PROYEKSI PENGHENTIAN LAYANAN 2G DI ASIA
PROYEKSI PENGHENTIAN LAYANAN 2G DI
ASIA PASIFIK SELAMA 6 TAHUN KE DEPAN
Muhammad Yanuar Ary Saputro
muhammad.yanuarary@gmail.com
Magister Keamanan Jaringan dan Informasi
Departemen Teknik Elektro, Fakultas Teknik Universitas Indonesia
Jakarta, Indonesia
Abstrak—Teknologi komunikasi nirkabel atau seluler
merupakan sebuah teknologi yang terus berkembang pesat di dunia.
Diawali dengan munculnya 1G, lalu kemudian disusul oleh 2G, 3G,
4G dan sebentar lagi 5G dalam waktu yang tidak lama.
Perkembangan teknologi ini mengakibatkan teknologi yang lebih
lama jadi tidak lagi diminati oleh pengguna, dikarenakan pengguna
yang bermigrasi ke teknologi yang lebih baru. Untuk itu diperlukan
suatu pendekatan dan penelitian untuk menentukan kapan sebuah
perusahaan layanan operator dapat menghentikan layanan seluler
yang sudah tak lagi diminati seperti layanan 2G. pada makalah ini
akan dihitung perkiraan jumlah pengguna layanan 2G di Asia
Pasifik untuk 6 tahun ke depan, sehingga dapat diketahui kapan
layanan ini sebaiknya dihentikan oleh para operator jaringan.
Kata Kunci—; Operator, Jaringan, 2G, 4G, Perkiraan
I. PENDAHULUAN
Teknologi komunikasi nirkabel terus berkembang
dengan pesat apalagi di era IoT saat ini. Pada mulanya
teknologi komunikasi nirkabel hanya bisa digunakan untuk
berkomunikasi secara linguistik. Akan tetapi kini bahkan
memungkinkan kita untuk berkomunikasi secara audio
visual. Dan ke depannya seluruh benda dapat terkoneksi ke
internet melalui teknologi nirkabel ini.
Munculnya teknologi baru dengan cepat membuat
semakin cepat pula transisi dari satu teknologi ke teknologi
lainnya. Sebagai contoh teknologi 1G atau yang kita kenal
sebagai GPRS, kini sudah sangat sedikit penggunanya,
meskipun masih ada beberapa operator jaringan yang masih
menyediakan layanan tersebut. Begitu pula dengan
munculnya teknologi 4G beberapa tahun kebelakangan ini,
membuat teknologi 2G atau bisa disebut juga sebagai EDGE
mulai ditinggalkan penggunanya. Apalagi teknologi 5G
sudah mulai diuji dan sebentar lagi akan mulai hadir di
tengah – tengah kita.
Bagi para operator jaringan, perkembangan teknologi
komunikasi nirkabel yang begitu cepat, membutuhkan
sebuah pendekatan untuk menghitung sebesar apa sumber
daya yang diperlukan untuk mendukung teknologi yang
sudah tidak dipakai lagi. Bagi operator jaringan,
telekomunikasi adalah sebuah bisnis, sehingga perlu
perhitungan dalam setiap biaya yang diperlukan, termasuk
biaya perawatan BTS dan layanan yang ada. Akan sangat
boros, jika terus menyediakan layanan yang tidak digunakan
atau tidak diminati lagi oleh pengguna, karena tentu
dibutuhkan biaya lebih untuk melakukan perawatan terhadap
infrastruktur dan biaya pelayanan terhadap pengguna. Salah
satunya disini adalah teknologi 2G yang sudah mulai
ditinggal.
Berdasarkan data dari GSMA Intelligence [1], proporsi
koneksi jaringan 2G di Asia Pasifik terus menurun sejak
tahun 2012, digantikan dengan meningkatnya perkembangan
jaringan 4G yang dimulai pada tahun 2013.
Teknologi penerus EDGE pun mulai dikembangkan
pada tahun 2000 dan mulai beroperasi pada tahun 2005.
Inilah yang disebut dengan teknologi nirkabel generasi
ketiga atau 3G. 3G mampu melakukan transfer data dengan
kecepatan antara 125kbps hingga 2 Mbps. Pada zaman 3G ni
pula dikenallah panggilan video, komunikasi yang cepat, TV
bergerak dan Konferensi Video.
Sekitar lima tahun setelah kemunculan 3G, muncul
kembali teknologi penerus 3G, yaitu teknologi nirkabel
generasi keempat atau 4G, yang mana mendukung fitur
Video On Demand, Mobile TV dan telemedicine [2].
Teknologi inilah yang disiapkan untuk mendukung era
Internet of Things atau IoT. Teknologi 4G merupakan
teknologi yang bisa dikan murni digital, karena panggilan
suara tidak lagi dikirimkan secara analog, melainkan digital
melalui teknologi Voice over LTE (VoLTE).
Gambar. 1. Proporsi Jaringan 2G, 3G dan 4G di Asia Pasifik [1]
Berdasarkan data pada diagram di atas, maka
diperlukan sebuah proyeksi tentang kebutuhan layanan 2G
selama 6 tahun ke depan, untuk memperhitungkan nilai
investasi yang perlu dikeluarkan oleh para operator jaringan
dan kapan mereka harus memutuskan layanan 2G mereka,
yaitu ketika tidak ada lagi permintaan dari pengguna.
II. TINJAUAN PUSTAKA
A. Perkembangan Teknologi Komunikasi Nirkabel
Teknologi nirkabel generasi pertama atau 1G adalah
yang teknologi komunikasi nirkabel yang murni analog,
dengan kecepatan hingga 2.4 kbps. Teknologi ini pertama
kali diluncurkan oleh Advance Mobile Phone System
(AMPS) di Amerika untuk melayani panggilan suara dalam
satu negara [2]. Teknologi ini pun berkembang menjadi Time
Division Multiple Access (TDMA) dan Code Division Multi
Access (CDMA) yang mengizinkan pembagian sinyal
berdasarkan waktu dan kode. Salah satu teknologi dari
TDMA adalah GSM yang berkembang di Eropa dan
digunakan lebih dari 212 negara di dunia. GSM bukan hanya
mampu melakukan panggilan suara, tapi juga mengirim
pesan singkat (SMS) antar pengguna.
