Prediksi Trafik Data pada Jaringan Telekomunikasi Menggunakan Metode Jaringan Saraf Tiruan Propagasi Balik

PREDIKSI TRAFIK DATA PADA JARINGAN TELEKOMUNIKASI
MENGGUNAKAN METODE JARINGAN SARAF TIRUAN
PROPAGASI BALIK

ANI ZHURLINA

DEPARTEMEN ILMU KOMPUTER
FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM
INSTITUT PERTANIAN BOGOR
BOGOR
2014

PERNYATAAN MENGENAI SKRIPSI DAN
SUMBER INFORMASI SERTA PELIMPAHAN HAK CIPTA
Dengan ini saya menyatakan bahwa skripsi berjudul Prediksi Trafik Data
pada Jaringan Telekomunikasi Menggunakan Metode Jaringan Saraf Tiruan
Propagasi Balik adalah benar karya saya dengan arahan dari komisi pembimbing
dan belum diajukan dalam bentuk apa pun kepada perguruan tinggi mana pun.
Sumber informasi yang berasal atau dikutip dari karya yang diterbitkan maupun
tidak diterbitkan dari penulis lain telah disebutkan dalam teks dan dicantumkan
dalam Daftar Pustaka di bagian akhir skripsi ini.

Dengan ini saya melimpahkan hak cipta dari karya tulis saya kepada Institut
Pertanian Bogor.
Bogor, November 2013
Ani Zhurlina
G64104030

ABSTRAK
ANI ZHURLINA. Prediksi Trafik Data pada Jaringan Telekomunikasi
Menggunakan Metode Jaringan Saraf Tiruan Propagasi Balik. Dibimbing oleh
MEUTHIA RACHMANIAH.
Perkembangan teknologi komunikasi berdampak pada meningkatnya
pengguna jasa komunikasi. Hal ini mengakibatkan tingginya trafik jaringan
UMTS. Demi mempertahankan quality of service (QoS) pada jaringan tersebut,
PT Indosat menjaga utilisasi jaringan agar tidak melebihi threshold 80%.
Penelitian ini bertujuan untuk memprediksi trafik di masa yang akan datang, agar
perusahaan dapat menganalisis kebutuhan penambahan kapasitas jaringan. Data
yang digunakan dalam penelitian ini adalah trafik data/Packet Switching (PS),
yang merupakan data time series, pada node B IPB dari Januari 2011 sampai
dengan April 2012. Data trafik yang digunakan yaitu data asli, data hasil
diferensiasi, dan data hasil transformasi. Adapun data hasil transformasi diperoleh

dengan tiga fungsi yaitu fungsi logaritma, normalisasi min-max dan normalisasi zindex. Metode yang digunakan untuk melakukan prediksi adalah jaringan saraf
tiruan (JST) propagasi balik. Error hasil prediksi dihitung menggunakan mean
absoulute persentage error (MAPE). Hasil penelitian berupa prediksi data trafik
selama satu triwulan setelah bulan April 2012. Hasil prediksi dengan nilai error
terkecil diperoleh dari data yang telah ditransformasi fungsi logaritma, yaitu
sebesar 5,42%. Nilai MAPE yang kecil ini menunjukan bahwa hasil prediksi
kapasitas jaringan yang dilakukan cukup akurat.
Kata kunci: jaringan saraf tiruan, prediksi, propagasi balik, time series

ABSTRACT
ANI ZHURLINA. Traffic Data Forecasting on Telecommunication Network
Using Neural Network Back Propagation Method. Supervised by MEUTHIA
RACHMANIAH.
The development of communication technology has had a significant impact
on the increase of communication service user. As a result, there is a high traffic
on UMTS networks. In order to maintain the network’s Quality of Service (QoS),
PT Indosat guarantees that its network utilization will not exceed 80%. This
research tries to predict the future traffic, so that the company can analize the
requirement of additional network capacity. The utilited data is the time series
data of packet switching (PS) traffic on node B IPB, from January 2011 until

April 2012. The used traffic data are original data, differentiated data, and
normalized data. The normalized data are obtained by three functions, namely:
logarithmic function, min-max normalization, and z-index normalization.
Artifiacial neural network (ANN) back propagations used as the prediction
method. The prediction error is calculated using mean absolute persentage error
(MAPE). The result of this research is a three-month prediction of traffic data

starting from April 2012. The prediction result with the smallest error of 5.14% is
obtained from the data that are already transformed with logarithmic function.
This small value of MAPE shows that the prediction result is quite accurate.

Keywords: artificial neural network, backpropagation, forecasting, time series

PREDIKSI TRAFIK DATA PADA JARINGAN TELEKOMUNIKASI
MENGGUNAKAN METODE JARINGAN SARAF TIRUAN
PROPAGASI BALIK

ANI ZHURLINA

Skripsi

sebagai salah satu syarat untuk memperoleh gelar
Sarjana Komputer
pada
Departemen Ilmu Komputer

DEPARTEMEN ILMU KOMPUTER
FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM
INSTITUT PERTANIAN BOGOR
BOGOR
2014

Judul Skripsi : Prediksi Trafik Data pada Jaringan Telekomunikasi Menggunakan
Metode Jaringan Saraf Tiruan Propagasi Balik
Nama
: Ani Zhurlina
NIM
: G64104030

Disetujui oleh

Ir Meuthia Rachmaniah, MSc
Pembimbing I

Diketahui oleh

Dr Ir Agus Buono, MSi MKom
Ketua Departemen

Tanggal Lulus:

Judul Skripsi: Prediksi Trafik Data pada Jaringan Telekomunikasi Menggunakan
Metode Jruingan SarafTiruan. Propagasi Balik
: Ani Zhurlina
Nama
: G64104030
NIM

Disetujui oleh
'-

Ir Meuthia Rachmaniah, MSc
Pembimbing I

:-:,....
..:,;:::'--'''::::'
.', ... ,,"'"
Ｏ(./
ＬＺｾ＠ "::,,.
. ｾ ｩ Ｇ［Ｂ＠ .'"
,,' , "'1'1 ""
I

Ｈ［ ［ｾ ＿Ｚ［］Ｇ
\'
)'

r' ..\

f .1

'" "

ｉ＠ Ｇ＠

D'k
.JJ J
. 1 etah . r1'-,.

.

\.: I· '
. :• •'

:

" !

".'1 ····

'- . ｾ＠

t., Ｎ＠

Tanggal Lulus:

ｾ＠

1 5 FEB 20 14'

Ulo[eh

PRAKATA
Puji dan syukur penulis panjatkan kepada Allah subhanahu wa ta’ala atas
segala karunia-Nya sehingga penelitian tugas akhir ini berhasil diselesaikan. Tema
yang dipilih dalam penelitian ini ialah prediksi, dengan judul Prediksi Trafik Data
pada Jaringan Telekomunikasi Menggunakan Metode Jaringan Saraf Tiruan
Propagasi Balik.
Penyelesaian tugas akhir ini tidak luput dari bantuan semua pihak baik
secara langsung ataupun tidak. Pada kesempatan ini, rasa terima kasih Saya
ucapkan kepada mereka semua di antaranya:

1 Ayahanda Ir Abdul Muin Wase, Ibunda Tahwilah, SPd, Kakanda Azhizah
Muin, SH dan Adinda Tri Anisah atas semua doa dan dukungan yang tidak
pernah berhenti diberikan.
2 Ibu Ir Meuthia Rachmaniah, MSc selaku dosen pembimbing yang dengan sabar
memberikan waktu, tenaga dan pikiran untuk penyelesaian tugas akhir ini.
3 Ibu Ir Sri Wahjuni, MT dan Ibu Karlisa Priandana, ST, MEng selaku penguji
yang telah memberikan banyak masukan terhadap penelitian ini.
4 Karyawan PT Indosat bagian Network Resource and Strategic Planning atas
semua ilmu, dukungan dan semangat yang diberikan.
5 Seluruh dosen pengajar Departemen Ilmu Komputer FMIPA IPB dan staf yang
telah membantu selama proses pembelajaran hingga selesai.
6 Teman-teman Alih Jenis Ilmu Komputer X5 atas kebersamaan dan
dukungannya selama ini.
7 Pihak lain yang tidak mungkin disebutkan satu persatu.
Semoga penelitian tugas akhir ini bermanfaat bagi banyak orang.

