Perencanaan Penempatan E-Node B 4G LTE 1800 MHZ Pada BTS Existing Di Kota Denpasar Menggunakan Metode Fuzzy C-Means Dan Harmony Search.

TESIS

PERENCANAAN PENEMPATAN E-NODE B 4G LTE 1800 MHZ PADA BTS EXISTING DI KOTA DENPASAR MENGGUNAKAN

METODE FUZZY C-MEANS DAN HARMONY SEARCH

I KADEK SUSILA SATWIKA 1491761028

PROGRAM MAGISTER

PROGRA STUDI TEKNIK ELEKTRO

PROGRAM PASCASARJANA

UNIVERSITAS UDAYANA

DENPASAR

ii PERENCANAAN PENEMPATAN E-NODE B 4G LTE 1800 MHZ PADA BTS EXISTING DI KOTA DENPASAR MENGGUNAKAN

METODE FUZZY C-MEANS DAN HARMONY SEARCH

Tesis untuk Memperoleh Gelar Magister pada Program Magister, Program Studi Teknik Elektro,

Program Pascasarjana Universitas Udayana

I KADEK SUSILA SATWIKA NIM 1491761028

PROGRAM MAGISTER

PROGRA STUDI TEKNIK ELEKTRO

PROGRAM PASCASARJANA

UNIVERSITAS UDAYANA

DENPASAR

iii Lembar Pengesahan

TESIS INI TELAH DISETUJUI PADA TANGGAL 3 JUNI 2016

Mengetahui Pembimbing I,

Dr. I Made Oka Widyantara, ST., MT. NIP: 197312111999031001

Pembimbing II,

Nyoman Pramaita, ST., MT., Ph.D. NIP: 197104091997021004

Ketua Program Studi Magister Teknik Elektro Program Pasca Sarjana

Universitas Udayana,

Prof. Ir. I. A. Dwi Giriantari, M.Eng,Sc., PhD NIP: 196512131991032001

Direktur Program Pascasarjana

Universitas Udayana,

Prof. Dr. dr. A.A. Raka Sudewi, Sp.S(K) NIP 195902151985102001

iv Tesis Ini Telah Diuji pada

Tanggal 25 Mei 2016

Panitia Penguji Tesis Berdasarkan SK Rektor Universitas Udayana, No : 2306/UN14.4/HK/2016

Ketua : Dr. I Made Oka Widyantara, ST., MT.

Anggota :

1. Nyoman Pramaita, ST., MT., Ph.D. 2. Prof. Ir. Rukmi Sari Hartati, MT., PhD. 3. Dr. Ir. Made Sudarma, M.A.Sc.

v Denpasar, 3 Juni 2016 Yang membuat pernyataan,

I Kadek Susila Satwika SURAT KETERANGAN BEBAS PLAGIAT

Nama : I Kadek Susila Satwika

NIM : 1491761028

Program Studi : Magister Teknik Elektro

Judul : PERENCANAAN PENEMPATAN E-NODE B 4G LTE 1800 MHZ PADA BTS EXISTING DI KOTA

DENPASAR MENGGUNAKAN METODE FUZZY

C-MEANS DAN HARMONY SEARCH

Dengan ini menyatakan bahwa karya tulis ilmiah Tesis ini bebas plagiat. Apabila dikemudian hari terbukti terdapat plagiat dalam karya ilmiah ini, maka saya bersedia menerima sangsi sesuai peraturan Mendiknas RI No. 17 Tahun 2010 dan Peraturan Perundang-undangan yang berlaku.

vi UCAPAN TERIMA KASIH

Puji syukur kita panjatkan kehadirat Tuhan Yang Maha Esa atas segala rahmat dan hidayah-Nya penulis dapat menyelesaikan tesis dengan judul Perencanaan Penempatan eNodeB 4G LTE 1800 Mhz Pada BTS Existing Di Kota Denpasar Menggunakan Metode Fuzzy C-Means Dan Harmony Search.

Dalam menyelesaikan tesis ini penulis mendapatkan banyak sekali bantuan, bimbingan dan dorongan dari berbagai pihak. Oleh karena itu penulis ingin mengucapkan terima kasih kepada semua pihak yang telah membantu dalam penyelesaian tesis ini, antara lain Rektor Universitas Udayana Prof.Dr.dr. Ketut Suastika, Sp.PD.KEMD atas kesempatan dan fasilitas yang diberikan kepada penulis untuk mengikuti dan menyelesaikan pendidikan Program Magister di Universitas Udayana. Direktur Program Pascasarjana Universitas Udayana yang dijabat oleh Prof. Dr. dr. A.A. Raka Sudewi, Sp.S(K) dan Prof. Dr. Made Budiarsa, M.A., sebagai Asisten Direktur I Program Pasca Sarjana Universitas Udayana atas kesempatan yang diberikan kepada penulis untuk menjadi mahasiswa Program Magister pada Program Pascasarjana Universitas Udayana. Dr. I Made Oka Widyantara, ST., MT selaku dosen pembimbing I, atas bimbingan, pengarahan, saran, dan dukungan selama penyusunan tesis ini. Nyoman Pramaita, ST., MT., Ph.D selaku dosen pembimbing II yang dengan penuh perhatian dan kesabaran telah memberikan bimbingan dan saran kepada penulis. Seluruh Dosen khususnya dosen Program Magister Teknik Elektro Universitas Udayana atas ilmu yang telah diberikan. Prof. Ir. Rukmi Sari Hartati, MT., PhD, Dr. Ir. Made Sudarma, M.A.Sc,

vii NMAE Dewi Wirastuti, ST., MSc., PhD, yang telah memberikan masukan, saran, sanggahan, dan koreksi sehingga tesis ini dapat terwujud.

Pada kesempatan ini, penulis juga menyampaikan rasa terima kasih kepada Orang tuaku tercinta Made Artini, S.pd., dan Drs. I Made Arka yang tiada hentinya memberikan doa, semangat, dan pengorbanan yang sangat besar. Saudaraku I Putu Susila Handika, S.Kom., MT yang selalu menjadi motivasi selama pengerjaan tesis. Diah Akuamiyanti yang selalu memberikan semangat dan dukungannya dari awal sampai tesis ini selesai. Teman-teman seperjuangan Manajemen Bisnis Telekomunikasi atas semangat dan dukungannya. Semua pihak yang telah membantu dalam penyusunan laporan ini yang tidak dapat kami sebutkan satu per satu.

Penulis menyadari bahwa penulisan tesis yang telah dibuat masih jauh dari kesempurnaan. Oleh karena itu, penulis sangat mengharapkan kritik dan saran yang membangun dari pembaca.

8 ABSTRAK

PERENCANAAN PENEMPATAN E-NODE B 4G LTE 1800 MHZ PADA BTS EXISTING DI KOTA DENPASAR MENGGUNAKAN METODE

FUZZY C-MEANS DAN HARMONY SEARCH

Munculnya teknologi generasi keempat yaitu 4G LTE (Long Term Evolution) di Indonesia memaksa para penyedia layanan telekomunikasi untuk mengupgrade infrastruktur eksistingnya ke teknologi yang terbaru. Proses upgrade

layanan ke generasi terbaru dalam hal ini layanan 4G LTE memanfaatkan BTS eksisting sebagai BTS dengan teknologi terbaru yang disebut eNodeB. Diperlukan sebuah perencanaan dengan metode yang mampu memberikan solusi dalam mengoptimalkan pemanfaatan BTS eksisting sebagai eNodeB baru 4G LTE di Kota Denpasar. Metode Fuzzy C-Means dan Harmony Search digunakan sebagai metode untuk membantu memberikan hasil perencanaan BTS (Base Transceiver Station) yang maksimal di Kota Denpasar. Penelitian ini menggunakan beberapa variabel untuk proses optimasi, diantaranya : trafik kota Denpasar, jumlah kebutuhan

eNodeB tahun 2020, dan coverage masing-masing BTS eksisting. Hasil optimasi menunjukkan 123 BTS eksisting dari 211 BTS dipilih sebagai eNodeB 4G LTE dan terdapat 41 titik eNodeB potensial baru yang dianggap optimal dengan total nilai

path loss sebesar 136085,8338 dB.

9 ABSTRACT

PERENCANAAN PENEMPATAN E-NODE B 4G LTE 1800 MHZ PADA BTS EXISTING DI KOTA DENPASAR MENGGUNAKAN METODE

FUZZY C-MEANS DAN HARMONY SEARCH

The emergence of a fourth generation that is 4G technology LTE (Long Term Evolution) in Indonesia forced the telecom service providers to upgrade existing infrastructure to the latest technology. The upgrade process to service the latest generation in this case 4G LTE services utilizing the existing base stations as base stations with the latest technology, called eNodeB. In reality, not all of the existing base stations will be upgraded to an eNodeB within the period up to 2020, considering the 4G LTE user traffic and the resulting coverage. Therefore, it needs a planning method that is able to provide solutions in order to optimize the utilization of existing base stations as the new 4G LTE eNodeB in Denpasar. This study has proposed Fuzzy C-Means method to get the point eNodeB cluster center for clustering process, followed by an optimization process using Harmony Search. This study uses several variables for process optimization, including: Denpasar city traffic, the number of eNodeB needs by 2020, and coverage of each of the existing BTS. The simulation results show that the planning of the existing BTS optimal use as many as 123 sites eNodeB base stations of 211 base stations, and there are 41 new potential eNodeB point which is considered optimal for a total value of 136,085.8338 dB path loss.

10 DAFTAR ISI

SAMPUL DALAM ... i

PRASYARAT GELAR ... ii

LEMBAR PENGESAHAN ... iii

PENETAPAN PANITIA PENGUJI ... iv

PERSYARATAN KEASLIAN PENELITIAN ... v

UCAPAN TERIMA KASIH ... vi

ABSTRAK ... 8

ABSTRACT ... 9

DAFTAR ISI ... 10

DAFTAR TABEL ... 13

DAFTAR GAMBAR ... 14 BAB I PENDAHULUAN ... Error! Bookmark not defined. 1.1 Latar Belakang ... Error! Bookmark not defined.

1.2 Rumusan Masalah ... Error! Bookmark not defined.

1.3 Tujuan Penulisan ... Error! Bookmark not defined.

1.4 Manfaat ... Error! Bookmark not defined.

1.5 Ruang Lingkup ... Error! Bookmark not defined.

1.6 Keaslian Penelitian ... Error! Bookmark not defined.

BAB II DASAR TEORI ... Error! Bookmark not defined. 2.1 State of The Art ... Error! Bookmark not defined.