Selanjutnya pada tahun 1991, GSM berkembang
menjadi teknologi nirkabel generasi kedua atau 2G.
Perbedaan 2G dan 1G, adalah 2G sudah mampu
mengirimkan pesan multimedia atau MMS dan sudah tidak
murni analog, jaringannya bersifat digital [2]. 2G sendiri
sempat berkembang menjadi 2.5G dengan teknologi GPRS
dan 2.75G dengan teknologi EDGE, sebelum berkembang
menjadi 3G. GPRS membuat teknologi 2G mampu
memberikan kecepatan hingga 153.6kbps, sedangkan EDGE
membuat kecepatan naik hingga 236.8kbps.
Saat ini sedang digarap teknologi penerus 4G, yaitu
teknologi nirkabel generasi kelima atau 5G yang seluruhnya
berbasiskan nirkabel tanpa limitasi, teknologi ini nantinya
juga diharapkan didukung oleh AI, IPv6, dan sistem HAPS
serta TV dengan kualitas High Definition atau HD.
B. Perkiraan dan Analisis Regresi
Perkiraan adalah sebuah aktivitas berbasis model yang
paling mendasar dalam sebuah organisasi. Inti dari anggaran
adalah perkiraan. Perkiraan hanyalah prediksi tentang nilai
data masa depan. Namun, sebagian besar perkiraan model
ekstrapolasi menganggap bahwa masa lalu adalah proksi
untuk masa depan.
Banyak metode peramalan yang tersedia, dan semua
praktisi memiliki favorit mereka. Pada umumnya, metode
dapat dibagi menjadi tiga kelompok: (1) metode penilaian,
(2) metode regresi, dan (3) metode ekstrapolasi. Yang
pertama Ini pada dasarnya tidak berurutan dan tidak dibahas
disini. Model regresi, juga disebut model kausal,
meramalkan sebuah variabel dengan memperkirakan
hubungannya dengan variabel lainnya. Misalnya, perusahaan
mungkin menggunakan model regresi untuk memperkirakan
hubungan antara penjualan dan tingkat periklanannya,
pendapatan penduduk, tingkat suku bunga, dan
kemungkinan lainnya. Teknik regresi sangat populer, karena
fleksibilitas dan kekuatannya. Regresi dapat memperkirakan
hubungan antara variabel time-series atau variabel crosssectional (yang diamati pada satu titik waktu), dan dapat
memperkirakan hubungan linear atau non linear [3].
Analisis regresi dapat dikategorikan dalam beberapa
cara. Kategorisasi didasarkan pada jenis data yang dianalisis.
Ada dua tipe dasar: data cross-sectional dan data time-series.
Data cross-sectional biasanya adalah data dikumpulkan pada
waktu yang sama dari hubungan silang antar populasi.
Contoh perbandingan tingkat perumahan dan upah adalah
studi cross-sectional. Sebaliknya, studi time-series atau deret
waktu melibatkan satu atau lebih variabel yaitu diamati pada
beberapa waktu. Contoh harga saham pada waktu ke waktu
[3].
Kategorisasi kedua dari analisis regresi melibatkan
jumlah variabel dalam analisis Pertama, kita harus
memperkenalkan beberapa syarat. Dalam setiap studi
regresi, tujuannya adalah untuk menjelaskan atau
memprediksi suatu variabel tertentu. Ini disebut variabel
dependen (atau variabel respons) dan sering dilambangkan
secara umum sebagai Y. Untuk membantu menjelaskan atau
memprediksi variabel dependen, satu atau lebih variabel
penjelas digunakan. Variabel ini adalah juga disebut variabel
independen atau variabel prediktor, dan mereka sering
dilambangkan secara umum sebagai Xs. Jika ada satu
variabel penjelas, analisisnya disebut regresi sederhana. Jika
ada beberapa variabel penjelas, maka disebut regresi
berganda [3]. Pada makalah ini digunakan metode timeseries dengan metode regresi sederhana.
Gambar. 2. Contoh Garis Dasar time-series [3]
Ini adalah persamaan garis kuadrat-terkecil yang
melewati bagian Y versus X. Karena kita memperkirakan
garis lurus, persamaan regresi-nya adalah Y = a + bX, di
mana, seperti pada aljabar dasar, a disebut intercept dan b
disebut slope.
Pada metode regresi sederhana time-series, variabel
penjelas waktu, biasanya disimbolkan sebagai t (bukan X).
Dalam kasus ini, variabel dependen Y adalah variabel timeseries, contoh penjualan bulanan perusahaan, dan tujuan
regresi adalah untuk melihat apakah variabel dependen ini
mengikuti tren sepanjang waktu. Jika ada kecenderungan
linier, persamaan untuk Y adalah : y = a + bt. Jika b> 0, maka
Y cenderung meningkat dengan b unit setiap periode waktu,
sedangkan jika b > 0, maka Y cenderung menurun dengan b
unit setiap periode waktu. Atau, jika ada kecenderungan
eksponensial, persamaan untuk Y memiliki bentuk Y = aebt
Dalam hal ini, variabel Y berubah sesuai dengan persentase
konstan setiap periode waktu, dan persentase ini kira-kira
sama dengan koefisien eksponen, b [3].
Variabel Y time-series biasanya berisi satu atau lebih
komponen. Komponen ini dapat terdiri dari komponen tren,
komponen musiman, komponen siklik, dan komponen acak
(atau noise). Grafik pada gambar 2 ini menunjukkan waktu t
pada sumbu horizontal dan nilai observasi Y pada sumbu
vertikal. Diasumsikan Y diukur secara teratur pada setiap
interval, seperti hari, minggu, bulan, kuartal, atau tahun.
Nilai Y pada periode t dinotasikan sebagai Yt. Seperti yang
ditunjukkan pada gambar, masing-masing poin biasanya
diikuti garis lurus untuk membuat pola dalam deret waktu
lebih jelas. Sedangkan bentuk linier, eksponensial dan grafik
S ditunjukkan pada gambar 3.