Bogor, November 2013
Ani Zhurlina

DAFTAR ISI

DAFTAR TABEL

viii

DAFTAR GAMBAR

viii

DAFTAR LAMPIRAN

viii

PENDAHULUAN

1

Latar Belakang

1

Perumusan Masalah

2

Tujuan Penelitian

2

Manfaat Penelitian

2

Ruang Lingkup Penelitian

2

METODE

3

Pengumpulan Data

4

Proses Data Time Series

4

Pembagian Data Latih dan Data Uji

4

Pembentukan Arsitektur Jaringan Saraf Tiruan (JST)

4

Jaringan Saraf Tiruan (JST) Propagasi Balik

5

Prediksi dan Analisis

6

HASIL DAN PEMBAHASAN

6

Pengumpulan Data

6

Proses Data time series

8

Pembagian Data Latih dan Data Uji

11

Pembentukan Arsitektur Jaringan Saraf Tiruan (JST)

12

Jaringan Saraf Tiruan (JST) Propagasi Balik

13

Prediksi dan Analisis

15

SIMPULAN DAN SARAN

20

Simpulan

20

Saran

20

DAFTAR PUSTAKA

20

LAMPIRAN

22

RIWAYAT HIDUP

53

DAFTAR TABEL
1
2
3
4
5
6
7
8
9
10
11

Profil Node B IPB
Trafik PS node B IPB
Trafik PS dan hasil diferensiasi
Jumlah input JST hasil perhitungan autokorelasi parsial
Parameter JST
Nilai MAPE
Hasil transformasi trafik PS
Jumlah input JST hasil perhitungan autokorelasi parsial pada data baru
Nilai MAPE pada data baru
Jumlah hari yang membutuhkan penambahan kapasitas jaringan
Perbandingan nilai MAPE menggunakan prediksi JST pada data asli
dan perkiraan kasar

7
7
9
11
13
15
16
17
17
19
19

DAFTAR GAMBAR
1
2
3
4
5
6
7
8
9
10
11

Diagram alur penelitian
Arsitektur propagasi balik dengan n buah masukan (Siang 2004)
Screanshot laporan 3G daily perfomance busy hour per cell
Grafik koefisien autokorelasi trafik PS
Grafik koefisien autokorelasi hasil diferensiasi
Grafik koefisien autokorelasi parsial hasil diferensiasi
Grafik autokorelasi parsial trafik PS
Arsitektur JST data trafik PS
Grafik prediksi data trafik PS
Grafik prediksi data hasil diferensiasi
Flowchart analisis penambahan kapasitas jaringan

3
5
6
8
10
10
11
12
14
15
18

DAFTAR LAMPIRAN
1
2
3
4
5
6
7
8
9
10
11

Nilai autokorelasi parsial data trafik PS
Nilai autokorelasi parsial nilai diferensiasi trafik PS
Algoritme standar jaringan syaraf tiruan propagasi (Siang 2004) dengan
fungsi aktivasi fungsi identitas, Persamaan 3.
Hasil prediksi data trafik PS
Hasil prediksi nilai diferensiasi trafik PS
Nilai autokorelasi parsial nilai logaritma trafik PS
Nilai autokorelasi parsial nilai normalisasi min-max trafik PS
Nilai autokorelasi parsial nilai normalisasi z-index trafik PS
Hasil prediksi nilai logaritma trafik PS
Hasil prediksi nilai normalisasi min-max trafik PS
Hasil prediksi nilai normalisasi z-index trafik PS

22
23
24
26
29
32
33
34
35
38
41

12
13
14

Hasil perhitungan utilisasi data trafik PS
Hasil perhitungan utilisasi nilai logaritma trafik PS
Hasil prediksi berdasarkan perkiraan kasar PT Indosat

44
47
50

PENDAHULUAN
Latar Belakang
Komunikasi merupakan kebutuhan manusia yang sangat penting.
Komunikasi dibutuhkan untuk memperoleh atau memberi informasi dari atau
kepada orang lain. Semakin meningkatnya kemampuan perangkat komunikasi
maka semakin meningkat pula kecepatan akses yang dibutuhkan pengguna dalam
mendapatkan informasi. Universal Mobile Telecommunication System (UMTS)
merupakan sistem komunikasi generasi ketiga (3G), yang mampu menyediakan
layanan tambahan dari sistem yang telah ada sebelumnya yaitu 2G (voice, SMS
dan MMS). Video call dan video streaming merupakan contoh layanan tambahan
yang diberikan UMTS dalam bentuk transmisi data kecepatan tinggi dan
multimedia.
UMTS adalah salah satu teknologi yang banyak digunakan di Eropa dan
Asia berdasarkan standar 3rd Generation Partnership Project (3GPP) (Setiawan
2007). UMTS dikenal dengan spesifikasi utama pada layer akses radio yaitu
memiliki quality of service (QoS) yang tinggi. UMTS akan menguntungkan
pelanggan karena kecepatan akses data menjadi lebih tinggi. Selain itu, penyedia
layanan telekomunikasi akan memperoleh tambahan kapasitas jaringan yang lebih
besar. UMTS mendorong munculnya layanan data baru yang lebih menarik
dengan tarif yang lebih murah. Layanan data baru tersebut akan meningkatkan
nilai trafik. Trafik adalah perpindahan informasi (data, frekuensi dan percakapan)
melalui media transmisi telekomunikasi.
Total produksi trafik per kuartal untuk jaringan UMTS PT Indosat pada
tahun 2010 mencapai sekitar 50 GB. Pada tahun 2011 meningkat menjadi 76 GB
dan pada tahun 2012 sudah mencapai 89 GB (Marketing and Sales Support
Indosat 2012). Diperkirakan tahun 2013 jumlah trafik pada jaringan UMTS,
khususnya untuk pelanggan PT Indosat, akan terus bertambah seiring dengan
bertambahnya jumlah pelanggan.
Untuk mengantisipasi bertambahnya jumlah pelanggan, PT Indosat
melakukan perencanaan agar tidak terjadi overload trafik pada jaringan. Trafik
dikatakan overload apabila sudah melebihi batas utilisasi dari kapasitas yang ada.
Utilisasi merupakan presentase trafik yang digunakan untuk melihat seberapa
penuh kapasitas dari jaringan tersebut dalam suatu threshold tertentu. Besarnya
nilai threshold yang digunakan PT Indosat adalah 80%. Jika trafik telah melewati
batas threshold maka kecepatan akses akan berkurang, bahkan terdapat panggilan
yang tidak dapat dilayani. Jika hal itu tidak dapat diatasi, bukan tidak mungkin
para pelanggan akan beralih ke operator lain.
Data trafik merupakan data time series. Penelitian yang telah dilakukan
untuk memprediksi data time series adalah Model Peramalan Harga Saham
dengan Jaringan Saraf Tiruan Propagasi Balik (Endang 2008). Pada penelitian
tersebut, data time series yang digunakan adalah data harga saham penutupan.
Pada penelitian tersebut diperoleh akurasi yang baik dalam memprediksi harga
saham menggunakan metode jaringan saraf tiruan (JST) propagasi balik. Selain itu,
salah satu saran dari penelitian tersebut adalah penambahan periode waktu