2.2 Long Term Evolution (LTE) ... Error! Bookmark not defined.

2.2.1 Teknologi Akses LTE ... Error! Bookmark not defined.

2.2.2 Arsitektur LTE (Long term Evolution) ... Error! Bookmark not defined.

2.3 Konsep Seluler ... Error! Bookmark not defined.

2.3.1Sel Hexagonal ... Error! Bookmark not defined.

2.4 Perencanaan Kapasitas (Capacity Planning) ... Error! Bookmark not defined.

2.4.1 Peramalan Kebutuhan ... Error! Bookmark not defined.

2.4.2 Perhitungan Pertumbuhan Penduduk ... Error! Bookmark not defined.

11 2.4.5 Teori Trafik ... Error! Bookmark not defined.

2.4.5 Perhitungan Kapasitas Trafik Layanan GSM .. Error! Bookmark not defined.

2.5 Perhitungan Jari-jari Sel ... Error! Bookmark not defined.

2.6 MAPL (Maximum Allowable Path Loss) ... Error! Bookmark not defined.

2.7 EIRP (Effective Isotropic Radiated Power) ... Error! Bookmark not defined.

2.8 Model Propagasi Walfisch-Ikegami ... Error! Bookmark not defined.

2.9 Fuzzy C-Means ... Error! Bookmark not defined.

2.10 Optimalisasi ... Error! Bookmark not defined.

2.10.1 Definisi Optimalisasi ... Error! Bookmark not defined.

2.10.2 Metode Optimalisasi ... Error! Bookmark not defined.

2.11 Harmony Search ... Error! Bookmark not defined.

BAB III METODOLOGI PENELITIAN... Error! Bookmark not defined. 3.1 Tempat dan Waktu Penelitian ... Error! Bookmark not defined.

3.2 Data ... Error! Bookmark not defined.

3.2.1 Sumber Data... Error! Bookmark not defined.

3.2.2 Jenis Data ... Error! Bookmark not defined.

3.2.3 Teknik Pengumpulan Data ... Error! Bookmark not defined.

3.3 Gambaran Umum Penelitian ... Error! Bookmark not defined.

3.3.1 Analisa Kebutuhan eNodeB Tahun 2020 ... Error! Bookmark not defined.

3.3.2 Perhitungan Coverage BTSEksisting ... Error! Bookmark not defined.

3.3.3 Metode Fuzzy C-Means ... Error! Bookmark not defined.

3.3.4 Proses Optimasi Harmony Search ... Error! Bookmark not defined.

3.3.4 Mapping Penempatan eNode B Baru Tahun 2020 ... Error! Bookmark not defined.

3.6 Jadwal Pelaksanaan Kegiatan ... Error! Bookmark not defined.

BAB IV ANALISA DATA DAN PEMBAHASAN ... Error! Bookmark not defined.

4.1 Analisa Kebutusan eNodeB 4G LTE Tahun 2020 Error! Bookmark not defined.

4.1.1 Lokasi BTS Eksisting Kota Denpasar ... Error! Bookmark not defined.

4.1.2 Prediksi Jumlah Penduduk 2020 ... Error! Bookmark not defined.

4.1.3 Menghitung Jumlah Pengguna Seluler ... Error! Bookmark not defined.

4.1.4 Menghitung Total Trafik Pelanggan ... Error! Bookmark not defined.

12 4.2 Analisa Coverage BTS Eksisting ... Error! Bookmark not defined.

4.3 Menentukan Titik Potensial eNodeB Menggunakan Metode Fuzzy C-Means

Error! Bookmark not defined.

4.3.1 Menentukan Jumlah Cluster Menggunakan Metode Fuzzy Substractive Clustering. ... Error! Bookmark not defined.

4.3.2 Menentukan Titik Potensial eNodeB Menggunakan Fuzzy C-Means. ... Error! Bookmark not defined.

4.4 Proses Optimasi eNodeB Menggunakan Harmony Search . Error! Bookmark not defined.

BAB V PENUTUP ... Error! Bookmark not defined. 5.1 Kesimpulan ... Error! Bookmark not defined.

5.2 Saran... Error! Bookmark not defined.

13 DAFTAR TABEL

Tabel 2.1 State Of The Art Review ... i Tabel 2.2 State Of The Art Review (2) ... i Tabel 2.3 Perhitungan MAPL Arah Downlink (3GPP, t.t) . Error! Bookmark not

defined.

Tabel 2.5 Perhitungan MAPL Arah Uplink (3GPP, t.t) ... Error! Bookmark not defined.

Tabel 2.6 Deskripsi Parameter Arah Downwlink dan Uplink .... Error! Bookmark not defined.

Tabel 3.1 Penerapan secara umum beberapa model propagasi (Evolved Cellular Network Planning and Optimization for UMTS and LTE, 2011) .... Error! Bookmark not defined.

Tabel 3.2 Penerapan metode propagasi Okumura-Hata dan Welfisch Ikegami (Evolved Cellular Network Planning and Optimization for UMTS and LTE, 2011) ... Error! Bookmark not defined. Tabel 3.3 Data Site BTS kota Denpasar (PT. Huawei Services, 2014)... Error!

Bookmark not defined.

Tabel 3.4 Data Penduduk kota denpasar (BPS Kota Denpasar, 2013) ... Error! Bookmark not defined.

Tabel 3.2 Jadwal Penyusunan Tesis ... Error! Bookmark not defined. Tabel 4.1 Data BTS Eksisting masing-masing Kecamatan . Error! Bookmark not

defined.

Tabel 4.2 Tabel Jumlah Penduduk Kota Denpasar Tahun 2014 Error! Bookmark not defined.

Tabel 4.3 Jumlah Penduduk Usia Produktif Tahun 2014 .... Error! Bookmark not defined.

Tabel 4.4 Data Jumlah Penduduk Masing-masing Kecamatan .. Error! Bookmark not defined.

Tabel 4.5 Prediksi jumlah penduduk tahun 2020 .. Error! Bookmark not defined. Tabel 4.6 Prediksi jumlah pengguna XL tahun 2020 ... Error! Bookmark not

defined.

Tabel 4.7 Total trafik pelanggan masing-masing kecamatan ... Error! Bookmark not defined.

Tabel 4.8 Kebutuhan eNodeB masing-masing kecamatan di Kota Denpasar Error! Bookmark not defined.

Tabel 4.9 Data Hasil Perhitungan Penambahan eNodeB Tahun 2020 ... Error! Bookmark not defined.

Tabel 4.10 Spesifikasi BTS Eksisting (PT.Huawei Services, 2014) ... Error! Bookmark not defined.

Tabel 4.11 Variabel Utama Fuzzy Substractive Clustering. Error! Bookmark not defined.

14 Tabel 4.12 Data Titik Potensial ENodeB ... Error! Bookmark not defined. Tabel 4.13 Hasil Optimasi Harmony Search ... Error! Bookmark not defined.

DAFTAR GAMBAR

Gambar 1.1 Keaslian penelitian dengan diagram fishbone Error! Bookmark not defined.

Gambar 2.1 Orthogonal Frequency Division Multiple Access (Usman,U.K, dkk, 2011) ... Error! Bookmark not defined. Gambar 2.2 MIMO (Anonim, 2010) ... Error! Bookmark not defined. Gambar 2.3 Arsitektur LTE (Usman,U.K, dkk, 2011) ... Error! Bookmark not

defined.

Gambar 2.4 Konsep Sel (IT Telkom, 2008) ... Error! Bookmark not defined. Gambar 2.5 Makrosel. Mikrosel, Pico Sel dan Femto Sel (Anonim, 2012) Error!

Bookmark not defined.

Gambar 2.6 Sel Hexagonal (Sudiarta, P.K, t.t)... Error! Bookmark not defined. Gambar 2.7 Model Welfisch Ikegami (Mufti, ) .... Error! Bookmark not defined. Gambar 2.8 Ilustrasi penentuan pusat klaster dengan Fuzzy C-Means ... Error!

Bookmark not defined.

Gambar 2. 9 Minimum dari f(x) sama dengan Maksimum dari –f(x) (Rao, S. S., 2009) ... Error! Bookmark not defined. Gambar 2.10 Struktur Harmony Search Algorithm (Geem, 2009) ... Error!

Bookmark not defined.

Gambar 3.1 Flowchart Gambaran Umum Penelitian ... Error! Bookmark not defined.

Gambar 3.2 Flowchart Analisa Kebutuhan eNodeB Tahun 2020 ... Error! Bookmark not defined.

Gambar 3.3 Flowchart perhitungan coverage BTS eksisting ... Error! Bookmark not defined.

15 Gambar 3.4 Flowchart proses Fuzzy C-Means (1) ... Error! Bookmark not

defined.

Gambar 3.6 Flowchart Proses Optimasi Harmony Search Error! Bookmark not defined.

Gambar 4.1 Proses Menentukan Kebutuhan eNodeB 5 Tahun Kedepan ... Error! Bookmark not defined.

Gambar 4.2 Lokasi BTS Eksisting di Kota Denpasar ... Error! Bookmark not defined.

Gambar 4.3 Tabel Erlang B 66 Kanal ... Error! Bookmark not defined. Gambar 4.5 Hasil Pemetaan Posisi dan Coverage BTS Eksisting ... Error!

Bookmark not defined.

Gambar 4.6 Proses Menentukan Titik Potensial .. Error! Bookmark not defined. Gambar 4.7 Tampilan Awal proses Fuzzy Substractive Clustering ... Error!

Bookmark not defined.

Gambar 4.8 Hasil inputan data normalisasi ... Error! Bookmark not defined. Gambar 4.9 Hasil Clustering menggunakan Fuzzy Substractive ClusteringError!

Bookmark not defined.

Gambar 4.10 Posisi BTS Eksisting Denpasar Barat ... Error! Bookmark not defined.