Gambar. 3. Contoh Garis Linear (a), Eksponensial (b) dan berbentuk S (c) [3]
C. Metode Pengukuran Kesalahan dalam Perkiraan
Bila digunakan metode ekstrapolasi, dapat dibangun
sebuah model untuk melacak data historis yang diamati, dan
kemudian digunakan model ini untuk meramalkan nilai data
masa depan. Satu-satunya cara untuk bisa menilai apakah
perkiraan masa depan cenderung bagus adalah mengukur
seberapa baik model dengan data historis Analis time-series
biasanya menggunakan beberapa ukuran [3].
Ada tiga langkah yang dapat digunakan di sini. Contoh
Yt menjadi nilai yang teramati dalam periode waktu t.
Dengan model peramalan apa pun, Ft merupakan nilai
ramalan satu periode setelah Yt [3]. Sebagai contoh, untuk
data bulanan, jika t adalah bulan Juli, maka Ft adalah ramalan
untuk nilai bulan Juli yang didapat berdasarkan persamaan
Y(t) dengan t adalah bulan Juli. Kemudian kita bandingkan
nilai Yt dan Ft, dan Kesalahan dinotasikan sebagai Et dengan
Et = Yt - Ft.
Dari nilai Et itu dapat dihitung nilai akurasi peramalan
yaitu adalah MAE (Mean Absolut Kesalahan), MSE (Mean
Square Kesalahan) dan RMSE (Root Mean Square
Kesalahan). Rumusnya adalah sebagai berikut, di mana N
adalah jumlah banyaknya waktu yang tersedia dalam data.
Penet rasi Layanan 2G (%)
100
80
60
40
20
0
2012
2013
2014
2015
2016
Tahun
Gambar. 4. Grafik Penetrasi Layanan 2G di Asia Pasifik menurut GSMA
III. METODOLOGI
Metodologi yang digunakan dalam paper ini adalah
menghitung nilai dari MAE, RMSE dan MAPE terhadap
beberapa metode yang dipilih, yaitu metode linier,
eksponensial dan polinomial, lalu dengan membandingkan
ketiga nilai Kesalahan, disimpulkanlah metode yang paling
tepat dan ditentukanlah data untuk penggunaan jaringan 2G
pada 6 tahun terakhir dan saran untuk menentukan kapan
layanan
Tabel. 1. Data Penetrasi 2G di Asia Pasifik menurut GMSA [1]
Tahun
2012
Penetrasi Layanan 2G (%)
79
2013
72
2014
2015
2016
IV. HASIL PENELITIAN DAN PEMBAHASAN
A. Perhitungan Ramalan dengan Tren Linier
Perhitungan pertama, dipilih tren linier, dikarenakan tren
data pada grafik, menyerupai garis linear, sehingga dicoba
menggunakan tren linier. Dengan melakukan perhitungan,
maka didapatkanlah nilai dari Ft, Et, | Et | dan (Et)2 seprti pada
tabel 2. Adapun persamaan yang didapatkan adalah sebagai
berikut.
Y = 87,7 - 8,1t
Tabel. 2. Nilai Ramalan 6 tahun ke depan dan Nilai Kesalahan Tren Linier
|Yt -Ft|
( Yt -Ft)2
-0,60
0,60
0,36
71,50
0,50
0,50
0,25
3
63,40
0,60
0,60
0,36
4
55,30
-0,30
0,30
0,09
5
47,20
-0,20
0,20
0,04
-
6
39,10
-39,10
39,10
1528,81
2018
-
7
31,00
-31,00 31,00
961,00
2019
-
8
22,90
-22,90
22,90
524,41
2020
-
9
14,80
-14,80
14,80
219,04
2021
-
10
6,70
-6,70
6,70
44,89
2022
-
11
Total
-1,40
Yt
79
t
Ft
64
Tahun
2012
1
79,60
55
2013
72
2
47
2014
64
2015
55
2016
47
2017
Data aktual atau (Y) untuk perhitungan, didapatkan dari
GMSA Alliance. Nilai Y merupakan jumlah pengguna
layanan 2G pada setiap tahun dibandingkan dengan jumlah
seluruh pengguna layanan seluler di Asia Pasifik dalam
persentase. Contoh berdasarkan informasi di tabel, jumlah
pengguna layanan 2G pada tahun 2012 adalah 79% terhadap
jumlah seluruh pengguna layanan seluler (2G, 3G dan 4G)
di Asia Pasifik. Begitu pula untuk tahun – tahun berikutnya.
Untuk menentukan metode yang diperkirakan, maka
dibuatlah grafik berdasarkan pada data di tabel 1. Grafik
tersebut dapat dilihat pada gambar 5. Dari grafik, dipilihlah
beberapa metode yang mungkin sesuai untuk melakukan
ramalan terhadap penetrasi layanan 2G di Indonesia.
Dipilihlah 3 tren, yaitu Linier, Eksponensial dan Polinomial
orde 2.
Yt -Ft
1,40
1,40
1,96
-113,100
118,100
3281,210
Berikut adalah grafik perbandingan nilai riil dan nilai
ramalan hingga 6 tahun ke depan (tahun 2022).
Ramalan Penet rasi Layanan 2G (%)
Ramalan Penet rasi Layanan 2G (%)
100
100
80
80
60
60
40
y = -8,1x + 87,7
y = 92,284e-0,131x
40
20
20
0
-20
2012 2013 2014 2015 2016 2017 2018 2019 2020 2021 2020
2012 2013 2014 2015 2016 2017 2018 2019 2020 2021 2022
Tahun
Tahun
Gambar. 5. Grafik Ramalan Penetrasi Layanan 2G 6 tahun ke Depan dengan
Tren Linier di Asia Pasifik
Gambar. 6. Grafik Ramalan Penetrasi Layanan 2G 6 tahun ke Depan dengan
Tren Eksponensial di Asia Pasifik
B. Perhitungan Ramalan dengan Tren Eksponensial
Perhitungan kedua, dipilih tren eksponensial, untuk
sebagai perbandingan terhadap tren linier. Dengan
melakukan perhitungan, maka didapatkanlah nilai dari Ft, Et,
| Et | dan (Et)2 seperti pada tabel 3. Adapun persamaan yang
didapatkan adalah sebagai berikut.
