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.