Gambar 4.11 BTS Eksisting Denpasar Selatan .... Error! Bookmark not defined. Gambar 4.12 BTS Eksisting Denpasar Timur ... Error! Bookmark not defined. Gambar 4.13 BTS Eksisting Denpasar Utara ... Error! Bookmark not defined. Gambar 4.14 Hasil Clustering Denpasar Barat .... Error! Bookmark not defined. Gambar 4.15 Hasil Clustering Denpasar Selatan . Error! Bookmark not defined. Gambar 4.16 Hasil Clustering Denpasar Timur ... Error! Bookmark not defined. Gambar 4.17 Hasil Clustering Denpasar Utara .... Error! Bookmark not defined. Gambar 4.18 Gambar Pemetaan Titik-titik Potensial ENodeB Hasil Fuzzy

C-Means ... Error! Bookmark not defined. Gambar 4.19 Gambar Pemetaan Titik-titik Potensial ENodeB . Error! Bookmark

not defined.

Gambar 4.20 Pemetaan eNodeB Hasil Optimasi Harmony Search ... Error! Bookmark not defined.

1 BAB I

PENDAHULUAN

1.1 Latar Belakang

Jaringan telekomunikasi nirkabel (wireless) saat ini sudah berkembang sangat pesat. Dimulai dari generasi pertama (1G), kemudian generasi kedua (2G), sampai yang sekarang sudah terealisasi di Indonesia yaitu generasi keempat (4G) yang disebut dengan LTE (Long Term Evolution). LTE merupakan teknologi yang terstandarisasi oleh teknologi 3rd Generation Partnership Project (3GPP). LTE dirancang untuk menyediakan efisiensi spektrum yang lebih baik, peningkatan kapasitas radio, biaya operasional yang lebih murah bagi operator, serta layanan

mobile broadband dengan kualitas tinggi untuk pengguna. LTE sendiri dikembangkan dari teknologi Global System for Mobile (GSM) dan Universal Mobile Telecommunication System (UMTS), dengan teknologi ini kecepatan data rate yang dikirimkan meningkat. Perkembangan teknologi generasi keempat (4G) ini diharapkan dapat dinikmati oleh semua kalangan masyarakat tidak hanya masyrakat perkotaan melainkan hingga ke pedesaan.

Hasil survei dari MarkPlus Insight Netizen Survey menyebutkan bahwa jumlah pengguna internet di indonesia telah mencapai 61 juta orang pada tahun 2012. Jumlah itu membuat persentase pengguna internet dibanding jumlah penduduk adalah 23,5%. Dari jumlah tersebut, 40% di antaranya mengakses internet lebih dari 3 jam sehari. Adapun jumlah pengguna internet yang menggunakan perangkat mobile seperti ponsel dan tablet mencapai 58 juta jiwa

2 (detikINET,2013). Sebuah penelitian yang dikutip detikINET dari Silicon India menyebutkan Indonesia menempati posisi ke delapan negara dengan pengguna internet terbanyak di dunia. Penelitian dari Boston Consulting Group

menilai jumlah pengguna internet di Indonesia akan terus meningkat. Sampai angka tiga kali lipat di tahun 2015 dibandingkan tahun 2010 (detikINET,2013).

Untuk bisa membangun sebuah infrastruktur jaringan yang mampu melayani pelanggan dengan kualitas yang baik, diperlukan sebuah perencanaan infrastruktur jaringan yang baik pula agar nilai investasi yang ditanamkan bisa efisien dan maksimal. Dalam perencanaan tersebut diperlukan sebuah mekanisme untuk merancang sebuah jaringan atau infrastruktur yang efisien dengan biaya yang seminimal mungkin, namun menghasilkan kulitas layanan yang baik. Ini diperlukan sebuah metode yang mampu untuk menganalisis sebuah jaringan atau infrastruktur eksisting, sehingga didapatkan sebuah perencenaan optimasi jaringan. Dari hasil analisis tersebut nantinya akan mampu memberikan sebuah perencenaan jaringan yang mampu melayani pelanggan dengan kualitas yang baik.

Penelitian ini akan dilakukan sebuah perencanaan jaringan 4G LTE dengan menggunakan metode optimasi penentuan lokasi eNodeB di kota Denpasar. Kota Denpasar sendiri merupakan wilayah dengan kepadatan penduduk terbesar di Bali. Ini dirasa tepat sebagai lokasi penelitian perencanaan jaringan LTE kali ini, dimana jumlah penduduk kota Denpasar adalah 863.600 jiwa dan luas wilayahnya 127,78 km2 (Badan Pusat Statistik Kota Denpasar, 2014). Perkembangan teknologi informasi di walayah ini juga sangat berkembang pesat, sehingga perlu adanya sebuah perencanaan jaringan yang optimal khususnya dalam sistem mobile

3 telekomunikasi. Saat ini Kota Denpasar telah terpasang 25 titik eNodeB 4G LTE dari jumlah total BTS eksisting di kota Denpasar yang berjumlah 211 titik (PT. Huawei Services, 2015). Ini menunjukkan penelitian mengenai perencanaan penempatan titik eNodeB ini sangat perlu dilakukan melihat masih sedikit nya jumlah eNodeB yang terpasang di Kota Denpasar.

Tahun 2014, I Gede Putu Bagus Primadasa melakukan penelitian mengenai perencanaan coverage jaringan LTE (Long Term Evolution) pada frekuensi 1900 MHz di wilayah kota Denpasar dengan memperhitungkan Offered Bit Quantity (OBQ). Dalam penelitian ini diasumsikan semua BTS 3G eksisting akan dipasang perangkat 4G. Penelitian ini menghasilkan kesimpulan dimana coverage 4G di kota Denpasar berdasarkan perhitungan link budget dan Offered Bit Quantity (OBQ) sudah memenuhi wilayah kota Denpasar. Namun realitanya jaringan 4G LTE dialokasikan menggunakan frekwensi 1800 MHz (Dirjen SDPPI, 2014), sehingga perlu dilakukan perhitungan ulang mengenai link budget dari jaringan 4G di kota Denpasar. Kemudian dalam penelitian ini tidak mengkaji dari pusat kerapatan suatu

cluster BTS, sehingga tidak dapat mengukur densitas (potensi) terhadap titik – titik di sekitar BTS. Maka dalam penelitian selanjutnya ini akan memperhitungkan pusat kerapatan suatu cluster untuk mendapatkan densitas terhadap titik – titik di sekitar BTS sehingga mendapatkan hasil penempatan BTS LTE yang optimal.

Ada banyak metode clustering dan optimasi yang digunakan dalam menentukan cluster yang optimal. Contohnya adalah metode clusteringK-Means,

Fuzzy C-Means, Self Organising Map (SOM), kemudian untuk metode optimasi contohnya adalah metode algoritma genetika, Metode probabilistik monte carlo,

4 goal programming, dan lain-lain. Metode yang akan digunakan dalam optimasi penentuan lokasi eNode B ini adalah metode pengclusteran Fuzzy C- Means (FCM) yang kemudian hasilnya akan dioptimasi menggunakan metode optimasi Harmony Search (HS). Fuzzy C-Means (FCM) dipilih sebagai metode clustering karena metode ini sering digunakan dalam proses clustering, karena dapat memberikan hasil yang halus dan cukup efektif untuk meningkatkan homogenitas tiap cluster

yang dihasilkan (Shihab, 2000) Algoritma Harmony Search dipilih sebagai metode optimasi karena algoritma ini menunjukkan hasil yang bagus ketika digunakan untuk menyelesaikan beberapa masalah optimasi. Hal ini dikarenakan algoritma ini mempunyai beberapa kelebihan misalnya pitch adjustment yang dapat melakukan proses perbaikan pada solusi yang bersifat lokal optimal dan struktur algoritma HS relatif mudah (Geem, 2009).

Pada tahun 2015, Muthmainnah dan Achmad Mauludiyanto menerbitkan hasil penelitian mengenai optimasi penempatan BTS dengan judul Optimasi Penempatan Lokasi Potensial Menara Baru Bersama pada Sistem Telekomunikasi Seluler dengan Menggunakan Fuzzy Clustering di Daerah Sidoarjo. Penelitian ini merencanakan penempatan lokasi menara potensial jaringan UMTS. Metode yang digunakan pada peneletian ini adalah metode clustering Fuzzy C-Means untuk menentukan banyaknya cluster sebagai inputan C dalam proses klastering. Penentuan jumlah cluster didasarkan pada 3 variable utama, yaitu jumlah penduduk, luas wilayah per kecamatan, dan kebutuhan menara untuk 5 tahun kedepan. Kemudian setelah diperolah potensial penambahan menara baru, selanjutnya dioptimasi menggunakan metode Harmony Search dengan

5 meminimalkan fungsi path loss. Berdasarkan penelitian tersebut muncul sebuah ide untuk menerapkan metode yang sama pada jaringan yang berbeda yaitu jaringan 4G LTE 1800 MHz.

Sasaran dari penelitian ini nantinya adalah menghasilkan sebuah perencanaan jumlah eNodeB 4G LTE 1800 MHz yang optimal hingga 5 tahun kedepan dengan memanfaatkan BTS eksisting berdasarkan metode Fuzzy C-Means

dan Harmony Search.

1.2 Rumusan Masalah

Berdasarkan latar belakang permasalahan di atas maka dapat dirumuskan sejumlah permasalahan utama yang menjadi fokus dari penelitian ini yaitu :

1. Berapakah kebutuhan eNodeB 4G LTE di Tahun 2020 berdasarkan kondisi BTS Eksisting di Kota Denpasar?

2. Bagaimanakah kinerja Fuzzy C-Means dan Harmony Search dalam melakukan optimasi eNodeB di Kota Denpasar?

3. Bagaimanakah pemetaan eNodeB 4G LTE 1800 MHz yang optimal untuk 5 tahun kedepan berdasarkan metode Fuzzy C-Means dan Harmony Search?

1.3 Tujuan Penulisan

Sejumlah tujuan yang ingin dicapai dalam penelitian ini antara lain:

1. Mengetahui kebutuhan eNodeB 4G LTE tahun 2020 di Kota Denpasar berdasarkan BTS Eksisting.

6 2. Menegetahui kinerja Fuzzy C-Means dan Harmony Search dalam

melakukan optimasi eNodeB di Kota Denpasar?

3. Mengetahui posisi pemetaan eNode B 4G LTE 1800 MHz yang optimal untuk 5 tahun kedepan setelah dilakukan optimasi.

1.4 Manfaat 1. Manfaat Praktis

Penelitian ini dapat digunakan sebagai acuan sebuah perusahaan telekomunikasi dalam mengembangkan infrastruktur di kota Denpasar untuk mendapatkan hasil yang maksimal.