Y = 92,284e-0,131t
Tabel. 3. Nilai Ramalan 6 tahun ke depan dan Nilai Kesalahan Tren
Eksponensial
Yt
2012
79
1
80,95
-1,95
1,95
3,81
2013
72
2
71,01
0,99
0,99
0,97
2014
64
3
62,29
1,71
1,71
2,91
2015
55
4
54,65
0,35
0,35
0,13
2016
47
5
47,94
-0,94
0,94
0,88
6
42,05
-42,05
42,05
1768,24
7
36,89
-36,89
36,89
1360,68
8
32,36
-32,36
32,36
1047,06
2017
2018
2019
Ft
Yt -Ft
|Yt -Ft|
2020
9
28,39
-28,39
28,39
805,72
2021
10
24,90
-24,90
24,90
620,01
2022
11
21,84
-21,84
21,84
477,11
-186,267
192,360
6087,530
Total
Perhitungan ketiga, dipilih tren polinomial orde, untuk
sebagai perbandingan terhadap tren eksponensial. Dengan
melakukan perhitungan, maka didapatkanlah nilai dari Ft, Et,
| Et | dan (Et)2 seperti pada tabel 4. Adapun persamaan yang
didapatkan adalah sebagai berikut.
Y = -0,2143t2 - 6,8143t + 86,2
Tabel. 4. Nilai Ramalan 6 tahun ke depan dan Nilai Kesalahan Tren
Polinomial Orde 2
( Yt -Ft)2
Tahun
t
C. Perhitungan Ramalan dengan Tren Polinomial Orde 2
Yt -Ft
|Yt -Ft|
( Yt -Ft)2
79,17
-0,17
0,17
0,03
2
71,71
0,29
0,29
0,08
64
3
63,83
0,17
0,17
0,03
2015
55
4
55,51
-0,51
0,51
0,26
2016
47
Tahun
Yt
t
Ft
2012
79
1
2013
72
2014
5
46,77
0,23
0,23
0,05
2017
6
37,60
-37,60
37,60
1413,71
2018
7
28,00
-28,00
28,00
783,96
2019
8
17,97
-17,97
17,97
322,94
2020
9
7,51
-7,51
7,51
56,45
2021
10
-3,37
3,37
3,37
11,38
2022
11
-14,69
14,69
14,69
215,73
-73,020
110,514
2804,610
Total
Berikut adalah grafik perbandingan nilai riil dan nilai
ramalan hingga 6 tahun ke depan (tahun 2022).
Berikut adalah grafik perbandingan nilai riil dan nilai
ramalan hingga 6 tahun ke depan (tahun 2022).
ramalan penetrasi layanan 2G di Asia Pasifik pada tahun
2017 hingga 2022, yaitu 37,6% pada tahun 2017, 28% pada
tahun 2018, 17,97% pada tahun 2019 dan 7,5% pada tahun
2020. Adapun untuk tahun 2021 dan 2022, nilainya masing
– masing -3,37% dan -14,69%. Adapun nilai minus pada
tahun 2021 dan 2022 menggambarkan bahwa tidak akan ada
lagi pengguna layanan 2G di Asia Pasifik. Sehingga dalam
hal ini, dapat kita sarankan kepada para operator jaringan
untuk menghentikan layanan 2G-nya maksimal pada akhir
tahun 2020.
Ramalan Penet rasi Layanan 2G (%)
100
80
60
y = -0,2143x2 - 6,8143x + 86,2
40
20
0
-20
2012 2013 2014 2015 2016 2017 2018 2019 2020 2021 20
Tahun
V.
Gambar. 7. Grafik Ramalan Penetrasi Layanan 2G 6 tahun ke Depan dengan
Tren Polinomial Orde 2 di Asia Pasifik
Berdasarkan
hasil
pembahasan
menggunakan
perhitungan ramalan untuk 6 tahun kedepan, maka dapat kita
ketahui bahwa tren terbaik diwakili oleh persamaan
polinomial orde kedua dan dari hasil perhitungan ramalan
untuk tahun 2017 hingga tahun 2022, didapatkan jumlah
pengguna layan 2G yang terus menurun dan puncaknya ada
di tahun 2020, sekitar 7,5% dan tahun 2021 dan 2022
digambarkan bahwa sudah tidak ada lagi pengguna layanan
2G (ditandai dengan nilai minus pada hasil ramalan). Dari
hasil perhitungan dan analisa, maka dapat kita sarankan agar
para operator menghentikan layanan 2G paling lama pada
akhir tahun 2020. Sekiranya hasil percobaan dan perhitungan
ini dapat menjadi masukan bagi para operator jaringan untuk
memutuskan kapan akan menonaktifkan layanan seluler
generasi keduanya di Asia Pasifik.
D. Pemilihan Tren dan Pembahasan
Dari ketiga tren yang dipilih, maka dihitunglah nilai
MAE, MSE dan RMSE dari masing – masing tren untuk
kemudian dibandingkan. Hasil perhitungan dari MAE, MSE
dan RMSE tiap tren, dapat dilihat pada tabel 5.
Tabel. 5. Hasil Perhitungan Nilai MAE, MSE dam RMSE dari ketiga Tren
Metode
Eksponensial
Metode
Linier
Metode
Polinomial 2
MAE
38,472
23,620
22,103
MSE
1217,506
656,242
560,922
RMSE
34,893
25,617
23,684
KESIMPULAN
REFERENSI
Berdasarkan hasil nilai MAE, MSE dam RMSE dari
ketiga jenis tren, maka diketahui bahwa nilai MAE, MSE
dan RMSE yang paling kecil didapatkan pada ramalan
menggunakan tren Polinomial Orde 2. Sehingga dapat
disimpulkan bahwa tren yang paling tepat untuk
menggambarkan kasus penetrasi layanan 2G di Asia Pasifik
adalah tren Polinomial orde kedua.
Selanjutnya menggunakan nilai ramalan dari
persamaan polinomial orde kedua, maka kita dapatkan nilai
[1]
[2]
[3]
GSMA Intelligent, “The Mobile Economy Asia Pacific”, dalam laporan
tahunan Mobile Economy GSMA, London, UK, 2017.
Jay R Churi, Sudhish T Surendran, Shreyas Ajay Tigdi and Sanket
Yewale.“Evolution of Networks (2G-5G)”. IJCA Proceedings on
International Conference on Advances in Communication and Computing
Technologies 2012 ICACACT(3):8-13, August 2012
Wayne L. Winston, S. Christian Albright, Practical Management Science
4th Edition. United States of America : South Western Cengage
Learning.2011.