2

prediksi yang lebih lama. Hal itu bermanfaat agar hasil peramalan dapat
digunakan investor untuk pengambilan keputusan investasi jangka panjang.
Penelitian lain dengan menggunakan data time series adalah Peramalan
Temperatur Udara di Kota Surabaya dengan Menggunakan Autoregressive
Integrated Moving Average (ARIMA) dan JST backpropagation (Machmudin dan
Ulama 2012). Pada penelitian tersebut menggunakan model ARIMA dan metode
JST backpropagation (propagasi balik). Hasil prediksi menggunakan model
ARIMA masih belum baik. Sedangkan metode JST propagasi balik memberikan
hasil yang baik sehingga dapat dikembangkan untuk peramalan data time series.
Berdasarkan dua penelitian yang telah dilakukan sebelumnya, maka
penelitian ini akan menggunakan metode JST propagasi balik untuk memprediksi
nilai trafik. Hasil prediksi nilai trafik diharapkan dapat membantu PT Indosat
untuk memenuhi kebutuhan kapasitas jaringan.
Perumusan Masalah
Produksi trafik PT Indosat yang meningkat setiap tahun menimbulkan
kepadatan pada jaringan UMTS. Kepadatan pada jaringan UMTS akan
menurunkan QoS jaringan tersebut, sehingga mempengaruhi kecepatan akses data
pelanggan. Oleh karena itu, PT Indosat membutuhkan sebuah analisis yang akurat
untuk mengatasi kepadatan pada jaringan UMTS tersebut. Masalah yang diangkat
dalam penelitian ini adalah bagaimana metode JST propagasi balik digunakan
untuk memprediksi nilai trafik pada jaringan UMTS. Kemudian hasil prediksi
tersebut akan dianalisis oleh PT Indosat untuk mengetahui kebutuhan kapasitas
jaringan UMTS.
Tujuan Penelitian
Tujuan penelitian ini adalah melakukan prediksi nilai trafik data atau packet
switching (PS) pada jaringan UMTS untuk node B IPB. Melakukan analisis
kebutuhan kapasitas jaringan berdasarkan hasil prediksi trafik.
Manfaat Penelitian
PT Indosat membutuhkan kapasitas jaringan yang sesuai untuk memenuhi
kebutuhan akses data para pelanggannya. Penelitian ini diharapkan agar PT
Indosat proaktif menambah kapasitas jaringan secara tepat waktu. Sehingga dapat
menerapkan customer relationship management (CRM) agar konsumen tidak
pindah ke operator lain. Jika kapasitas jaringan dapat terpenuhi dengan baik,
kecepatan akses akan tetap berkualitas sepanjang waktu. Hal ini akan menjaga
loyalitas pelanggan kepada PT Indosat. Selain itu, metode JST propagasi balik
pada ilmu komputer yang digunakan dalam penelitian ini, diharapkan dapat
dikembangkan pada bidang ilmu telekomunikasi.
Ruang Lingkup Penelitian
Data trafik yang digunakan adalah nilai trafik PS busy hour pada jaringan
UMTS di node B IPB. Busy hour adalah kondisi nilai trafik paling tinggi/padat
selama satu jam dalam periode waktu 24 jam. Nilai trafik diambil dari PT Indosat

3

periode waktu Januari 2011 sampai dengan April 2012 dengan total data 455 hari.
Metode yang digunakan untuk melakukan prediksi adalah JST propagasi balik.

METODE
Metode yang digunakan pada penelitian ini adalah Jaringan Saraf Tiruan
(JST) propagasi balik. Alur penelitian yang dilakukan dapat dilihat pada Gambar
1. Langkah awal yang dilakukan dalam penelitian ini adalah pengumpulan data.
Data yang digunakan pada penelitian ini adalah trafik PS. Seluruh trafik PS yang
telah terkumpul diproses secara time series. Kemudian data dibagi menjadi data
latih dan data uji. Data latih akan digunakan untuk pembentukan arsitektur JST
dengan satu hidden layer. Pelatihan pada data latih dan pengujian pada data uji
dilakukan menggunakan JST propagasi balik dengan menggunakan arsitektur JST
yang telah terbentuk sebelumnya. Hasil prediksi diperoleh dari hasil pengujian.
Hasil prediksi tersebut akan dianalisis untuk mengetahui kebutuhan kapasitas
jaringan.

Mulai

Pengumpulan Data

Proses data time series

Data Latih

Data Uji

Pembentukan
arsitektur Jaringan
Saraf Tiruan

JST Propagasi Balik
Pelatihan

Pengujian

Prediksi dan Analisis

Selesai

Gambar 1 Diagram alur penelitian

4

Pengumpulan Data
Tahap awal dalam penelitian ini adalah melakukan pengumpulan data. Data
diperoleh dari bagian Network Resource and Strategic Planning PT Indosat. Data
trafik yang digunakan dalam penelitian ini adalah trafik PS hour (jam sibuk) pada
node B IPB.
Proses Data Time Series
Trafik PS merupakan data time series. Time series adalah metode yang
digunakan untuk menganalisis serangkaian data yang merupakan fungsi dari
waktu. Metode ini mengasumsikan beberapa pola atau kombinasi pola yang selalu
berulang sepanjang waktu.
Dalam proses peramalan menggunakan data time series, tidak melibatkan
variabel lain selain indeks waktu (t) itu sendiri. Oleh karena itu, yang dicari adalah
model/perilaku data, bukan faktor apa yang menyebabkan fluktuasi data.
Beberapa hal yang perlu diperhatikan dalam metode time series adalah data time
series yang stasioner dan fungsi autokorelasi.
Pembagian Data Latih dan Data Uji
Pada prediksi data time series menggunakan JST, data latih digunakan
sebagai pelatihan untuk mencari bobot yang optimal. Maka dari itu untuk
menetapkan data latih dilakukan dengan cara melihat periode data berfluktuasi.
Penetapan data uji juga melihat periode waktu berdasarkan fluktuasi data.
Penentuan periode ini dilakukan secara intuitif (Siang 2004).
Pembentukan Arsitektur Jaringan Saraf Tiruan (JST)
Arsitektur JST yang digunakan untuk prediksi trafik dibentuk oleh input
layer, satu hidden layer, dan satu neuron pada output layer. Jumlah neuron pada
input layer diperoleh dari hasil perhitungan autokorelasi. Jaringan saraf tiruan
(JST) adalah suatu metode komputasi yang meniru sistem jaringan saraf biologis.
Metode ini menggunakan elemen perhitungan non-linier dasar yang disebut
neuron yang diorganisasikan sebagai jaringan yang saling berhubungan, sehingga
mirip dengan jaringan saraf manusia. JST dibentuk untuk memecahkan suatu
masalah tertentu seperti pengenalan pola atau klasifikasi karena proses
pembelajaran.
Lapisan-lapisan penyusun JST tersebut dapat dibagi menjadi tiga, yaitu:
1 Input layer
Unit-unit di dalam input layer disebut unit-unit input. Unit-unit input tersebut
menerima pola input data dari luar yang menggambarkan suatu permasalahan.
2 Hidden layer
Unit-unit di dalam hidden layer disebut unit-unit tersembunyi. Dimana output
tidak dapat secara langsug diamati.
3 Output layer
Unit-unit di dalam output layer disebut unit-unit output. Output dari lapisan ini
merupakan solusi JST terhadap suatu permasalahan.

5

Jaringan Saraf Tiruan (JST) Propagasi Balik
Metode jaringan saraf tiruan yang digunakan dalam penelitian ini adalah
propagasi balik. Pelatihan pada metode ini bertujuan untuk mengenali input yang
diberikan sesuai target yang diinginkan. Proses pelatihan ini dilakukan berulang
kali hingga mendapatkan error terkecil atau hingga batas iterasi yang ditentukan.