2. Manfaat Akademis

Pembuatan Tesis ini dapat membantu peneliti mengerti konsep penggunaan

Fuzzy C- Means (FCM) dan Harmony Search (HS) sebagai metode optimasi sebuah jaringan telekomunikasi.

1.5 Ruang Lingkup

1. Spesifikasi BTS yang digunakan adalah spesifikasi BTS PT. XL Axiata. 2. Data BTS yang digunakan adalah data BTS Makro Kota Denpasar yang

didapat dari PT. Huawei Services.

3. Penduduk kota Denpasar yang dimaksud dalam penelitian ini adalah penduduk kota Denpasar secara administratif.

7 4. User dalam penelitian ini adalah data penduduk usia produktif Kota Denpasar

dengan rentang umur 15 – 64 tahun.

4. Aplikasi yang digunakan dalam perhitungan adalah Matlab versi R2012b. 5. Jangka waktu yang digunakan dalam perencanaan ini adalah 5 tahun,

menyesuaikan dengan perencenaan jangka menengah pemerintah.

6. Tidak memperhitungkan overlaping coverage pada masing-masing BTS.

1.6 Keaslian Penelitian

Penelitian tentang penempatan BTS menggunakan metode data mining telah banyak dilakukan. Penelitian tersebut diantaranya Optimization of Base Station Location in 3G Network using MADS and Fuzzy C-Means, Optimasi Penempatan Lokasi Potensial Menara Baru Bersama pada Sistem Telekomunkasi Seluler dengan Menggunakan Fuzzy Clustering di Daerah Sidoarjo, Perencanaan Jumlah Lokasi Menara Base Tranceiver Station (BTS) Baru pada Telekomunikasi Seluler di Kabupaten Lumajang Menggunakan Metode Analitycal Hierarchy

Proses-TOPSIS (AHP-TOPSIS). Pada gambar 1.1 berikut menunjukkan keaslian penelitian ini. Beberapa penelitian mengenai optimasi posisi BTS sudah pernah dilakukan dengan menggunakan parameter-parameter yang terlihat pada gambar

fishbone. Pada penelitian ini mencoba menerapkan metode-metode yang sudah pernah dilakukan sebelumnya, dan diaplikasikan pada kota Denpasar.

8

Jaringan

Lokasi

Frekwensi

2100 MHz

Algoritma Genetika

Fuzzy C Means + MADS Analitycal

Hierarchy Proses - TOPSIS

Fuzzy C Means + Harmony

Search 900 MHz

3G UMTS

4G LTE

Denpasar

Kenya Sidoarjo

GSM

1800 MHz Perencanaan Penempatan

E-Node B LTE 1800 MHz pada BTS Existing di Kota Denpasar Menggunakan Metode Fuzzy C-Means

dan Harmony Search Data Trafik

Data Link Budget Drive Test

1 BAB II

DASAR TEORI

2.1 State of The Art

State of The Art merupakan pencapaian tertinggi dari sebuah proses pengembangan sebuah penelitian. Perencanaan Penempatan eNode B 4G LTE 1800 MHz pada BTS Existing di Kota Denpasar Menggunakan Metode Fuzzy C-Means

dan Harmony Search belum ada yang melakukan penelitian ini. Berikut ada beberapa penelitian tentang beberapa metode optimasi pada jaringan mobile

telekomunikasi.

Penelitiain pertama pada tahun 2010, Fabio Garzia, Cristian Perna, dan Roberto Cusani melakukan penelitian mengenai optimasi perencanaan jaringan UMTS (Universal Mobile Telecommunications System) yang berjudul “Optmization of UMTS Network Planning Using Genetic Algorithms”. Tujuan dari penelitian ini adalah untuk menggambarkan metode berbasis Algoritma Genetika untuk mengatasi masalah cakupan optimasi dan kapasitas sistem UMTS, dengan memperhitungkan kondisi-kondisi yang sesuai dengan yang ada di lapangan. Persoalan optimasi frekwensi menjadi sangat penting untuk dibahas dalam dunia telekomunikasi dikarenakan perkembangan pengguna (user) yang sangat cepat sehingga perlu dilakukan sebuah perencanaan jaringan yang mampu mengatasi masalah ini. Dalam penelitian ini terdapat parameter yang sangat berpengaruh yaitu signal – interference ratio (SIR), yaitu perbandingan antara daya signal asli dengan sinyal carrier atau dapat dikatakan jumlah pengguna aktif yang

2 terdapat pada suatu wilayah dalam satu sinyal carrier. Hasil menunjukkan bahwa Algoritma Genetika meghasilkan hasil optimasi yang berkualitas tinggi, yang mampu meningkatkan kinerja dengan ketepatan input data. Dari hasil penelitian itu didapatkan persentase hasil coverage mencapai 98% sedangkan persentase kapasitas mencapai 99%. Waktu perhitungan juga cukup singkat, karena kebanyakan dari solusi yang baik diperoleh setelah sekitar 200 - 1.000 generasi dari Lagoritma Genetika sebagai fungsi dari situasi yang dipertimbangkan. Pada penelitian ini tidak memperhitungkan kondisi wilayah secara matematis sehingga hasil perhitungan Algoritma Genetika bisa lebih maksimal sesuai dengan kondisi kenyataan. Kemudian akan lebih maksimal jika ditambahkan perhitungan OBQ (Offered Bit Quantity) yaitu total bit throughput per km2 pada jam sibuk.

Penelitian kedua pada tahun 2012, Elok Nur Hamdana, Sholeh Hadi Pramono, dan Erfan Achmad Dahlan melakukan penelitian mengenai Optimasi BTS yang berjudul “Optimasi Perencanaan Jaringan UMTS pada Node B Menggunakan Probabilistik Monte Carlo”, dan dalam publikasinya dijelaskan bahwa optimasi jaringan sangat perlu dilakukan untuk membangun suatu jaringan telekomunikasi agar mampu melayani pelanggan dengan kualitas yang baik, dan nilai investasi yang ditanamkan bisa optimal. Maksud dari nilai investasi yang optimal adalah dengan biaya seminal mungkin mampu menghasilkan kualitas yang baik dengan kata lain memaksimalkan jumlah node B untuk menghasilkan pelayanan kepada pelanggan dengan kualitas yang baik. Pada penelitian ini dilakukan optimasi penentuan lokasi Node B yang akan digunakan pada salah satu operator yang ada di kota Malang. Metode yang digunakan untuk menentukan

3 optimasi ini adalah probabilistik Monte Carlo. Simulasi Monte Carlo merupakan sebuah simulasi probabilistik dimana solusi dari suatu maslah diberikan berdasarkan proses acak (random). Tahapan proses penelitian ini adalah pendimensian jaringan dimana proses ini menentukan jumlah penduduk yang berpotensi sebagai pengguna jaringan UMTS pada tahun 2012. Kemudian dilanjutkan dengan perencanaan kapasitas dan coverage mengenai BTS yang akan digunakan. Tipe BTS yang akan digunakan mencakup besarnya kapasitas kanal yang mampu ditampung. Terakhir adalah melakukan pengoptimasian jaringan dimana proses optimasi dibagi menjadi 2 yaitu optimasi demand serta tipe Node-B, dan Optimasi menentukan lokasi dari Node-B. Hasil optimasi yang didapat dari penelitian ini adalah dari 25 BTS existing didapatkan 15 site terpilih untuk memenuhi coverage layanan. Untuk menentukan kapasitas kanal yang dibutuhkan pada masing-masing Node B tersebut dilakukan random yang memprediksi jumlah pelanggan yang masuk dalam wilayah perencanaan jaringan. Pada penelitian ini digunakan metode perhitungan link budget model Hatta Cost 231. Metode perhitungan link budget tersebut memiliki kelemahan dimana tidak memperhitungakan secara detail parameter-parameter seperti tinggi bangunan pengahalang, sudut antara pemancar dan penerima, kemudian tidak memperhitungakan jika user dalam keadaan bergerak. Akan lebih maksimal jika metode perhitungan link budget nya menggunakan metode Welfisch Ikegami, dimana metode ini memperhitungkan tinggi bangunan, sudut antara pemancar dan penerima, dan pergerakan user juga diperhitungkan.

4 Penelitan ketiga di tahun yang sama yaitu di tahun 2012, M. Fajrul Hakim, Wiwik Angraeni, Apol Pribadi melakukan sebuah penelitian mengenai optimasi BTS dengan hasil penelitiannya yang berjudul “ Optimasi Perencenaan Jumlah Base Transceiver Station (BTS) dan Kapasitas Trafik BTS Menggunakan Pendekatan Goal Programming pada Sistem Telekomunikasi Seluler Berbasis

GSM”. Pada penelitian ini, penulis menggunakan metode Goal Programming

untuk melakukan optimasi julah BTS dan kapasitas trafik BTS. Metode Goal Programming merupakan sebuah metode yang digunakan dalam pengambilan keputusan untuk mencapai tujuan-tujuan yang bertentangan di dalam batasan-batasan yang kompleks dalam sebuah perencanaan. Penelitian ini akan menentukan kapastias trafik yang bisa menampung semua permintaan trafik dari pengguna telepon seluler dan menentukan kapasitas total trafik BTS yang tidak melebihi total kapasitas yang dimiliki masing-masing BTS. Setelah dilakukan optimasi, Terdapat sisa sektor BTS yang tidak digunakan untuk melayani permintaan trafik. Pada tahun 1 terdapat 166 sektor BTS, tahun 2 terdapat 134 sektor BTS, tahun 3 terdapat 96 sektor BTS, tahun 4 terdapat 58 sektor BTS, dan tahun 5 terdapat 22 sektor BTS. Pada tahun ke-6 sampai tahun ke-10 kapasitas trafik yang tersedia sudah tidak mencukupi permintaan trafik. Pada tahun 6 dan 7 terdapat kekurangan 29 sektor BTS, tahun 8 terdapat kekurangan 62 sektor BTS, dan pada tahun 9 dan 10 terdapat kekurangan 93 sektor BTS. Berdasarkan hasil analisis sensitivitas, jumlah permintaan trafik tergolong parameter yang sensitif. Jika permintaan berubah, maka nilai dari fungsi tujuan dan solusi optimal akan ikut berubah. Kelemahan dari penelitian ini adalah tidak memperhitungkan kondisi wilayah yang dijadikan lokasi

5 penelitian ini. Akan lebih baik jika kondisi wilayah diperhitungkan dengan menggunakan metode perhitungan link budget, sehingga hasil coverage yang didapat sesuai dengan kenyataan (real) di lapangan. Metode goal programming memilik kelemahan yaitu tidak bisa menentukan priotas-prioritas dan kriteria-kriteria pengambilan keputusan sehingga perlu dipadukan dengan metode yang lainnya agar memperolah hasil yang lebih maksimal.