ASIA PASIFIK SELAMA 6 TAHUN KE DEPAN
Muhammad Yanuar Ary Saputro
muhammad.yanuarary@gmail.com
Magister Keamanan Jaringan dan Informasi
Departemen Teknik Elektro, Fakultas Teknik Universitas Indonesia
Jakarta, Indonesia
Abstrak—Teknologi komunikasi nirkabel atau seluler
merupakan sebuah teknologi yang terus berkembang pesat di dunia.
Diawali dengan munculnya 1G, lalu kemudian disusul oleh 2G, 3G,
4G dan sebentar lagi 5G dalam waktu yang tidak lama.
Perkembangan teknologi ini mengakibatkan teknologi yang lebih
lama jadi tidak lagi diminati oleh pengguna, dikarenakan pengguna
yang bermigrasi ke teknologi yang lebih baru. Untuk itu diperlukan
suatu pendekatan dan penelitian untuk menentukan kapan sebuah
perusahaan layanan operator dapat menghentikan layanan seluler
yang sudah tak lagi diminati seperti layanan 2G. pada makalah ini
akan dihitung perkiraan jumlah pengguna layanan 2G di Asia
Pasifik untuk 6 tahun ke depan, sehingga dapat diketahui kapan
layanan ini sebaiknya dihentikan oleh para operator jaringan.
Kata Kunci—; Operator, Jaringan, 2G, 4G, Perkiraan
I. PENDAHULUAN
Teknologi komunikasi nirkabel terus berkembang
dengan pesat apalagi di era IoT saat ini. Pada mulanya
teknologi komunikasi nirkabel hanya bisa digunakan untuk
berkomunikasi secara linguistik. Akan tetapi kini bahkan
memungkinkan kita untuk berkomunikasi secara audio
visual. Dan ke depannya seluruh benda dapat terkoneksi ke
internet melalui teknologi nirkabel ini.
Munculnya teknologi baru dengan cepat membuat
semakin cepat pula transisi dari satu teknologi ke teknologi
lainnya. Sebagai contoh teknologi 1G atau yang kita kenal
sebagai GPRS, kini sudah sangat sedikit penggunanya,
meskipun masih ada beberapa operator jaringan yang masih
menyediakan layanan tersebut. Begitu pula dengan
munculnya teknologi 4G beberapa tahun kebelakangan ini,
membuat teknologi 2G atau bisa disebut juga sebagai EDGE
mulai ditinggalkan penggunanya. Apalagi teknologi 5G
sudah mulai diuji dan sebentar lagi akan mulai hadir di
tengah – tengah kita.
Bagi para operator jaringan, perkembangan teknologi
komunikasi nirkabel yang begitu cepat, membutuhkan
sebuah pendekatan untuk menghitung sebesar apa sumber
daya yang diperlukan untuk mendukung teknologi yang
sudah tidak dipakai lagi. Bagi operator jaringan,
telekomunikasi adalah sebuah bisnis, sehingga perlu
perhitungan dalam setiap biaya yang diperlukan, termasuk
biaya perawatan BTS dan layanan yang ada. Akan sangat
boros, jika terus menyediakan layanan yang tidak digunakan
atau tidak diminati lagi oleh pengguna, karena tentu
dibutuhkan biaya lebih untuk melakukan perawatan terhadap
infrastruktur dan biaya pelayanan terhadap pengguna. Salah
satunya disini adalah teknologi 2G yang sudah mulai
ditinggal.
Berdasarkan data dari GSMA Intelligence [1], proporsi
koneksi jaringan 2G di Asia Pasifik terus menurun sejak
tahun 2012, digantikan dengan meningkatnya perkembangan
jaringan 4G yang dimulai pada tahun 2013.
Teknologi penerus EDGE pun mulai dikembangkan
pada tahun 2000 dan mulai beroperasi pada tahun 2005.
Inilah yang disebut dengan teknologi nirkabel generasi
ketiga atau 3G. 3G mampu melakukan transfer data dengan
kecepatan antara 125kbps hingga 2 Mbps. Pada zaman 3G ni
pula dikenallah panggilan video, komunikasi yang cepat, TV
bergerak dan Konferensi Video.
Sekitar lima tahun setelah kemunculan 3G, muncul
kembali teknologi penerus 3G, yaitu teknologi nirkabel
generasi keempat atau 4G, yang mana mendukung fitur
Video On Demand, Mobile TV dan telemedicine [2].
Teknologi inilah yang disiapkan untuk mendukung era
Internet of Things atau IoT. Teknologi 4G merupakan
teknologi yang bisa dikan murni digital, karena panggilan
suara tidak lagi dikirimkan secara analog, melainkan digital
melalui teknologi Voice over LTE (VoLTE).
Gambar. 1. Proporsi Jaringan 2G, 3G dan 4G di Asia Pasifik [1]
Berdasarkan data pada diagram di atas, maka
diperlukan sebuah proyeksi tentang kebutuhan layanan 2G
selama 6 tahun ke depan, untuk memperhitungkan nilai
investasi yang perlu dikeluarkan oleh para operator jaringan
dan kapan mereka harus memutuskan layanan 2G mereka,
yaitu ketika tidak ada lagi permintaan dari pengguna.
II. TINJAUAN PUSTAKA
A. Perkembangan Teknologi Komunikasi Nirkabel
Teknologi nirkabel generasi pertama atau 1G adalah
yang teknologi komunikasi nirkabel yang murni analog,
dengan kecepatan hingga 2.4 kbps. Teknologi ini pertama
kali diluncurkan oleh Advance Mobile Phone System
(AMPS) di Amerika untuk melayani panggilan suara dalam
satu negara [2]. Teknologi ini pun berkembang menjadi Time
Division Multiple Access (TDMA) dan Code Division Multi
Access (CDMA) yang mengizinkan pembagian sinyal
berdasarkan waktu dan kode. Salah satu teknologi dari
TDMA adalah GSM yang berkembang di Eropa dan
digunakan lebih dari 212 negara di dunia. GSM bukan hanya
mampu melakukan panggilan suara, tapi juga mengirim
pesan singkat (SMS) antar pengguna.
