router, IPS, PIX dan ASA firewall, JUNOS. Pengguna mengakses sumberdaya jaringan pada

3. Simulasi Ethernet sederhana, ATM dan Frame lapisan ini. Berfungsi sebagai pintu masuk ke dalam

Relay switch.

4. Koneksi antara jaringan simulasi dengan jaringan pengguna yang tidak berhak dalam mendapatkan jalur

jaringan, lapisan ini dirancang untuk menolak

yang sesungguhnya di dunia nyata. masuk. Lapisan akses akan memberikan akses remote

5. Dapat dihubungkan ke jaringan fisik. untuk jaringan dengan teknologi wide-area yaitu

6. Dapat diintegrasikan dengan wireshark (tools Frame Relay , ISDN, maupun leased lines.

packet capture/analyzer ) untuk analisa traffic jaringan.

2.4. Graphical Network Simulator 3(GNS3)

GNS3 pada penelitian ini digunakan untuk merancang jaringan yang pada prinsip kerjanya adalah

GNS3 adalah sebuah aplikasi opensource yang mengemulasi Cisco IOS pada komputer, sehingga PC dapat mensimulasikan suatu jaringan kompleks

dapat berfungsi sebuah atau beberapa router bahkan seperti halnya jaringan nyata bekerja, tanpa harus

switch, dengan cara mengaktifkan fungsi dari memiliki perangkat keras seperti router dan switch

Ethernet Switch Card.

[5]. GNS3 menggunakan graphicaluserinterface

2.5. Wireshark Network Protocol Analyzer

dalam mendesain dan konfigurasi jaringan komputer Wireshark merupakan sebuah software atau alat virtual yang berjalan pada perangkat komputer

berguna dalam tradisional serta dapat digunakan pada beberapa OS

menyediakan jaringan dan protokol yang ada pada termasuk Windows, Linux dan MacOS X. Dalam

protokol bagian atas yang memberi informasi tentang menyediakan simulasi lengkap dan akurat, GNS3

data yang tertangkap pada jaringan. Perangkat ini juga menggunakan beberapa komponen emulator untuk

digunakan untuk pemecahan masalah jaringan, menjalankan sistem operasi yang sama seperti pada

analisis, perangkat lunak dan pengembangan protokol jaringan komputer yang nyata, yaitu:

komunikais, dan pendidikan. [3]

1. Dynamips, yang disebut juga emulator Cisco IOS. Wireshark sering digunakan karena interface- Dynamips

merupakan software yang dibuat nya yang menggunakan Graphical User Interface oleh Christophe Fillot. Software ini untuk

(GUI) atau tampilan grafis. Wireshark mampu mensimulaikan IOS router Cisco seri 1700,

manangkap paket-paket data atau informasi yang 2600, 3600, 3700, dan 7200. Dynamips

berjalan dalam jaringan. Semua jenis paket informasi dikembangkan untuk keperluan training, testing,

dalam berbagai format protokol dapat dengan mudah eksperimen, dan menguji kualitas konfigurasi IOS

ditangkap dan dianalisa. Oleh kare itu, tool ini juga pada router secara nyata. Software ini berbasis

dapat dipakai untuk memeperoleh informasi penting CLI dan tidak memiliki mode GUI sehingga harus

seperti password e-mail atau account lain dengan memahami perintah-perintahnya.

menangkap paket-paket yang berjalan didalam

2. Dynagen jaringan dan menganalisanya. Selain itu bisa mem- Dynagen dibuat oleh Greg Anuzelli, merupakan

filter protokol lain selain ICMP, seperti HTTP dan program front-end untuk untuk dynamips yang

lainnya.

berfungsi untuk menyederhanakan konfigurasi Berikut adalah beberapa fitur dan kelebihanwireshark dynamips.

1. Tersedia untuk sistem operasi Linux san dan server seperti halnya Juniper JunOS.

3. VirtualBox, menjalankan sistem operasi desktop

Windows.

2. Menangkap (capture) paket data secara langsung Qemu adalah sebuah emulator dan pemvirtualisasi

4. Qemu

dari sebuah network interface. yang bersifat generik dan open source yang

3. Mampu menampilkan juga membuka dan menjalankan Cisco ASA, PIX dan IPS.

menutup paket dengan informasi protokol secara

5. WinPCAP detail mengenai hasil capture tersebut.

4. Dapat melakukan import dan export paket data

5. Pencarian paket dengan berbagai macam kriteria Bandung, maka dihasilkan dokumentasi yang filter protokol yang berjalan.

mencakup kebutuhan-kebutuhan yang akan dipenuhi

6. Pemberian identitas paket melalui warna yang oleh jaringan baru. Berikut adalah desain jaringan ditampilkan

komputer baru :

memudahkan pembacaan hasil capture.