Penelitian keempat di tahun 2013, Satvir Singh dan Kulvinder Kaur melakukan sebuah penelitian mengenai optimasi BTS menggunakan metode ABC (Artificial Bee Colony) dengan judul penelitian “ Base Station localization using Artificial Bee Colony Algorithm”. Berbeda dengan penelitian – penelitian yang telah dilakukan, pada penelitian ini menggunakan metode ABC (Artificial Bee Colony) yaitu sebuah metode optimasi yang diadopsi dari sifat kawanan hewan seperti semut, rayap, lebah, dan yang lainnya dalam mencari rute terdekat dalam mencari makanan. Dalam penelitiannya ini menggunakan beberapa parameters untuk menghitung path loss diantara nya transmit power 500 mW, frequency 850 MHz dan Tinggi antena Base Station berkisar 20 – 200 m. Adapun tujuan dari penelitian ini adalah memperkenalkan sebuah metode baru dalam melakukan sebuah optimasi berdasarkan teori segerombolan lebah (Artificial Bee Colony). Pendekatan ini memungkinkan untuk secara efisien menentukan lokasi yang optimal dari BTS, menghindari pencarian secara menyeluruh yang memakan waktu yang lama. Hasil menunjukkan bahwa pendekatan ABC efektif dan kuat untuk masalah cakupan efisien lokasi BTS dan dianggap memberikan hampir solusi optimal dalam wireless jaringan komunikasi. Metode ABC jika dibandingkan

6 dengan algoritma lain yaitu sangat sederhana dan fleksibel. Namun, jika dimensi masalah meningkat, pertukaran informasi masih terbatas pada satu dimensi. Kemudian persekitaran dan dimensi dipilih secara acak, sehingga sumber makanan dengan fitness yang lebih tinggi memungkinkan untuk tidak dipilih. Sehingga perlu dicari solusi agar penggunaan algoritma ABC (Artificial Bee Colony) dapat menghasilkan optimasi yang maksimal.

Penelitian kelima pada tahun 2013, Pancawati Dessy Aryanti, Sholeh Hadi Pramono, dan Onny Setyawati melakukan penelitian mengenai optimasi penempatan BTS dengan judul penelitian “Optimasi Penempatan Node B UMTS900 pada BTS Existing Menggunakan Algoritma Genetika”. Penelitian ini mengambil lokasi di Malang dengan menggunakan 46 BTS eksisting sebagai

sample. Penelitian ini melakukan sebuah optimasi BTS hanya saja penulis disini menggunakan metode yang berbeda yaitu metode Algoritma Genetika untuk melakukan optimasi. Pada penelitian ini untuk perhitungan link budget

menggunakan metode welfisch – ikegami, dimana metode memperhitungakan lebih detail parameter-parameter seperti tinggi bangunan pengahalang, sudut antara pemancar dan penerima, kemudian tidak memperhitungakan jika user dalam keadaan bergerak. Sehingga hasil yang didapat dari penelitian ini lebih menyerupai kenyataan (real). Kemudian dalam penelitian ini juga memperhitungkan nilai OBQ (Offered Bit Quantity) yaitu total bit throughput per km2 pada jam sibuk. OBQ selama jam sibuk untuk suatu area tertentu dihitung berdasarkan beberapa asumsi, yaitu penetrasi user, durasi panggailan efektif, Busy Hour Call Attempt (BHCA), dan bandwidth dari layanan. Performansi penempatan Node B ditentukan oleh daya

7 cakup wilayah (coverage area) yang dihasilkan, yaitu sebesar 35% dan tingkat layanan trafik sebesar 61%. Tingkat optimasi yang didapatkan rendah disebabkan karena persebaran BTS exixting tidak merata di seluruh wilayah obyek penelitian, dan distribusi penduduk yang dibangkitkan tersebar merata di seluruh wilayah, sedangkan pada kenyataannya distribusi penduduk lebih banyak berada di pusat kota. Algoritma Genetika merupakan metode yang sudah sangat sering digunakan untuk melakukan optimasi jaringan seluler, sehingga perlu dicoba menggunakan metode yang lain untuk melakukan optimasi.

Penelitian keenam pada tahun 2013, A. O. Onim, P. K. Kihato, dan S. Musyoki menerbitkan hasil penelitian yang berjudul ”Optimization of Base Station Location in 3G Networks using Mads and Fuzzy C-means”. Penelitian ini menggunakan metode Fuzzy C-Means sebagai metode untuk menentukan peletakan BTS yang tepat berdasarkan jumlah populasi pada suatu daerah. Kemudian hasil penempatan tersebut akan dioptimasi menggunakan metode Mesh Adaptive Direct Search (MADS). Hasil dari penelitian ini adalah dari 1000 MS yang dijadikan

sample, jumlah BTS yang dirasa cukup untuk mencover adalah 34 BTS dengan jangkauan masing-masing BTS 1,5 km.

Penelitian ketujuh pada tahun 2014, I Gede Putu Bagus Primadasa, mahasiswa Teknik Elektro Universitas Udayana melakukan penelitian mengenai perencanaan “Coverage jaringan LTE (Long Term Evolution) pada frekuensi 1900 MHz di wilayah kota Denpasar dengan memperhitungkan Offered Bit Quantity (OBQ)”. Dalam penelitian ini diasumsikan semua BTS 3G eksisting akan dipasang perangkat 4G. Penelitian ini menghasilkan kesimpulan dimana coverage

8 4G di kota Denpasar berdasarkan perhitungan link budget dan Offered Bit Quantity

(OBQ) sudah memenuhi wilayah kota Denpasar. Namun realitanya jaringan 4G LTE dialokasikan menggunakan frkwensi 1800 MHz (Dirjen SDPPI, 2014), sehingga perlu dilakukan perhitungan ulang mengenai link budget dari jaringan 4G di kota Denpasar. Kemudian untuk kondisi saat ini masyarakat belum terlalu banyak menggunakan jaringan ini, sehingga dalam penelitian ini akan mengkaji tentang jumlah BTS yang diperlukan hingga 5 tahun kedepan.

Penelitian kedelapan pada tahun 2015, Muthmainnah dan Achmad Mauludiyanto menerbitkan hasil penelitian mengenai optimasi penempatan BTS dengan judul “Optimasi Penempatan Lokasi Potensial Menara Baru Bersama pada Sistem Telekomunikasi Seluler dengan Menggunakan Fuzzy Clustering

di Daerah Sidoarjo”. Penelitian ini hampir sama dengan penelitian keenam, dimana pada peneletian ini menggunakan metode clustering Fuzzy C-Means untuk menentukan posisi BTS yang tepat sesuai dengan jumlah penduduk, luas wilayah, dan kebutuhan menara di tahun 2019. Kemudian dioptimasi menggunakan metode

Harmony Search. Dari hasil perencanaan kebutuhan menara baru bersama telekomunikasi untuk tahun 2019, khusus untuk optimasi layangan jaringan 3G dibutuhkan penambahan BTS sebanyak 359 BTS dengan kebutuhan menara baru bersama sebanyak 97 menara. Dimana setiap zona mampu mengcover 2 menara baru sekaligus, jadi 97 titik menara baru dapat diwakili dengan menggunakan 49 zona. Untuk layanan coverage zona biru (zona menara baru) di Kabupaten Sidoarjo berada dalam range radius antara (500 – 800) m dengan ketinggian menara antara (25 – 50) m. Metode yang digunakan dalam penelitian ini sangat tepat digunakan

9 untuk sebuah optimasi dan perencanaan jumlah BTS kedepan untuk jaringan 3G UMTS. Namun untuk penambahan jumlah BTS kedepan untuk jaringan 3G dirasa kurang tepat karena sudah ada generasi jaringan yang terbaru yaitu generasi keempat 4G LTE. Penelitian ini sangat menarik jika metode yang digunakan dalam pnelitian ini diterapkan dalam jaringan 4G LTE untuk mengembangkan infrastrukturnya di Indonesia.

10 Tabel 2.1 State Of The Art Review

Jurnal Judul Variabel dan indikator penelitian

Metode Jaringan 1 Fabio Garzia, Cristina

Perna, Roberto Cusani

Optimization of UMTS Network Planning Using

Genetic Algorithms Genetic Algorithms UMTS

2

Elok Nur Hamdana, Sholeh Hadi Pramono, dan Erfan

Achmad Dahlan

Optimasi Perencanaan Jaringan UMTS pada NodeB

Menggunakan Probabilistik Monte Carlo Monte Carlo UMTS

3

M. Fajrul Hakim, Wiwik Anggraeni dan Apol

Pribadi

Optimasi Perencenaan Jumlah Base Transceiver Station (BTS) dan Kapasitas Trafik BTS Menggunakan Pendekatan Goal Programming pada

Sistem Telekomunikasi Seluler Berbasis GSM

Goal Programming GSM

4

Pancawati Dessy Aryanti, Sholeh Hadi Pramono, dan

Onny Setyawati

Optimasi Penempatan Node B UMTS900 pada BTS

Existing Menggunakan Algoritma Genetika Algoritma Genetika UMTS900

5 Satvir Singh dan Kulvinder Kaur

Base Station Localization using Artificial Bee Algorithm colony

Artificial Bee

11 Tabel 2.2 State Of The Art Review (2)

6 A. O. Onim, P. K. Kihato, dan S. Musyoki

Optimization of Base Station Location in 3G Networks using Mads and Fuzzy C-means

Mads and Fuzzy

C-means UMTS

7 Muthmainnah dan Achmad Mauludiyanto

Optimasi Penempatan Lokasi Potensial Menara Baru Bersama pada Sistem Telekomunikasi Seluler dengan

Menggunakan Fuzzy Clustering di Daerah Sidoarjo

Fuzzy C-means dan

Harmony Search UMTS

8 I Gede Putu Bagus Primadasa

Coverage jaringan LTE (Long Term Evolution) pada frekuensi 1900 MHz di wilayah kota Denpasar dengan

memperhitungkan Offered Bit Quantity (OBQ)

Offered Bit Quantity

(OBQ) LTE

9 Penelitian ini

Perencanaan Penempatan E-Node B 4G LTE 1800 MHz pada BTS Existing di Kota Denpasar Menggunakan Metode Fuzzy C-Means dan Harmony

Serach

Fuzzy C-means dan

12 2.2 Long Term Evolution (LTE)

Long Term Evolution (LTE) merupakan generasi teknologi komunikasi selular ke empat, yaitu sebuah standar teknologi komunikasi data nirkabel yang merupakan lanjutan dari teknologi standar GSM (Global System for Mobile Communication)/UMTS (Universal Mobile Telephone Standard). Yang mana pada teknologi LTE terjadi peningkatan kapasitas dengan penggunaan teknologi modulasinya. LTE merupakan standar teknologi komunikasi yang dikembangkan oleh 3GPP (3rd Generation Partnership Project) yang berfungsi mengatasi peningkatan permintaan akan kebutuhan layanan komunikasi dengan kecepatan data yang tinggi dan spektrum yang lebih luas. LTE merupakan teknologi seluler yang mampu mendukung aplikasi data, voice dan video. Kecepatan data transfer pada downlink sebesar 100 Mbps dan uplink 50 Mbps, coverage yang diberikan pada sistem LTE lebih besar dengan kapasitas yang lebih besar sehingga bisa mengurangi biaya operasional dan penggunaan multiple antena.