Selanjutnya pada tahun 1991, GSM berkembang
menjadi teknologi nirkabel generasi kedua atau 2G.
Perbedaan 2G dan 1G, adalah 2G sudah mampu
mengirimkan pesan multimedia atau MMS dan sudah tidak
murni analog, jaringannya bersifat digital [2]. 2G sendiri
sempat berkembang menjadi 2.5G dengan teknologi GPRS
dan 2.75G dengan teknologi EDGE, sebelum berkembang
menjadi 3G. GPRS membuat teknologi 2G mampu
memberikan kecepatan hingga 153.6kbps, sedangkan EDGE
membuat kecepatan naik hingga 236.8kbps.
Saat ini sedang digarap teknologi penerus 4G, yaitu
teknologi nirkabel generasi kelima atau 5G yang seluruhnya
berbasiskan nirkabel tanpa limitasi, teknologi ini nantinya
juga diharapkan didukung oleh AI, IPv6, dan sistem HAPS
serta TV dengan kualitas High Definition atau HD.
B. Perkiraan dan Analisis Regresi
Perkiraan adalah sebuah aktivitas berbasis model yang
paling mendasar dalam sebuah organisasi. Inti dari anggaran
adalah perkiraan. Perkiraan hanyalah prediksi tentang nilai
data masa depan. Namun, sebagian besar perkiraan model
ekstrapolasi menganggap bahwa masa lalu adalah proksi
untuk masa depan.
Banyak metode peramalan yang tersedia, dan semua
praktisi memiliki favorit mereka. Pada umumnya, metode
dapat dibagi menjadi tiga kelompok: (1) metode penilaian,
(2) metode regresi, dan (3) metode ekstrapolasi. Yang
pertama Ini pada dasarnya tidak berurutan dan tidak dibahas
disini. Model regresi, juga disebut model kausal,
meramalkan sebuah variabel dengan memperkirakan
hubungannya dengan variabel lainnya. Misalnya, perusahaan
mungkin menggunakan model regresi untuk memperkirakan
hubungan antara penjualan dan tingkat periklanannya,
pendapatan penduduk, tingkat suku bunga, dan
kemungkinan lainnya. Teknik regresi sangat populer, karena
fleksibilitas dan kekuatannya. Regresi dapat memperkirakan
hubungan antara variabel time-series atau variabel crosssectional (yang diamati pada satu titik waktu), dan dapat
memperkirakan hubungan linear atau non linear [3].
Analisis regresi dapat dikategorikan dalam beberapa
cara. Kategorisasi didasarkan pada jenis data yang dianalisis.
Ada dua tipe dasar: data cross-sectional dan data time-series.
Data cross-sectional biasanya adalah data dikumpulkan pada
waktu yang sama dari hubungan silang antar populasi.
Contoh perbandingan tingkat perumahan dan upah adalah
studi cross-sectional. Sebaliknya, studi time-series atau deret
waktu melibatkan satu atau lebih variabel yaitu diamati pada
beberapa waktu. Contoh harga saham pada waktu ke waktu
[3].
Kategorisasi kedua dari analisis regresi melibatkan
jumlah variabel dalam analisis Pertama, kita harus
memperkenalkan beberapa syarat. Dalam setiap studi
regresi, tujuannya adalah untuk menjelaskan atau
memprediksi suatu variabel tertentu. Ini disebut variabel
dependen (atau variabel respons) dan sering dilambangkan
secara umum sebagai Y. Untuk membantu menjelaskan atau
memprediksi variabel dependen, satu atau lebih variabel
penjelas digunakan. Variabel ini adalah juga disebut variabel
independen atau variabel prediktor, dan mereka sering
dilambangkan secara umum sebagai Xs. Jika ada satu
variabel penjelas, analisisnya disebut regresi sederhana. Jika
ada beberapa variabel penjelas, maka disebut regresi
berganda [3]. Pada makalah ini digunakan metode timeseries dengan metode regresi sederhana.
Gambar. 2. Contoh Garis Dasar time-series [3]
Ini adalah persamaan garis kuadrat-terkecil yang
melewati bagian Y versus X. Karena kita memperkirakan
garis lurus, persamaan regresi-nya adalah Y = a + bX, di
mana, seperti pada aljabar dasar, a disebut intercept dan b
disebut slope.
Pada metode regresi sederhana time-series, variabel
penjelas waktu, biasanya disimbolkan sebagai t (bukan X).
Dalam kasus ini, variabel dependen Y adalah variabel timeseries, contoh penjualan bulanan perusahaan, dan tujuan
regresi adalah untuk melihat apakah variabel dependen ini
mengikuti tren sepanjang waktu. Jika ada kecenderungan
linier, persamaan untuk Y adalah : y = a + bt. Jika b> 0, maka
Y cenderung meningkat dengan b unit setiap periode waktu,
sedangkan jika b > 0, maka Y cenderung menurun dengan b
unit setiap periode waktu. Atau, jika ada kecenderungan
eksponensial, persamaan untuk Y memiliki bentuk Y = aebt
Dalam hal ini, variabel Y berubah sesuai dengan persentase
konstan setiap periode waktu, dan persentase ini kira-kira
sama dengan koefisien eksponen, b [3].
Variabel Y time-series biasanya berisi satu atau lebih
komponen. Komponen ini dapat terdiri dari komponen tren,
komponen musiman, komponen siklik, dan komponen acak
(atau noise). Grafik pada gambar 2 ini menunjukkan waktu t
pada sumbu horizontal dan nilai observasi Y pada sumbu
vertikal. Diasumsikan Y diukur secara teratur pada setiap
interval, seperti hari, minggu, bulan, kuartal, atau tahun.
Nilai Y pada periode t dinotasikan sebagai Yt. Seperti yang
ditunjukkan pada gambar, masing-masing poin biasanya
diikuti garis lurus untuk membuat pola dalam deret waktu
lebih jelas. Sedangkan bentuk linier, eksponensial dan grafik
S ditunjukkan pada gambar 3.
Gambar. 3. Contoh Garis Linear (a), Eksponensial (b) dan berbentuk S (c) [3]
C. Metode Pengukuran Kesalahan dalam Perkiraan
Bila digunakan metode ekstrapolasi, dapat dibangun
sebuah model untuk melacak data historis yang diamati, dan
kemudian digunakan model ini untuk meramalkan nilai data
masa depan. Satu-satunya cara untuk bisa menilai apakah
perkiraan masa depan cenderung bagus adalah mengukur
seberapa baik model dengan data historis Analis time-series
biasanya menggunakan beberapa ukuran [3].