Gambar 2 Arsitektur propagasi balik dengan n buah masukan (Siang 2004)
Gambar 2 (Siang 2004) adalah contoh arsitektur propagasi balik dengan n
buah masukan (ditambah sebuah bias), sebuah lapisan tersembunyi yang terdiri
dari p unit (ditambah sebuah bias), serta m buah unit keluaran. Di mana vij
merupakan bobot garis dari unit masukan xi ke unit lapisan tersembunyi zj (vj0
merupakan bobot garis yang menghubungkan bias di unit masukan ke unit lapisan
tersembunyi zj), wkj merupakan bobot dari unit lapisan tersembunyi zj ke unit
keluaran yk (wk0 merupakan bobot dari bias di lapisan tersembunyi ke unit
keluaran zk).
Fungsi aktivasi yang digunakan dalam pelatihan propagasi balik anatara lain
(Siang 2004):
1 Sigmoid biner
Fungsi sigmoid biner memiliki nilai pada rentang 0 sampai 1. Fungsi ini sering
digunakan untuk JST dengan nilai output pada interval 0 sampai 1. Definisi
fungsi sigmoid biner adalah sebagai berikut:
1/ 1
(1)
2 Sigmoid bipolar
Fungsi sigmoid bipolar hampir sama dengan fungsi sigmoid biner, hanya saja
output dari fungsi ini memiliki rentang antara 1 sampai -1. Definisi fungsi
sigmoid bipolar adalah sebagai berikut:
1
(2)
2 1 e

6

3 Fungsi identitas
Fungsi identitas atau linier akan membawa input ke output yang sebanding.
Fungsi linear dinyatakan dengan persamaan:
x
(3)
Prediksi dan Analisis
Prediksi data trafik diperoleh dari hasil pengujian pada data uji. Hasil
prediksi akan dibandingkan dengan nilai trafik sebenarnya untuk menentukan
error prediksi yang dihasilkan. Metode yang dapat digunakan untuk menghitung
error suatu prediksi, yaitu mean absolute percentage error (MAPE).

HASIL DAN PEMBAHASAN
Pengumpulan Data
Pada penelitian ini data trafik diperoleh dari laporan 3G daily perfomance
busy hour per cell dalam bentuk file Excel. Laporan tersebut merupakan laporan
harian yang berisi data trafik busy hour UMTS untuk seluruh node B pada area
Jabodetabek. Busy hour adalah kondisi nilai trafik paling tinggi/padat selama satu
jam dalam periode waktu 24 jam. Gambar 3 merupakan screenshot dari laporan
3G daily perfomance busy hour per cell pada tanggal 1 Januari 2011.

Gambar 3 Screanshot laporan 3G daily perfomance busy hour per cell
Pada jaringan UMTS terdapat dua jenis data trafik, yaitu trafik voice atau
circuit switching (CS) dan trafik PS. Data trafik yang digunakan dalam penelitian
ini adalah trafik PS dengan cell 3G_IPB_44761 pada node B Intitut Pertanian
Bogor (IPB). Nilai trafik diambil pada kolom traffic PS Mbits yang ditunjukkan
pada Gambar 3. Node B merupakan base tranceiver station (BTS) pada UMTS.
Node B berfungsi sebagai transceiver, bentuk fisik sebuah node B adalah tower

7

dengan dilengkapi antena sebagai transceiver. Node B mampu mencakup area
dengan jarak tertentu yang disebut cell. Profil dari node B IPB dapat dilihat pada
Tabel 1. Besarnya kapasitas node B IPB pada Tabel 1 merupakan perkiraan kasar
yang diberikan PT Indosat untuk menganalisis kebutuhan jaringan.
Tabel 1 Profil Node B IPB
Nama Site
Nama Cell
Nama Area
Alamat

:
:
:
:

Longitude
Latitude
Site/Tower Ownership
Kapasitas

:
:
:
:

IPB
3G_IPB1
Dramaga
Kampus IPB, Jl. Tanjung
Leuwiliah Bogor
106,72446
-6,55704
Indosat
2382,033 Mbits

Periode waktu yang digunakan dalam penelitian ini adalah Januari 2011
sampai dengan April 2012. Pada periode waktu tersebut total laporan 3G daily
perfomance busy hour per cell yang digunakan pada penelitian ini sebanyak 455
hari. Kemudian dari setiap laporan tersebut diambil nilai trafik PS dari cell
3G_IPB_44761. Sehingga data yang diperoleh sebanyak 455 nilai trafik PS yang
dapat dilihat pada Tabel 2.
Tabel 2 Trafik PS node B IPB
no

tahun

tanggal

1
2
3
4
5
6
7
8
9
10

2011
2011
2011
2011
2011
2011
2011
2011
2011
2011

1-Jan
2-Jan
3-Jan
4-Jan
5-Jan
6-Jan
7-Jan
8-Jan
9-Jan
10-Jan

traffic PS
Mbits
1449.9
851.14
1819.52
1801.14
1870.08
1204.86
2161.37
889.01
1854.35
1060.57

.
.
.

.
.
.

.
.
.

.
.
.

450
451
452
453
454
455

2012
2012
2012
2012
2012
2012

11-Apr
12-Apr
13-Apr
14-Apr
15-Apr
16-Apr

716.53
1865.67
1170.66
1997.35
2108.15
1618.59

8

Proses Data time series
Trafik PS merupakan data time series. Hal yang perlu diperhatikan pada
peramalan data time series adalah data yang stasioner. Time series yang stasioner
dapat dijelaskan sebagai data time series yang relatif tidak terjadi kenaikan
ataupun penurunan nilai secara tajam pada data. Dengan kata lain, fluktuasi data
berada pada sekitar nilai rata-rata dan varian di sekitar nilai tengah yang konstan
selama waktu tertentu. Untuk mengetahui data yang stasioner, dilakukan dengan
menghitung koefisien korelasi.
Koefisien korelasi merupakan ukuran untuk mengukur besarnya hubungan
antara dua variabel. Autokorelasi merupakan ukuran yang bertujuan untuk
mengetahui hubungan pada deret waktu tunggal, seperti data trafik PS. Pada deret
waktu tunggal yang diperhatikan adalah pola yang berkaitan dengan waktu di
dalam deret tersebut. Sebagai contoh, apakah pada waktu t (Xt) mempunyai
hubungan dengan waktu t-1 (Xt-1) dan seterusnya. Rumus yang digunakan dalam
untuk menghitung autokorelasi dapat dilihat sebagai berikut (Makridakis et al.
1993). Lag merupakan data time series pada periode waktu t-1 dan seterusnya.
∑

1

∑

(4)

2

1

dimana :
rk = autokorelasi untuk k dari lag
= mean dari data observasi
Xt = observasi pada periode waktu t
Xt-k = observasi k periode waktu sebelumnya atau periode waktu t-k
Data trafik PS yang telah terkumpul dihitung autokorelasinya untuk
mengetahui data yang stasioner. Nilai autokorelasi dari data yang stasioner akan
turun sampai nol sesudah lag kedua atau ketiga, sedangkan untuk data yang tidak
stasioner, nilai tersebut akan berbeda signifikan dari nol untuk beberapa periode
waktu. Apabila dilihat secara grafik, nilai autokorelasi yang tidak stasioner akan
memperlihatkan tren secara diagonal dari kiri ke kanan bersamaan dengan
meningkatnya jumlah lag. Perhitungan autokorelasi dilakukan menggunakan
perangkat lunak Matlab. Hasil perhitungan aukorelasi ditampilkan dalam bentuk
grafik yang ditunjukkan pada Gambar 4.
Sample Autocorrelation Function