Komunikasi seluler LTE merupakan komunikasi dua arah yaitu dengan menggunkan teknik multiple acces, dimana multiple access merupakan suatu titik yang dapat dapat diakses oleh beberapa titik yang lain yang saling berjauhan dan tidak saling mengganggu satu sama lain. Multiple access pada LTE berbeda antara

downlink dan uplink, downlink menggunakan teknik Orthogonal Frequency Division Multiple Access (OFDMA) sedangkan untuk sisi uplink menggunakan teknik Single Carier Frequency Division Multiple Access (SC-FDMA) dan LTE bisa diterapkan pada frekuensi 700 MHz, 800 MHz, 1800 MHz, 2100 MHz, 2600 MHz. (Usman,U.K, dkk, 2011)

13 2.2.1 Teknologi Akses LTE

LTE memiliki beberapa teknologi akses dalam downlink dan uplink yang berbeda, pada arah downlink adalah arah dari eNode B ke UE dengan menggunakan OFDMA (Orthogonal Frequency Division Multiple Access). Arah uplink

merupakan arah dari UE ke eNode B dengan menggunakan SC-FDMA (Single Carrier Frequency Division Multiple Access) dan juga menggunakan MIMO sebagai sistem multiple antena. (Usman,U.K, dkk, 2011)

1. OFDMA (Orthogonal Frequency Division Multiple Access)

OFDMA merupakan teknik multiple access, yang merupakan penggabungan antara OFDM (Orthogonal Frequency Division Multiplexing) dan CDMA (Code Division Multiplexing). Jika pada OFDM alokasi subcarrier di manfaatkan oleh satu user, namun pada OFDMA,

subcarrier yang ada di bagi-bagi kepada sejumlah user. Hal ini menyebabkan kanal dapat digunakan oleh sejumlah user pada waktu yang sama. Pada kanal downlink OFDMA, setiap user akan menerima satu sinyal yang sama dari Base Station. Akan tetapi, sinyal yang sampai pada satu user

akan mengalami perubahan akibat fading selama berpropagasi. Dan karakteristik fading ini akan berbeda antara satu user dengan user yang lainnya, karena pada komunikasi mobile umumnya user berada pada lokasi yang berbeda. Kelebihan dari teknik OFDMA ini adalah dapat menghilangkan ISI (Inter Symbol Interference) dengan penggunaan guard time yang lebih panjang dari nilai delay spread dan dapat mengurangi ICI (Inter Carrier Interference) dengan penambahan cyclic prefix pada tiap

14 symbol OFDM, mampu memberikan data rate yang tinggi sehingga mendukung aplikasi multimedia.

Gambar 2.1Orthogonal Frequency Division Multiple Access (Usman,U.K, dkk, 2011)

Pada gambar diatas terdapat terdapat tiga jenis subcarrier pada OFDM, yaitu:

1) Data Subcarrier yang digunakan untuk transmisi data 2) Pilot Subcarrier untuk estimasi dan sinkronisasi 3) Null Subcarrier yang digunakan untuk guard band 2. SC-FDMA (Single Carrier Frequency Division Multiple Access)

Sistem SC-FDMA (Single Carrier Frequency Division Multiple Access) merupakan teknik multiple access single carrier yang dianggap sebagai sistem OFDMA yang ditambahkan dengan operasi DFT, dimana simbol data dalam domain waktu ditransformasikan ke domain frekuensi dengan menggunakan operasi DFT (Discrete Fourier Transform). SC-FDMA dipilih karena memiliki nilai PAPR (Peak Average Power Ratio) yang kecil sehingga dapat meningkatkan cakupan dan kinerja cell-edge. Setiap user

15

transmitter SC-FDMA mengkonversi input sinyal biner menjadi serangkaian modulasi subcarrier.

3. MIMO (Multiple Input Multiple Output)

MIMO merupakan sistem multiple antena yang digunakan pada teknologi LTE untuk mendukung kecepatan dalam pengiriman data dan peningkatan kualitas. Penggunaan beberapa tipe sistem MIMO yang didukung oleh teknologi LTE ada tiga, yaitu: (Usman,U.K, dkk, 2011)

- MIMO 2x2 : merupakan sistem multiple antena yang mendukung dua antena transmitter dan dua antena receiver

- MIMO 2x4 : merupakan sistem multiple antena yang mendukung adanya dua antena transmitter dan empat antena receiver

- MIMO 4x4 : merupakan sistem multiple antena yang mendukung adanya empat antena transmitter dan empat antena receiver

Teknologi MIMO merupakan sistem yang dapat mengirimkan informasi yang sama dari dua pemancar atau lebih kepada user, dibandingkan dengan sistem tunggal, penggunaan MIMO dapat mengurangi informasi yang hilang pada saat proses pengiriman berlangsung. Selain itu pada MIMO juga terdapat teknologi yang mampu mengurangi gangguan interferensi dengan mengarahkan radio link pada penggunaan spesifik. MIMO juga bisa meningkatkan throughput karena adanya Spatial Division Multiplexing

(SDM) yang berfungsi men-spasial multiplex stream data dan kemudian mentransfer secara bersamaan dalam satu saluran bandwidth.

16 Gambar 2.2 MIMO (Anonim, 2010)

2.2.2 Arsitektur LTE (Long term Evolution)

Arsitektur LTE dikenal dengan EPS (Evolved Packet System), dalam arsitektur LTE dibagi menjadi 2 yaitu radio access dan core network.

Yang mana radio access pada LTE disebut E-UTRAN (Evolved UMTS Terresterial Access Network) yang berfungsi dalam modulasi dan handover. Sedangkan pada core network LTE yang disebut EPC (Evolved Packet Core) yang berfungsi dalam charging dan mobility management. (Usman,U.K, dkk, 2011)

1. UE (User Equipment)

Merupakan perangkat yang digunakan pada saat berkomunikasi yang mana perangkat ini dapat berupa smart phone. UE terdiri dari USIM (Universal Subscriber Identity Module) yang berfungsi sebagai tempat aplikasi card dan digunakan sebagai identifikasi dan authentikasi user,

17 2. eNode B (Evolved Node B)

eNode B adalah base station yang berfungsi pengontrol semua fungsi yang berhubungan dengan radio, yaitu sebagai jembatan antara UE dan EPC (Evolved Packet Core). eNode B juga berfungsi untuk mengontrol pemakaian interface radio, mengontrol dan menganalisis sinyal level yang terdapat pada UE (User Equipment), mengontrol proses pada saat UE mengalami handover antar sel.

3. MME (Mobility Managemen Entity)

Mobility Management Entity (MME) adalah elemen kontrol pada EPC (Evolved Packet Core), fungsi-fungsi MME (Mobility Management Entity) pada arsitektur jaringan LTE adalah :

- Authentication dan Security berfungsi untuk meng-authentikasi UE (User Equipment) pada saat UE pertama kali melakukan registrasi ke jaringan. Peng-authentikasian diperlukan untuk menjamin adanya permintaan UE, ini dilakukan untuk melindungi rahasia UE dan menghindari komunikasi dari penyadapan orang yang tidak memiliki wewenang.

- Mobility Managemen berfungsi untuk menjaga jalur lokasi untuk semua UE (User Equipment) yang berada pada service area dengan menjaga jalur lokasi UE sampai eNode B, mengontrol jalur berdasarkan aktivitas UE, mengontrol proses handover yang terjadi antara UE dan eNode B.

18 - Managing Subcription Profile dan Service Connectivity berfungsi untuk mendapatkan kembali profil pelanggan pada saat UE melakukan registrasi ke jaringan dan mengirimkan paket data network kepada UE (User Equipment).

4. S-GW (Serving Gateway)

S-GW (Serving Gateway) berfungsi sebagai pusat operasional dan

maintenance pada MME dan eNode B dimana S-GW akan membangun hubungan antara eNode B yang satu dengan eNode B yang lain dan bertugas untuk melanjutkan dan menerima paket dari eNode B satu ke

eNode B lain yang melayani UE (User Equipment). 5. P-GW (Packet Data Network Gateway)

P-GW (Packet Data Network Gateway) atau dikenal dengan PDN-GW berfungsi untuk mengalokasikan IP addres ke UE dan sebagai fungsi

filtering.