Ada tiga langkah yang dapat digunakan di sini. Contoh
Yt menjadi nilai yang teramati dalam periode waktu t.
Dengan model peramalan apa pun, Ft merupakan nilai
ramalan satu periode setelah Yt [3]. Sebagai contoh, untuk
data bulanan, jika t adalah bulan Juli, maka Ft adalah ramalan
untuk nilai bulan Juli yang didapat berdasarkan persamaan
Y(t) dengan t adalah bulan Juli. Kemudian kita bandingkan
nilai Yt dan Ft, dan Kesalahan dinotasikan sebagai Et dengan
Et = Yt - Ft.
Dari nilai Et itu dapat dihitung nilai akurasi peramalan
yaitu adalah MAE (Mean Absolut Kesalahan), MSE (Mean
Square Kesalahan) dan RMSE (Root Mean Square
Kesalahan). Rumusnya adalah sebagai berikut, di mana N
adalah jumlah banyaknya waktu yang tersedia dalam data.
Penet rasi Layanan 2G (%)
100
80
60
40
20
0
2012
2013
2014
2015
2016
Tahun
Gambar. 4. Grafik Penetrasi Layanan 2G di Asia Pasifik menurut GSMA
III. METODOLOGI
Metodologi yang digunakan dalam paper ini adalah
menghitung nilai dari MAE, RMSE dan MAPE terhadap
beberapa metode yang dipilih, yaitu metode linier,
eksponensial dan polinomial, lalu dengan membandingkan
ketiga nilai Kesalahan, disimpulkanlah metode yang paling
tepat dan ditentukanlah data untuk penggunaan jaringan 2G
pada 6 tahun terakhir dan saran untuk menentukan kapan
layanan
Tabel. 1. Data Penetrasi 2G di Asia Pasifik menurut GMSA [1]
Tahun
2012
Penetrasi Layanan 2G (%)
79
2013
72
2014
2015
2016
IV. HASIL PENELITIAN DAN PEMBAHASAN
A. Perhitungan Ramalan dengan Tren Linier
Perhitungan pertama, dipilih tren linier, dikarenakan tren
data pada grafik, menyerupai garis linear, sehingga dicoba
menggunakan tren linier. Dengan melakukan perhitungan,
maka didapatkanlah nilai dari Ft, Et, | Et | dan (Et)2 seprti pada
tabel 2. Adapun persamaan yang didapatkan adalah sebagai
berikut.
Y = 87,7 - 8,1t
Tabel. 2. Nilai Ramalan 6 tahun ke depan dan Nilai Kesalahan Tren Linier
|Yt -Ft|
( Yt -Ft)2
-0,60
0,60
0,36
71,50
0,50
0,50
0,25
3
63,40
0,60
0,60
0,36
4
55,30
-0,30
0,30
0,09
5
47,20
-0,20
0,20
0,04
-
6
39,10
-39,10
39,10
1528,81
2018
-
7
31,00
-31,00 31,00
961,00
2019
-
8
22,90
-22,90
22,90
524,41
2020
-
9
14,80
-14,80
14,80
219,04
2021
-
10
6,70
-6,70
6,70
44,89
2022
-
11
Total
-1,40
Yt
79
t
Ft
64
Tahun
2012
1
79,60
55
2013
72
2
47
2014
64
2015
55
2016
47
2017
Data aktual atau (Y) untuk perhitungan, didapatkan dari
GMSA Alliance. Nilai Y merupakan jumlah pengguna
layanan 2G pada setiap tahun dibandingkan dengan jumlah
seluruh pengguna layanan seluler di Asia Pasifik dalam
persentase. Contoh berdasarkan informasi di tabel, jumlah
pengguna layanan 2G pada tahun 2012 adalah 79% terhadap
jumlah seluruh pengguna layanan seluler (2G, 3G dan 4G)
di Asia Pasifik. Begitu pula untuk tahun – tahun berikutnya.
Untuk menentukan metode yang diperkirakan, maka
dibuatlah grafik berdasarkan pada data di tabel 1. Grafik
tersebut dapat dilihat pada gambar 5. Dari grafik, dipilihlah
beberapa metode yang mungkin sesuai untuk melakukan
ramalan terhadap penetrasi layanan 2G di Indonesia.
Dipilihlah 3 tren, yaitu Linier, Eksponensial dan Polinomial
orde 2.
Yt -Ft
1,40
1,40
1,96
-113,100
118,100
3281,210
Berikut adalah grafik perbandingan nilai riil dan nilai
ramalan hingga 6 tahun ke depan (tahun 2022).
Ramalan Penet rasi Layanan 2G (%)
Ramalan Penet rasi Layanan 2G (%)
100
100
80
80
60
60
40
y = -8,1x + 87,7
y = 92,284e-0,131x
40
20
20
0
-20
2012 2013 2014 2015 2016 2017 2018 2019 2020 2021 2020
2012 2013 2014 2015 2016 2017 2018 2019 2020 2021 2022
Tahun
Tahun
Gambar. 5. Grafik Ramalan Penetrasi Layanan 2G 6 tahun ke Depan dengan
Tren Linier di Asia Pasifik
Gambar. 6. Grafik Ramalan Penetrasi Layanan 2G 6 tahun ke Depan dengan
Tren Eksponensial di Asia Pasifik
B. Perhitungan Ramalan dengan Tren Eksponensial
Perhitungan kedua, dipilih tren eksponensial, untuk
sebagai perbandingan terhadap tren linier. Dengan
melakukan perhitungan, maka didapatkanlah nilai dari Ft, Et,
| Et | dan (Et)2 seperti pada tabel 3. Adapun persamaan yang
didapatkan adalah sebagai berikut.