Sample Autocorrelation

0.8

0.6

0.4

0.2

0

-0.2

0

10

20

30

40

50

60

70

Lag

Gambar 4 Grafik koefisien autokorelasi trafik PS

80

90

9

Grafik pada Gambar 4 merupakan hasil perhitungan autokorelasi untuk 90
lag data trafik PS. Sumbu x menunjukkan lag, sedangkan sumbu y menunjukkan
nilai autokorelasi. Pada Gambar 4 menunjukkan nilai autokorelasi yang tidak
stasioner. Hal ini dilihat dari nilai autokorelasi yang berbeda nyata dari nol dan
adanya suatu tren. Nilai autokorelasi yang melebihi batas signifikan yang ditandai
dengan garis berwarna biru/ lurus menandakan nilai yang berbeda nyata dari nol.
Apabila data tidak stasioner, dilakukan proses diferensiasi untuk menghilangkan
ketidakstasioneran data. Proses ini merupakan pembentukan data time series baru
yang dibentuk dari selisih data dengan data periode berurutan sebelumnya
(Makridakis et al.1993)
(5)
Deret waktu baru
akan memiliki n-1 nilai dan akan bersifat stasioner jika
tren pada data asli Xt adalah linear. Data trafik PS dilakukan proses diferensiasi
untuk menghasilkan data yang stasioner. Hasil perhitungan tersebut dapat dilihat
pada Tabel 3.
Tabel 3 Trafik PS dan hasil diferensiasi
no

diferensiasi

1
2
3
4
5
6
7
8

trafik PS
Mbits
1449.9
851.14
1819.52
1801.14
1870.08
1204.86
2161.37
889.01

.
.
.

.
.
.

.
.
.

451
452
453
454
455

1865.67
1170.66
1997.35
2108.15
1618.59

-598.76
968.38
-18.38
68.94
-665.22
956.51
-1272.36
965.34

-695.01
826.69
110.8
-489.56

Tabel 3 merupakan nilai trafik PS sebanyak 455 data dan nilai hasil
diferensiasi sebanyak 454 data. Data time series yang baru, yaitu hasil
diferensiasi, dihitung autokorelasinya untuk mengetahui data yang stasioner. Hasil
perhitungan aukorelasi ditampilkan dalam bentuk grafik yang ditunjukkan pada
Gambar 5.

10
Sample Autocorrelation Function

Sample Autocorrelation

1

0.5

0

-0.5

0

10

20

30

40

50

60

70

80

90

Lag

Gambar 5 Grafik koefisien autokorelasi hasil diferensiasi
Grafik pada Gambar 5 merupakan nilai koefisien autokorelasi dari data hasil
diferensiasi yang mendekati nol dan relatif tidak terjadi kenaikan ataupun
penurunan nilai secara tajam. Hal ini menunjukkan data time series baru adalah
data yang stasioner. Setelah mendapatkan data yang stasioner, dibuatlah model
peramalan untuk data time series. Pada data time series, model peramalan dapat
ditentukan dengan melakukan perhitungan autokorelasi parsial. Autokorelasi
parsial digunakan untuk melihat tingkat keeratan (association) antara Xt dan Xt-1.
Tingkat kereratan dapat dilihat dengan perbandingan nilai Xt dan Xt-1 yang kecil.
Nilai keeratan nantinya akan digunakan sebagai data input pada JST propagasi
balik. Nilai X pada penelitian ini adalah trafik PS dan data hasil diferensiasi.
Data trafik asli, dalam hal ini trafik PS, dan data trafik hasil diferensiasi
dihitung nilai autokorelasi parsialnya. Perhitungan autokorelasi parsial
menggunakan perangkat lunak Matlab. Hasil perhitungan dapat dilihat pada
Lampiran 1 dan 2, dan grafik pada Gambar 6 dan Gambar 7.
Sample Partial Autocorrelation Function

Sample Partial Autocorrelations

1

0.5

0

-0.5

0

10

20

30

40

50

60

70

80

90

Lag

Gambar 6 Grafik koefisien autokorelasi parsial hasil diferensiasi

11

Sample Partial Autocorrelation Function

Sample Partial Autocorrelations

0.8

0.6

0.4

0.2

0

-0.2

0

10

20

30

40

50

60

70

80

90

Lag

Gambar 7 Grafik autokorelasi parsial trafik PS
Grafik pada Gambar 6 dan Gambar 7 merupakan hasil perhitungan
autokorelasi parsial untuk 90 lag pada data trafik PS dan data hasil diferensiasi.
Hasil perhitungan autokorelasi parsial menghasilkan batas signifikan yang
ditandai dengan garis berwarna biru. Nilai autokorelasi parsial yang berada di atas
batas signifikan merupakan nilai yang berbeda nyata dari nol. Nilai autokorelasi
parsial yang berbeda nyata dari nol tersebut dapat digunakan sebagai orde dari
model peramalan. Pada penelitian ini jumlah lag dengan nilai autokorelasi parsial
yang melebihi batas signifikan akan dijadikan jumlah masukan pada proses
permalan menggunakan metode JST. Lag dengan nilai autokorelasi parsial yang
melebihi batas signifikan dapat dilihat pada Tabel 4.
Tabel 4 Jumlah input JST hasil perhitungan autokorelasi parsial
Jenis data

Lag hasil autokorelasi partial yang melebihi
batas signifikan 5%

Jumlah
input

Data Asli

0,1,2,3,4,5,6,30,40,45,46,66,67,82,86,90

17

Data Stasioner

0,1,2,3,4,5,7,12,18,27,29,44,45,65,66,81,85,89

18

Pembagian Data Latih dan Data Uji
Data trafik PS dan data hasil diferensiasi dibagi menjadi data latih dan data
uji untuk proses pelatihan dan pengujian. Dari 455 data trafik PS, 365 data
digunakan sebagai data latih dan 90 data digunakan sebagai data uji. Sedangkan
dari 454 data hasil diferensiasi, 364 data digunakan sebagai data latih dan 90 data
digunakan sebagai data uji. Jumlah data uji sebanyak 90 data diambil berdasarkan
laporan data trafik PT Indosat yang dilakukan setiap satu triwulan. Dengan
demikian, PT Indosat dapat melakukan prediksi sebelum membuat laporan

12

tersebut. Sisa dari keseluruhan data yang diperoleh digunakan sebagai data latih
yaitu 365 data untuk trafik PS atau selama empat periode.
Pembentukan Arsitektur Jaringan Saraf Tiruan (JST)
Arsitektur JST yang digunakan untuk prediksi trafik dibentuk oleh input
layer, satu hidden layer, dan satu neuron pada output layer. Jumlah neuron pada
input layer diperoleh dari hasil perhitungan autokorelasi parsial (lihat Tabel 5).
Dari data latih dan data uji dibentuk arsitektur peramalan menggunakan JST satu
hidden layer dengan mencoba berbagai jumlah neuron. Jumlah neuron pada
hidden layer yang digunakan dalam penelitian ini adalah 5, 10, 15, 50, 100, dan
200. Pemilihan jumlah neuron pada hidden layer dilakukan berdasarkan hasil
percobaan dengan mencoba jumlah neuron sebanyak 1, 3, 5 dan 7. Prediksi yang
dihasilkan tidak mengalami perubahan yang berarti, sehingga dipilih jumlah
neuron dengan kelipatan yang lebih besar.
Arsitektur JST yang tebentuk untuk data trafik PS dan hasil diferensiasi
akan berbeda. Perbedaan ini diperoleh karena jumlah input yang berbeda. Pada
Gambar 8 merupakan representasi arsitektur JST yang terbentuk.
input layer