6. PCRF (Policy and Charging Rules Function)

PCRF (Policy and Charging Rules Function) berfungsi untuk mengontrol charging dan juga mengangani QOS (Quality of Service) 7. HSS (Home Subscription Server)

Home Subscription Server (HSS) berfungsi sebagai tempat menyimpan semua data permanen user, data yang disimpan berisi tentang infomasi layanan untuk user dan identitas dari user tersebut. Dimana

19 Gambar 2.3 Arsitektur LTE (Usman,U.K, dkk, 2011)

2.3 Konsep Seluler

Selular merupakan system komunikasi yang memberikan layanan komunikasi data, voice, dan video yang dapat dilakukan dalam keadaan bergerak. Yang mana pada konsep seluler ini pengguna dapat melakukan hubungan komunikasi dengan pengguna lain tanpa bergantung adanya media fisik. Cell

merupakan bagian kecil dari cakupan suatu wilayah, Pembagian sel-sel dalam sistem seluler dimodelkan dalam bentuk hexagonal dimana tiap sel nya memiliki satu frekuensi, yang mana frekuensi antar sel tidak boleh berdekatan agar tidak terjadi overlapping. (IT Telkom, 2008)

20 Gambar 2.4 Konsep Sel (IT Telkom, 2008)

Terdapat empat jenis sel berdasarkan jari-jari sel, yaitu :

1. Makrosel, yaitu jenis sel yang digunkaan untuk daerah urban. Dimana pada daerah ini merupakan daerah yang padat akan penduduk dan banyak terdapat gedung-gedung tinggi.

2. Mikrosel digunakan untuk ketinggian antena yang tidak lebih dari 25 meter, yang merupakan sel dengan wilayah coverage lebih kecil dibandingkan makrosel. Mikrosel merupakan salah satu solusi yang bisa digunakan apabila makrosel sudah tidak bisa lagi memenuhi kebutuhan pelanggan yang padat. Suatu daerah dengan user yang padat tidak cukup hanya dilayani dengan makroseldikarenakan pelayanan yang didapat tidak merata. Maka diperlukan adanya pembagian daerah coverage yang lebih kecil untuk mencover daerah yang tidak dijangkau oleh makrosel dan berfungsi sebagai penambah jaringan kapasitas pada daerah yang penggunaan selulernya padat. Penempatan mikroselini tidak memerlukan wilayah yang cukup luas seperti hal nya penempatan makrosel dan diletakkan pada gedung-gedung atau diatas bangunan.

3. Pico Sel merupakan penempatan sel yang terdapat di dalam gedung atau ruangan yang berfungsi sebagai penopang trafik yang terjadi di dalam

21 ruangan dan juga berfungsi untuk mengatasi adanya interferensi yang terjadi di dalam gedung akibat pemantulan dinding gendung.

4. Femto Sel merupakan Base Transceiver Station mini yang dipasang pada wilayah bersinyal rendah yang mana penempatan femto cell ini dipasang di dalam ruangan dengan ukuran yang kecil sehingga tetap bisa memberikan pelayanan seluler terhadap pelanggan yang berada di dalam ruangan. Fungsi

femto cell dapat meningkatkan konektivitas, availabilitas, mobilitas dan juga performansi layanan. Selain itu adanya femto sel ini bertujuan untuk meningkatkan coverage dan kapasitas di dalam ruangan dikarenakan sinyal dari BTS outdoor ke indoor tidak maksimal. (Ridwan, A, 2012)

22 2.3.1Sel Hexagonal

Sel hexagonal dipilih dalam perencanaan dikarenakan dapat menutupi wilayah tanpa celah dan juga tidak terjadi tumpang tindih antara sel satu dengan sel yang lainnya, yang mana bentuk sel hexagonal dapat dilihat pada dibawah.

Gambar 2.6 Sel Hexagonal (Sudiarta, P.K, t.t)

Untuk rumusan luas sel hexagonal, dilakukan dengan persamaan :

L = � √ x

= R2_√



 2

6 ,

2 R km2 (2.1)

Dimana :

L = luasan sel hexagonal (km2) R = jari-jari sel (km)

2.4 Perencanaan Kapasitas (Capacity Planning)

Dalam melakukan perancangan kapasitas jaringan ini tentunya kita harus mempertimbangkan kebutuhan pelanggan di masa mendatang, maka untuk mengantisipasi jumlah pelanggan selama periode tersebut diperlukan estimasi pertumbuhan jumlah pelanggan.

23 2.4.1 Peramalan Kebutuhan

Prediksi pertambahan jumlah pelanggan hingga beberapa tahun kedepan merupakan faktor yang sangat penting dalam perencanaan jaringan karena menentukan kebijaksanaan dan strategi dalam pengembangan sistem untuk mengantisipasi pertumbuhan pelanggan agar kelak semua target pelanggan dapat terlayani (Wibisono, dkk, 2008).

Ada beberapa metode untuk melakukan prediksi pelanggan, diantaranya :  Metode Deret Berkala (Time Series)

 Metode Eksponensial Smoothing  Metode Regresi

 Metode Iteratif

a. Metode Deret Berkala (Time Series)

Metode ini merupakan metode dengan melakukan pendekatan secara makro. Tujuan dari metode ini adalah menemukan pola dalam deret data yang lalu dan mengekstrapolasikan data tersebut ke masa depan. Langkah penting dalam memilih suatu metode pada Time Series adalah harus mempertimbangkan jenis pola yang akan diramalkan. Ada beberapa macam jenis pola, salah satunya adalah Pola Trend yang paling cocok untuk peramalan jumlah kebutuhan telepon. Untuk prediksi pelanggan dengan Deret Berkala Pola Trend akan dibatasi metode yang digunakan sampai tiga macam saja, yaitu metode Trend Linier, Trend Kuadratik, dan Trend Eksponensial.

24 b. Prediksi pelanggan dengan Metode Trend Linier

Bentuk umum persamaan linier :

Y’ = a + b.X (2.2)

Dimana: Y’ = variabel tak bebas hasil ramalan (kepadatan pelanggan) X = variabel bebas berupa periode waktu

a & b = konstanta (dihitung dari data sample deret berkala) Bila jumlah pengamatan sebanyak n, maka dari persamaan di atas diperoleh :

∑ Y = n.a + b. ∑ X

∑ XY = a ∑ X + b ∑ X2 _(2.3)

Keterangan : X = unit periode waktu pengamatan (mulai 0,1,2,3 dan seterusnya) Y = data kepadatan pelanggan sebenarnya (per 100 penduduk) Dengan cara eliminasi kedua persamaan tersebut di atas, maka diperoleh konstanta a & b sehingga Y’ (variabel tak bebas hasil ramalan berupa kepadatan pelanggan) dapat diperoleh.

c. Prediksi pelanggan dengan Metode Trend Kuadratik (Parabola)

Metode Trend Kuadratik biasanya sebagai persamaan parabola. Bentuk umum persamaan ini adalah :

Y’ = a + b.X + c.X2 _(2.4)

Dimana : Y’ = variabel tak bebas hasil ramalan (kepadatan pelanggan) X = variabel bebas berupa periode waktu

a, b, dan c = konstanta (dihitung dari data sample deret berkala) Cara menghitung konstanta a, b, dan c memakai persamaan normal :

25

∑ Y = an + b∑X + c∑X2

∑XY = a∑X + b∑X2+ c∑X3

∑X2_Y = a∑X2+ b∑X3+ c∑X4 _(2.5)

Keterangan : 1. X = unit periode waktu pengamatan

Untuk n = ganjil (misal n = 3) maka : X1 = -1 ; X2 = 0 ; X3 = 1 Untuk n = genap (misal n = 2) maka : X1 = -1 ; X2 = 1

2. Y = data kepadatan pelanggan sebenarnya (per 100 penduduk) Dengan cara mengeliminasi ketiga persamaan tersebut diatas, maka diperoleh konstanta a, b, dan c sehingga Y’ (variabel tak bebas hasil ramalan berupa kepadatan pelanggan) dapat diperoleh.

d. Prediksi pelanggan dengan Metode Trend Eksponensial Bentuk persamaan metode Trend Eksponensial :

Y’ = a.bX _(2.6)

Dimana : Y’ = variabel tak bebas hasil ramalan (kepadatan pelanggan) X = variabel bebas berupa periode waktu

a, b, dan c = konstanta (dihitung dari data sample deret berkala) Bentuk persamaan metode Trend Eksponensial tersebut dapat diubah menjadi bentuk persamaan linier sebagai berikut :

Y’ = a.bX_... Log Y’ = _{log a.b}X

Log Y’ = log a + log bX

26 Bila log Y’ = Yo ; log a = ao dan log b = bo, maka persamaan Trend Eksponensial

tersebut menjadi :

Yo’ = ao + bo.X (2.8)

Sehingga :

) ( 0 0 10 ' a bX

Y   (2.9)

Konstanta-konstanta ao dan bo dapat dicari dengan cara eliminasi kedua persamaan di bawah ini :

∑ Y0 = a0.n + b0∑X

∑XY0 = a0∑X + b0∑X2

Y0 = log Y (2.10)

Keterangan : 1. X = unit periode waktu pengamatan

Untuk n = ganjil (misal n = 3) maka : X1 = -1 ; X2 = 0 ; X3 = 1 Untuk n = genap (misal n = 2) maka : X1 = -1 ; X2 = 1

2. Y = data kepadatan pelanggan sebenarnya (per 100 penduduk)

e. Langkah-langkah dalam prediksi pelanggan

Tahapan dalam prediksi pertambahan jumlah pelanggan adalah sebagai berikut :  Dari data jumlah penduduk dari tahun ke tahun serta jumlah pelanggan yang

ada dari tahun ke tahun dapat ditentukan kepadatan pelanggan sebenarnya (per 100 penduduk) untuk daerah yang direncanakan. Persamaan yang digunakan :

Kepadatan pelanggan tahun ke-n = 100

n -ke ahun penduduk t n -ke tahun pelanggan x



27 Kepadatan pelanggan yang diperoleh dari persamaan diatas digunakan sebagai variabel Y yang digunakan sebagai acuan dalam perhitungan untuk metode Trend Linier, Kuadratik maupun Eksponensial untuk mencari variabel Y’ (variabel tak bebas hasil ramalan).

 Ketiga metode tersebut dicoba satu per satu untuk dibuktikan metode mana yang paling sesuai untuk dipakai dalam prediksi pelanggan., dimana dipilih yang mempunyai selisih jumlah sekecil mungkin antara kepadatan pelanggan sebenarnya dengan kepadatan hasil perhitungan.

 Setelah metode ditetapkan, maka dapat digunakan persamaannya dalam menentukan kepadatan pelanggan untuk prediksi hingga tahun ke-n sesuai kebutuhan perencanaan yang akan diterapkan sampai berapa tahun.