Y = 92,284e-0,131t
Tabel. 3. Nilai Ramalan 6 tahun ke depan dan Nilai Kesalahan Tren
Eksponensial
Yt
2012
79
1
80,95
-1,95
1,95
3,81
2013
72
2
71,01
0,99
0,99
0,97
2014
64
3
62,29
1,71
1,71
2,91
2015
55
4
54,65
0,35
0,35
0,13
2016
47
5
47,94
-0,94
0,94
0,88
6
42,05
-42,05
42,05
1768,24
7
36,89
-36,89
36,89
1360,68
8
32,36
-32,36
32,36
1047,06
2017
2018
2019
Ft
Yt -Ft
|Yt -Ft|
2020
9
28,39
-28,39
28,39
805,72
2021
10
24,90
-24,90
24,90
620,01
2022
11
21,84
-21,84
21,84
477,11
-186,267
192,360
6087,530
Total
Perhitungan ketiga, dipilih tren polinomial orde, untuk
sebagai perbandingan terhadap tren eksponensial. Dengan
melakukan perhitungan, maka didapatkanlah nilai dari Ft, Et,
| Et | dan (Et)2 seperti pada tabel 4. Adapun persamaan yang
didapatkan adalah sebagai berikut.
Y = -0,2143t2 - 6,8143t + 86,2
Tabel. 4. Nilai Ramalan 6 tahun ke depan dan Nilai Kesalahan Tren
Polinomial Orde 2
( Yt -Ft)2
Tahun
t
C. Perhitungan Ramalan dengan Tren Polinomial Orde 2
Yt -Ft
|Yt -Ft|
( Yt -Ft)2
79,17
-0,17
0,17
0,03
2
71,71
0,29
0,29
0,08
64
3
63,83
0,17
0,17
0,03
2015
55
4
55,51
-0,51
0,51
0,26
2016
47
Tahun
Yt
t
Ft
2012
79
1
2013
72
2014
5
46,77
0,23
0,23
0,05
2017
6
37,60
-37,60
37,60
1413,71
2018
7
28,00
-28,00
28,00
783,96
2019
8
17,97
-17,97
17,97
322,94
2020
9
7,51
-7,51
7,51
56,45
2021
10
-3,37
3,37
3,37
11,38
2022
11
-14,69
14,69
14,69
215,73
-73,020
110,514
2804,610
Total
Berikut adalah grafik perbandingan nilai riil dan nilai
ramalan hingga 6 tahun ke depan (tahun 2022).
Berikut adalah grafik perbandingan nilai riil dan nilai
ramalan hingga 6 tahun ke depan (tahun 2022).
ramalan penetrasi layanan 2G di Asia Pasifik pada tahun
2017 hingga 2022, yaitu 37,6% pada tahun 2017, 28% pada
tahun 2018, 17,97% pada tahun 2019 dan 7,5% pada tahun
2020. Adapun untuk tahun 2021 dan 2022, nilainya masing
– masing -3,37% dan -14,69%. Adapun nilai minus pada
tahun 2021 dan 2022 menggambarkan bahwa tidak akan ada
lagi pengguna layanan 2G di Asia Pasifik. Sehingga dalam
hal ini, dapat kita sarankan kepada para operator jaringan
untuk menghentikan layanan 2G-nya maksimal pada akhir
tahun 2020.
Ramalan Penet rasi Layanan 2G (%)
100
80
60
y = -0,2143x2 - 6,8143x + 86,2
40
20
0
-20
2012 2013 2014 2015 2016 2017 2018 2019 2020 2021 20
Tahun
V.
Gambar. 7. Grafik Ramalan Penetrasi Layanan 2G 6 tahun ke Depan dengan
Tren Polinomial Orde 2 di Asia Pasifik
Berdasarkan
hasil
pembahasan
menggunakan
perhitungan ramalan untuk 6 tahun kedepan, maka dapat kita
ketahui bahwa tren terbaik diwakili oleh persamaan
polinomial orde kedua dan dari hasil perhitungan ramalan
untuk tahun 2017 hingga tahun 2022, didapatkan jumlah
pengguna layan 2G yang terus menurun dan puncaknya ada
di tahun 2020, sekitar 7,5% dan tahun 2021 dan 2022
digambarkan bahwa sudah tidak ada lagi pengguna layanan
2G (ditandai dengan nilai minus pada hasil ramalan). Dari
hasil perhitungan dan analisa, maka dapat kita sarankan agar
para operator menghentikan layanan 2G paling lama pada
akhir tahun 2020. Sekiranya hasil percobaan dan perhitungan
ini dapat menjadi masukan bagi para operator jaringan untuk
memutuskan kapan akan menonaktifkan layanan seluler
generasi keduanya di Asia Pasifik.
D. Pemilihan Tren dan Pembahasan
Dari ketiga tren yang dipilih, maka dihitunglah nilai
MAE, MSE dan RMSE dari masing – masing tren untuk
kemudian dibandingkan. Hasil perhitungan dari MAE, MSE
dan RMSE tiap tren, dapat dilihat pada tabel 5.
Tabel. 5. Hasil Perhitungan Nilai MAE, MSE dam RMSE dari ketiga Tren
Metode
Eksponensial
Metode
Linier
Metode
Polinomial 2
MAE
38,472
23,620
22,103
MSE
1217,506
656,242
560,922
RMSE
34,893
25,617
23,684
KESIMPULAN
REFERENSI
Berdasarkan hasil nilai MAE, MSE dam RMSE dari
ketiga jenis tren, maka diketahui bahwa nilai MAE, MSE
dan RMSE yang paling kecil didapatkan pada ramalan
menggunakan tren Polinomial Orde 2. Sehingga dapat
disimpulkan bahwa tren yang paling tepat untuk
menggambarkan kasus penetrasi layanan 2G di Asia Pasifik
adalah tren Polinomial orde kedua.
Selanjutnya menggunakan nilai ramalan dari
persamaan polinomial orde kedua, maka kita dapatkan nilai
[1]
[2]
[3]
GSMA Intelligent, “The Mobile Economy Asia Pacific”, dalam laporan
tahunan Mobile Economy GSMA, London, UK, 2017.
Jay R Churi, Sudhish T Surendran, Shreyas Ajay Tigdi and Sanket
Yewale.“Evolution of Networks (2G-5G)”. IJCA Proceedings on
International Conference on Advances in Communication and Computing
Technologies 2012 ICACACT(3):8-13, August 2012
Wayne L. Winston, S. Christian Albright, Practical Management Science
4th Edition. United States of America : South Western Cengage
Learning.2011.