1

hidden layer

output layer

1

X1
Z1
X2

X3

X4

•
•
•

Z2

Z3

Y1

Z4

Z5
X16

X17

Gambar 8 Arsitektur JST data trafik PS
Gambar 8 merupakan arsitektur pada data trafik PS dengan jumlah neuron
pada hidden layer sebanyak lima neuron (z1, z2, …, z5). X1, x2, …, x17 merupakan
neuron pada input layer yang diperoleh berdasarkan Tabel 4 ditambah sebuah bias
yang selalu bernilai 1. Neuron pada output layer (y1) merupakan output dari proses
JST. Pada proses pelatihan y1 merupakan output yang akan dibandingkan dengan

13

target, sedangkan pada proses pengujian y1 merupakan hasil prediksi. Proses
pelatihan dan pengujian akan dibahas pada sub-bab jaringan saraf tiruan (JST)
propagasi balik.
Jaringan Saraf Tiruan (JST) Propagasi Balik
Arsitektur JST yang diperoleh digunakan untuk membentuk matriks input
pada data latih dan data uji. Selain jumlah neuron pada tiap lapisan arsitektur JST,
ditetapkan beberapa parameter yang akan diberikan pada proses pelatihan dan
pengujian untuk membentuk model prediksi, antara lain adalah fungsi aktivasi dan
parameter pelatihan. Fungsi aktivasi yang digunakan adalah fungsi identitas.
Fungsi identitas dipilih karena output yang dihasilkan sama dengan input yang
digunakan, yaitu mempunyai nilai yang besar dan beragam. Parameter pelatihan
JST propagasi balik yang dipakai menggunakan nilai default pada Matlab.
Parameter yang digunakandapat dilihat pada Tabel 5.
Tabel 5 Parameter JST
Karakteristik
Arsitektur
neuron iput
neuron hidden
neuron output
fungsi aktivasi
maksimum epoch
goal

Spesifikasi
1 hidden layer
berdasarkan perhitungan autokorelasi parsial
5,10,15,50,100,200
1
Identitas
100
0

Matriks input pada data latih dibentuk dari jumlah input dikali 365, untuk
data trafik PS. Sedangkan matriks input pada data uji dibentuk dari jumlah input
dikali 90. Matriks input tersebut akan dijadikan model untuk pelatihan dan
pengujian. Jumlah data yang digunakan untuk target pada proses pelatihan
memiliki jumlah yang sama dengan data latih. Pengambilan target dimulai dari
data ke 18, untuk trafik PS, hingga memperoleh 365 data untuk data target.
Pelatihan JST Propagasi Balik
Pelatihan propagasi balik meliputi tiga fase, yaitu
1 Fase I: Propagasi maju
Selama propagasi maju, sinyal masukan (x1, x2, …, x17) dipropagasikan ke
layar sembunyi menggunakan fungsi aktivasi yang ditentukan. Pada penelitian
ini fungsi aktivasi yang digunakan adalah fungsi identitas. Keluaran dari setiap
unit layar tersembunyi (z1, z2, …, z5) tersebut selanjutnya dipropagasi maju
hingga menghasilkan keluaran jaringan (y1). Berikutnya y1 dibandingkan
dengan target yang dicapai (t1). Jika selisih dari t1–y1 (kesalahan) lebih kecil
dari batas toleransi, iterasi akan dihentikan. Akan tetapi jika kesalahan masih
besar dari batas toleransinya, bobot dalam jaringan akan dimodifikasi untuk
mengurangi kesalahan.

14

2

Fase II: Propagasi mundur
Berdasarkan kesalahan t1–y1 dihitung faktor δk (k= 1,2,…,17) disetiap unit
layar tersembunyi. Faktor δk akan dipakai untuk mengubah bobot garis yang
berhubungan langsung dengan unit keluaran.
3 Fase III: Perubahan bobot
Setelah semua faktor δk dihitung, maka bobot pada semua garis dimodifikasi
Pada proses pelatihan ketiga fase tersebut dilakukan terus menerus hingga
kondisi penghentian terpenuhi. Kondisi penghentian yang digunakan yaitu jumlah
iterasi atau kesalahan. Iterasi akan dihentikan apabila sudah melebihi batas
maksimum iterasi, atau jika kesalahan lebih kecil dari batas toleransi yang
diijinkan. Algoritme proses pelatihan pada penelitian ini dapat dilihat pada
Lampiran 3 (Siang 2004).

Nilai Trafik PS (MBits)

Pengujian JST Propagasi Balik
Tidak seperti pada proses pelatihan, fase yang dilakukan pada proses
pengujian hanyalah fase maju. Bobot yang diambil pada proses ini diambil dari
bobot terakhir yang diperoleh dari proses pelatihan. Hasil dari pengujian tersebut
(y1) merupakan prediksi trafik. Y1 yang dihasilkan pada proses pengujian dapat
dilihat pada Lampiran 4 dan Lampiran 5.
Pada Gambar 9 dan Gambar 10 menunjukkan grafik prediksi pada data
trafik PS dan data hasil diferensiasi. Grafik pada Gambar 9 merupakan grafik data
aktual trafik PS dan data prediksi trafik PS dengan jumlah neuron pada hidden
layer sebanyak 50 neuron. Data prediksi trafik PS dengan jumlah neuron pada
hidden layer sebanyak 50 neuron memiliki nilai paling mendekati data aktual
dibandingkan data hasil prediksi dengan jumlah neuron pada hidden layer
sebanyak 5, 10, 15, 100 dan 200 (lihat Lampiran 4). Sumbu x menyatan hari
prediksi sedangkan sumbu y menunjukkan nilai hasil prediksi.
6000
5000
4000
3000
2000
1000
0
0

10

20

30

40

50

60

70

80

Hari keData Aktual Trafik PS

Hasil Prediksi Trafik Ps dengan jumlah hidden neuron 50

Gambar 9 Grafik prediksi data trafik PS
Grafik pada Gambar 10 merupakan grafik data hasil diferensiasi dan data
prediksi hasil diferensiasi dengan jumlah neuron pada hidden layer sebanyak 100
neuron. Data prediksi hasil diferensiasi dengan jumlah neuron pada hidden layer
sebanyak 100 neuron merupakan data dengan nilai paling mendekati data hasil
diferensiasi dibandingkan data prediksi hasil diferensiasi lainnya (lihat Lampiran
5) .

15

Nilai Trafik PS hasil
diferensiasi

4000
3000
2000
1000
0
-1000 0
-2000
-3000
-4000

10

20

Data Aktual Trafik PS

30

40

50

60

70

80

Hari keHasil Prediksi Trafik Ps dengan jumlah hidden neuron 100

Gambar 10 Grafik prediksi data hasil diferensiasi
Prediksi dan Analisis
Prediksi data trafik dihasilkan dari pengujian pada data uji. Hasil prediksi
yang diperoleh digunakan untuk mengetahui ketepatan dari peramalan. MAPE
merukapan metode yang dapat digunkan sebagai ukuran ketepatan peramalan.
MAPE merupakan pengukuran persentase kesalahan yang dapat didefinisakan
sebagai berikut (Makridakis et al. 1993) :
!"

1/

#

(
)

%& '&

$

%&

$

(6)

Xi merupakan data aktual untuk periode i dan Fi merupakan hasil prediksi
untuk periode yang sama dengan n periode waktu. MAPE mengindikasi seberapa
besar kesalahan dalam meramal yang dibandingkan dengan nilai nyata. MAPE
diukur dalam persentase maka MAPE tidak memiliki satuan sehingga berguna
untuk membandingkan kinerja suatu model pada berbagai deret waktu yang
berbeda. Semakin kecil nilai MAPE model peramalan yang digunakan semakin
baik. Hasil perhitungan nilai MAPE dapat dilihat pada Tabel 6.
Tabel 6 Nilai MAPE
Jumlah
neuron
5
10
15
50
100
200

Nilai MAPE berdasarkan hasil prediksi
pada jenis data
Asli
Stasioner
57.79
648.90
56.93
709.74
55.19
398.05
55.09
583.96
58.20
369.21
55.72
494.62

Tabel 6 menunjukkan hasil perhitungan nilai MAPE pada data trafik PS
(asli) dan data hasil diferensiasi (stasioner) untuk setiap jumlah neuron pada

16

hidden layer. Pada penelitian ini nilai MAPE diperoleh dari perhitungan Xi dan Fi.
Pada data trafik PS nilai Xi dan Fi diperoleh dari nilai pada Lampiran 4 sedangkan
nilai pada data hasil diferensiasi nilai Xi dan Fi diperoleh dari nilai pada Lampiran
5. Nilai MAPE yang dihasilkan tersebut sangat besar yang diartikan bahwa
peramalan yang dihasilnya memiliki error yang besar, sehingga pada penelitian
ini dilakukan pengolahan terhadap data asli untuk menghasilkan nilai MAPE yang
lebih kecil. Nilai MAPE yang kecil pada hasil prediksi diharapkan dapat
digunakan sebagai analisis kebutuhan kapasitas jaringan yang lebih akurat.
Pengolahan data asli yang dilakukan pada penelitian ini adalah transformasi data.
Transformasi data dilakukan untuk mengubah skala pengukuran pada data asli
dengan tidak menghilangkan isi dari data tersebut, sehingga lebih mudah diolah.
Melalui transformasi data diharapkan kestabilan ragam data akan terpenuhi
sehingga proses pengujian akan tepat. Beberapa proses transformasi yang
dilakukan pada penelitian ini sebagai berikut (Sari 2010):
1 Fungsi Logaritma
* +,(7)
2 Normalisasi min-max

*

.0

3 Normalisasi z-index

*

./(

2 34

(8)

./(

1

(9)

Y merupakan hasil dari transformasi, 1 adalah rata-rata nilai trafik PS
sedangkan x adalah nilai trafik PS. Trafik PS yang telah ditransformasi akan
menghasilkan tiga buah data baru. Data tersebut adalah data hasil fungsi logaritma
trafik PS, data hasil normalisasi min-max trafik PS, dan data hasil normalisasi zindex trafik PS. Hasil transformasi data dapat dilihat pada Tabel 7.
Tabel 7 Hasil transformasi trafik PS
Hari Ke1
2
3
4
5
6
7
8
9
10
.
.
.
450
451
452
453
454
455

Trafik PS
(Mbits)
1449.9
851.14
1819.52
1801.14
1870.08
1204.86
2161.37
889.01
1854.35
1060.57
.
.
.
716.53
1865.67
1170.66
1997.35
2108.15
1618.59

Logaritma
3.16133805
2.930001001
3.259956834
3.255547471
3.271860186
3.080936587
3.334729119
2.948906646
3.268191709
3.025539338
.
.
.
2.855234378
3.270834828
3.068430779
3.300454174
3.323901509
3.209136853

Normalisasi
min-max
0.240796818
0.126185809
0.311547237
0.308029049
0.321225126
0.193892747
0.376982091
0.133434655
0.318214185
0.16627363
.
.
.
0.100419579
0.32038099
0.18734639
0.345586377
0.366795042
0.273086435

Normalisasi
z-index
-0.511214295
-1.182877961
-0.096590198
-0.117208105
-0.039874127
-0.786089812
0.286882686
-1.140396995
-0.057519376
-0.947948237
.
.
.
-1.333877771
-0.044821078
-0.824453927
0.102891981
0.227182739
-0.321984981

17

Prediksi Data Trafik Hasil Transformasi
Prediksi pada tiga data baru, trafik yang telah ditransformasi, dilakukan
untuk menghasilkan prediksi yang tepat sebagai analisis penambahan kapasitas.
Ketiga data baru tersebut dihitung autokorelasi parsialnya untuk mendapatkan
jumlah input sebagai masukan JST propagasi balik. Hasil perhitungan
autokorelasi parsial pada data tersebut dapat dilihat pada Lampiran 6 sampai
Lampiran 8. Seperti halnya pada data trafik PS dan data hasil diferensiasi, hasil
perhitungan autokorelasi parsial pada tiga data baru menghasilkan lag dengan
nilai autokorelasi parsial yang melebihi batas signifikan. Lag dengan nilai
autokorelasi parsial yang melebihi batas signifikan tersebut dapat dilihat pada
Tabel 8.
Tabel 8 Jumlah input JST hasil perhitungan autokorelasi parsial pada data baru
Jenis data
Data Normalisasi
Logaritma
Data Normalisasi minmax
Data Normalisasi zindex

Lag hasil autokorelasi partial yang melebihi
batas signifikan 5%

Jumlah
input

1,2,3,4,5,6,13,66,73,82,86,90

13

0,1,2,3,4,5,6,30,40,45,46,66,67,82,86,90

17

0,1,2,3,4,5,6,30,40,45,46,66,67,82,86,90

17

Pembentukan arsitektur JST serta proses pelatihan dan pengujian pada tiga
jenis data baru dilakukan sama seperti halnya pada data trafik PS dan data hasil
diferensiasi. Hasil prediksi untuk tiga jenis data baru yang diperoleh dari
pengujian pada data uji dapat dilihat pada Lampiran 9 sampai Lampiran 11.
Prediksi yang dihasilkan tersebut dihitungan nilai MAPE-nya. Hasil perhitungan
MAPE dapat dilihat pada Tabel 9.
Tabel 9 Nilai MAPE pada data baru
Jumlah
neuron
5
10
15
50
100
200

Nilai MAPE berdasarkan hasil prediksi pada jenis data
Logaritma
5.52
5.42
5.57
5.62
5.59
5.50

Normalisasi
min-max
71.53
76.00
68.55
76.35
71.06
73.43

Normalisasi zindex
159.68
164.55
154.72
156.87
158.02
169.48

Pada Tabel 9 dapat dilihat bahwa setelah dilakukan transformasi data pada
data trafik PS, nilai MAPE yang dihasilkan menunjukkan perubahan. Nilai MAPE
yang dihasilkan pada data hasil logaritma lebih kecil dibandingkan dengan data
asli dan data stasioner. Semakin kecil nilai MAPE yang dihasilkan maka
keakuratan hasil prediksi semakin tinggi. Berdasarkan Tabel 6 dan Tabel 9 dapat
diketahui bahwa nilai MAPE yang dihasilkan tidak mengalami perubahan secara

18

signifikan untuk setiap jumlah neuron pada hidden layer melainkan berubah
secara signifikan pada setiap data yang digunakan untuk prediksi. Nilai MAPE
terkecil diperoleh dari data hasil transformasi fungsi logaritma dengan 10 neuron
pada hidden layer.
Analisis Penambahan Kapasitas Jaringan
Pada penelitian ini diperoleh lima jenis data untuk prediksi, yaitu data trafik
PS (asli), data hasil diferensiasi, data hasil transformasifungsi logaritma, data hasil
normalisasi min-max, dan data hasil normalisasi z-index. Dari lima jenis data
tersebut dipilihlah jenis data dengan nilai MAPE terkecil untuk dilakukan analisis
penambahan kapasitas jaringan, yaitu data trafik PS dan data hasil transformasi
fungsi logaritma. Hasil prediksi dari dua jenis data tersebut akan dilakukan
perhitungan utilisasi untuk mengetahui kebutuhan kapasitas jaringan. Besarnya
utilisasi diperoleh dari persentase perbandingan hasil prediksi dengan kapasitas
yang ada, seperti persamaan dibawah ini.
5 6+67876

8 6 / 89876 87

100%

(10)

Jika nilai utilisasi melebihi atau sama dengan batas threshold, yaitu 80%,
maka dapat dianjurkan untuk melakukan penambahan kapasitas. Tetapi, jika nilai
utilisasi kurang dari 80% tidak perlu dilakukan penambahan kapasitas atau tetap
menggunakan kapasitas existing. Flowchart analisis penambahan kapasitas
jaringan dapat dilihat pada Gambar 11.
Mulai

Melakukan Prediksi
trafik pada 90 data uji

Menghitung utilisasi

Utilisasi
≥ 80%

Upgrade
Kapasitas

existing
Kapasitas

Selesai

Gambar 11 Flowchart analisis penambahan kapasitas jaringan

19

Hasil perhitungan utilisasi dari 90 data uji yang membutuhan penambahan
kapasitas dapat dilihat pada Lampiran 12 dan Lampiran 13. Lampiran 12 dan
Lampiran 13 menunjukkan hasil perhitungan utilisasi dari prediksi data trafik PS
dan prediksi nilai logaritma trafik PS. Ringkasan jumlah hari yang terdeteksi
membutuhkan penambahan kapasitas dapat dilihat pada Tabel 10.
Tabel 10 Jumlah hari yang membutuhkan penambahan kapasitas jaringan
Jumlah
neuron
5
10
15
50
100
200

Jumlah hari yang membutuhkan
penambahan kapasitas pada
jenis data
Asli
74
70
65
65
63
63

Logaritma
49
51
43
46
47
47

Tabel 10 menunjukkan banyaknya hari yang membutuhkan penambahan
kapasitas dari 90 data uji. Banyaknya hari tersebut diperoleh dari hasil prediksi
pada data asli dan data hasil logaritma untuk tiap jumlah neuron pada hidden layer.
90 data yang dihasilkan dapat diasumsikan dengan prediksi 90 hari. Kebutuhan
penambahan kapasitas diperoleh berdasarkan nilai utilisasi yang melebihi 80%.
Tabel 10 menunjukkan jumlah hari dari prediksi 90 hari yang nilai utilisasinya
melebihi 80%. Apabila jumlah hari tersebut melebihi atau sama dengan 50% dari
90 hari, maka dapat dikatakan bahwa jaringan telekomunikasi tersebut perlu
dilakukan penambahan kapasitas jaringan. Berdasarkan Tabel 10 dapat dilihat
bahwa setelah melakukan prediksi dan perhitungan utilisasi, untuk satu triwulan
kedepan disarankan untuk melakukan penambahan kapasitas pada node B IPB.
Saat ini PT Indosat melakukan prediksi dengan menggunkan perkiraan kasar
yaitu menambahkan 10% pada trafik aktual. Hasil yang diperoleh jika
menggunakan perkiraan kasar tersebut dapat dilihat pada Lampiran 14. Jika
prediksi hasil perkiraan kasar yang biasa dilakukan PT Indosat dibandingkan
dengan prediksi mengunggakan JST propagasi balik, hasil prediksi menggunakan
JST propagasi balik menghasilkan nilai MAPE yang lebih kecil.
Tabel 11 Perbandingan nilai MAPE menggunakan prediksi JST pada data asli dan
perkiraan kasar

Prediksi menggunakan JST
Prediksi menggunakan
pada data Asli
perkiraan kasar PT Indosat
55.19

79.86

Tabel 11 menunjukkan perbandingan nilai MAPE berdasarkan prediksi
menggunakan JST pada data asli dan prediksi dengan perkiraan kasar yang
dilakukan PT Indosat. Berdasarkan hal tersebut, dapat dikatakan bahwa hasil

20

prediksi menggunakan JST propagasi balik lebih akurat dibandingkan dengan
prediksi perkiraan kasar yang dilakukan PT Indosat.

SIMPULAN DAN SARAN
Simpulan
Metode JST dapat digunakan untuk melakukan prediksi pada data trafik.
Hasil prediksi data trafik diperoleh dari pengolahan pada lima jenis data, yaitu
trafik PS, nilai diferensiasi dari trafik PS, nilai logaritma dari trafik PS, nilai
normalisasi min-max dari trafik PS, dan nilai normalisasi z-index dari trafik PS.
Hasil prediksi pada nilai logaritma dari trafik PS dengan 10 neuron pada hidden
layer menghasilkan nilai MAPE paling kecil yaitu 5,42%. Berdasarkan analisis
prediksi trafik PS dan nilai logaritma dari trafik PS, dapat diketahui bahwa pada
node B IPB dibutuhkan penambahan kapasitas jaringan sampai dengan satu
triwulan kedepan.
Saran
Prediksi trafik menggunakan data trafik PS (asli) akan mempermudah
analisa penambahan kapasitas jaringan dibandingkan menggunakan data yang
telah ditransformasi. Pada penelitian ini nilai MAPE yang dihasilkan
menggunakan data asli cukup tinggi. Oleh karena itu, pada penelitian berikutnya
dapat dilakukan peramalan data trafik dengan metode yang berbeda. Selain itu,
pada penelitian ini prediksi trafik dilakukan tanpa memperhitungkan nilai trafik
pada hari kerja dan hari libur. Sehingga penelitian berikutnya dapat dilakukan
prediksi dengan melakukan pembagian data busy hour pada hari kerja dan hari
libur.

DAFTAR PUSTAKA
Endang T. 2008. Model Peramalan Harga Sahan dengan Jaringan Saraf Tiruan
Propagasi Balik [tesis]. Bogor (ID): Institut Pertanian Bogor.
Machmudin A, Ulama BSS. 2012. Peramalan Temperatur Udara di Kota
Surabayadengan Menggunakan ARIMA dan Artificial Neural Network. JSS
ITS. 1(1):118-123.
Makridakis S, Wheelwright SC, McGee VE. 1993. Metode dan Aplikasi
Peramalan. Ed ke-2. Andriyanto US, Basith A, penerjemahan. Jakarta (ID):
Erlangga. Penerjemahan dari: Forecasting : Methods and Applications, 2nd
Edition.
PT Indosat. Marketing and Sales Support Indosat. Laporan Trend Weekly Traffic
Production 2012. Jakarta (ID). PT Indosat.
Sari. 2010. Data Mining – Data Preprocessing [intenet]. [diunduh 2010 Maret 8].
Tersedia pada: http://rencanait.wordpress.com/2010/03/08/data-mining-dataprocessing.

21

Siang JJ. 2004. Jaringan Syaraf Tiruan dan Pemrogramannya Menggunakan
MATLAB. Ed ke-2. Yogyakarta (ID): Penerbit Andi.
Setiawan Y. 2007. Kajian Implementasi High Speed Downlink Packet Access
(HSDPA) pada Jaringan Seluler PT Indosat[tesis]. Depok (ID): Universitas
Indonesia.

22

Lampiran 1 Nilai autokorelasi parsial data trafik PS
Lag

PACF
0
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30

1
0,43903
0,24803
0,13042
0,08432
0,14074
0,13839
0,03989
0,11935
0,01671
0,01896
-0,0454
-0,0619
0,06716
-0,0891
0,00809
-0,0886
-0,1152
-0,0122
0,07489
-0,0333
-0,0452
-0,003
0,08156
-0,0367
0,04479
-0,0171
0,0181
0,0882
-0,0226
0,08711

Lag
31
32
33
34
35
36
37
38
39
40
41
42
43
44
45
46
47
48
49
50
51
52
53
54
55
56
57
58
59
60

PACF
Lag
PACF
-0,05285
61 0,077386
0,007607
62 0,070961
-0,02362
63 0,068487
0,044068
64 -0,02851
0,045479
65 -0,06169
0,124932
66 -0,07839
-0,02432
67 -0,09238
0,045188
68 -0,10678
0,006183
69 0,096796
-0,07805
70 0,01458
0,034737
71 -0,03075
-0,02722
72 -0,02174
0,06708
73 -0,02321
-0,0539
74 -0,07655
0,072619
75 0,04898
0,104854
76
-0,0166
-0,01016
77 0,042972
-0,01994
78 -0,03