 Prediksi pertambahan jumlah penduduk hingga tahun ke-n dihitung secara terpisah. Persamaannya adalah sebagai berikut :

Pn = Po ( 1 + h )n (2.12)

Keterangan :

Pn = prediksi jumlah penduduk hingga tahun ke-n

Po = jumlah penduduk tahun ke-0 (tahun yang dijadikan sebagai acuan) h = laju pertumbuhan penduduk rata-rata per tahun

 Sehingga prediksi pertambahan jumlah pelanggan hingga tahun ke-n dapat diperoleh. Persamaannya adalah sebagai berikut :

Prediksi pelanggan tahun ke-n = x Pn

100

n -ke tahun pelanggan kepadatan

(2.13)

Jumlah pelanggan hasil prediksi yang diperoleh akan dibagi luas wilayah dari daerah layanan untuk memperoleh jumlah pelanggan per kilometer persegi.

28 2.4.2 Perhitungan Pertumbuhan Penduduk

Dengan rumus pertumbuhan geometrik, angka pertumbuhan penduduk sama untuk setiap tahunnya, untuk memprediksi jumlah penduduk di masa mendatang dapat digunakan rumus :

�= + � (2.14)

Dimana:

� = Jumlah penduduk total setelah tahun ke-t

= Jumlah penduduk saat perencanaan = Laju pertumbuhan penduduk (%) = Jumlah tahun prediksi

2.4.3 Perhitungan Jumlah Pengguna Seluler

Dengan asumsi teledensitas sebesar x%, maka perhitungan jumlah pengguna seluler dapat dihitung menggunakan persamaan sebagai berikut:

= �% ∗ �(2.15)

Dimana:

= Jumlah Pengguna Seluler

�% = Teledensitas Pengguna Seluler

29 2.4.5 Teori Trafik

Trafik didefinisikan sebagai jumlah dari data atau banyaknya pesan (messages) pada suatu sirkuit selama suatu periode waktu tertentu. Pengertian trafik disini termasuk hubungan antara kedatangan panggilan (call) ke perangkat telekomunikasi dengan kecepatan perangkat tersebut memproses panggilan sampai panggilan tersebut berakhir. Besaran dari trafik telekomunikasi diukur dengan satuan waktu, sedangkan nilai trafik dari suatu kanal adalah banyaknya (lamanya) waktu pendudukan pada kanal tersebut. Sedangkan kapasitas trafik adalah kemampuan yang diberikan oleh suatu teknologi atau suatu BTS untuk menampung trafik komunikasi yang terjadi. Definisi dari kepadatan trafik yaitu tingkat kesibukan suatu komunikasi yang terjadi dengan nilai yang bervariasi, tergantung lingkungannya. Satuan untuk variable trafik adalah Erlang. 1 Erlang didefinisikan sebagai jumlah trafik yang berlangsung ketika 1 pelanggan menduduki 1 kanal percakapan selama 1 kurun waktu rujukan (detik, menit, atau jam).

�� � � � = � (2.16)

dimana :

A = besarnya intensitas trafik (Erlang) V = volume trafik (menit)

T = periode pengamatan (menit)

Jika diasumsikan setiap pelanggan membangkitkan trafik sebesar β Erlang

maka trafik total yang dibangkitkan oleh semua pelanggan adalah sebesar :

30 dimana :

T = total trafik yang dibangkitkan semua pelanggan seluler (E) P = jumlah pelanggan seluler

A = intensitas trafik yang dibangkitkan setiap pelanggan seluler (E)

2.4.5 Perhitungan Kapasitas Trafik Layanan GSM

Untuk mengetahui kapasitas suatu BTS dalam melayani pelanggan, maka hal yang harus diperhatikan adalah mengetahui berapa jumlah TRx (Transmitter

dan Receiver) yang digunakan dalam tiap sektornya. Perhitungan yang digunakan adalah perhitungan secara teoritis karena kondisi di lapangan akan sangat tergantung dengan kondisi jaringan dan perilaku pelanggan.

Dengan asumsi tiap BTS menggunakan antena sektoral, maka dalam satu menara memiliki 3 sektor dalam setiap BTS yang akan dikalkulasi kapasitasnya. Setiap TRx yang digunakan akan mampu meng-handle 8 timeslot, masing-masing

timeslot/kanal ini akan diduduki oleh satu panggilan/pembicaraan pelanggan. Jika operator menggunakan konfigurasi 4x4x4, maka tiap sektor di isi dengan 4 TRx sehingga perhitungan bisa dilakukan sebagai berikut:

1 sektor terdiri atas 4 TRx 1 TRx terdiri atas 8 timeslot

Sehingga 4 TRx menghasilkan 8 x 4 = 32 timeslot

Sebagai catatan penting, setiap sektor membutuhkan 1 kanal BCCH (Broadcast Control Channel) dan 1 kanal SDCCH (Standalone Dedicated Control Channel) yang berguna dalam broadcast sinyal dan juga mengatur panggilan setiap

31 pelanggan. Jadi, 1 sektor yang terdiri atas 4 TRx mampu melayani 32 – 2 = 30 panggilan secara teoritis. Maksud dari istilah kapasitas secara teoritis di sini karena masih ada faktor interference, blocking, congestion, dan sebagainya.

Berikut ini rumus yang digunakan untuk menghitung kebutuhan BTS dalam suatu wilayah adalah sebagai berikut:

= � (2.18)

dimana :

B = Jumlah kebutuhan BTS

T = Total trafik yang dibangkitkan semua pelanggan seluler (E) ABTS = Kapasitas satu BTS (E)

2.5 Perhitungan Jari-jari Sel

Jari-jari sel diperhitungkan untuk mengetahui coverage suatu BTS dan juga untuk mendapatkan nilai jumlah eNode B yang diperlukan untuk mencakup seluruh area Kota Denpasar, adapun persamaannya adalah (Irawan, dkk, 2009) :

6 , 2

L

r (2.19)

2.6 MAPL (Maximum Allowable Path Loss)

Maximum Allowable Path Loss merupakan nilai maksimum dari nilai propagasi antara perhitungan nilai dari perangkat eNode B dan mobile station, yang mana nilai perhitungan MAPL ini dibagi menjadi dua untuk arah MAPL uplink dan

32 redaman propagasi dari mobile station ke eNode B, dan nilai downlink merupakan nilai maksimum redaman propagasi dari eNode B ke mobile station agar tetap dapat melayani keperluan dari komunikasi untuk seluruh user dalam suatu cakupan daerah. Nilai MAPL untuk arah uplink dan downlink sistem LTE dapat dilihat pada tabel 2.3 dan tabel 2.4 dibawah ini (Usman,U.K, dkk, 2011).

Tabel 2.3 Perhitungan MAPL Arah Downlink (3GPP, t.t)

Parameter Nilai

Transmitter –eNode B

a. Tx Power dBm

b. Tx Antenna Gain dBi

c. Transmit Array gain dB

d. Data Channel Power Loss Due to Pilot dB

e. Cable Loss dB

f. EIRP (a)+(b)+(c)-(d)-(e) dBm

Receiver – UE

g. Antenna Gain dBi

h. Body Loss dB

i. Receiver Noise Figure dB

j. Thermal Noise Density dBm/Hz

k. Receiver Interference Density for Data Channel

dB/Hz

l. Total Noise Plus Interference Density for Data Channel

10log (10^(((i)+(j)/10) + 10^((k)/10)) dBm/Hz m. Occupied Channel Bandwidth for Data

Channel

Hz

n. Effective Noise Power for Data Channel (l) + 10 log(m) dBm o. Required SNR for the Data Channel dB

33

q. H-ARQ Gain for Data Channel dB

r. Receiver Sensitivity for Data Channel (n) + (o) + (p) – (q) dBm s. Hardware link budget for Data Channel (f) + (g) – (r) dB

t. Log Normal Shadow Fading Deviation dB u. Shadow Fading Margin for Data Channel dB

v. Diversity Gain dB

w. Penetration Margin dB

x. Other Gain dB

MAPL (s) – (u) + (v) – (w) + (x) – (h) dB

Tabel 2.5 Perhitungan MAPL Arah Uplink (3GPP, t.t)

Parameter Nilai

Transmitter – UE

a. Tx Power dBm

b. Tx Antenna Gain dBi

c. Transmit Array gain dB

d. Data Channel Power Loss Due to Pilot dB

e. Cable Loss dB

f. EIRP (a)+(b)+(c)-(d)-(e) dBm

Receiver –eNode B

g. Antenna Gain dBi

h. Body Loss dB

i. Receiver Noise Figure dB

j. Thermal Noise Density dBm/Hz

k. Receiver Interference Density for Data

Channel dB/Hz

l. Total Noise Plus Interference Density for Data Channel

10log (10^(((i)+(j)/10) + 10^((k)/10)) dBm/Hz

34 m. Occupied Channel Bandwidth for Data

Channel Hz

n. Effective Noise Power for Data Channel (l) + 10 log(m) dBm o. Required SNR for the Data Channel dB

p. Receiver Implementation Margin dB

q. H-ARQ Gain for Data Channel dB

r. Receiver Sensitivity for Data Channel (n) + (o) + (p) – (q) dBm s. Hardware link budget for Data Channel (f) + (g) – (r) dB

t. Log Normal Shadow Fading Deviation dB u. Shadow Fading Margin for Data Channel dB

v. Diversity Gain dB

w. Penetration Margin dB

x. Other Gain dB

MAPL (s) – (u) + (v) – (w) + (x) – (h) dB

Dari tabel diatas bisa dilihat parameter untuk perhitungan MAPL, berikut penjelasan dari masing-masing parameter diatas, yang bisa dilihat pada tabel 2.6

Tabel 2.6 Deskripsi Parameter Arah Downwlink dan Uplink

Parameter Deskripsi

a. Tx Power daya pancar maximum yang

ditransmisikan oleh base station atau

mobile station

b. Tx Antenna Gain nilai penguat yang dimiliki oleh masing-masing antena, dimana nilai tersebut tergantung pada tipe perangkat dan frekuensinya

c. Transmit Array Gain Penguatan karena penggunaan multiple-antena (array) di pemancar

35 d. Data Channel Power Loss Due

to Pilot

Loss daya karena adanya sinyal pilot

e. Cable Loss redaman yang terjadi antara base station

dan antena konektor, yang mana nilai redaman akan tergantung terhadap spesifikasi perangkat (jenis kabel)

f. EIRP (Effective Isotropic Radiated Power)

nilai daya pancar dari antena

g. Receiver Antenna Gain besar penguat antena yang diterima

h. Body Loss rugi-rugi yang disebabkan karena

interaksi dengan user

i. Receiver Noise Figure nilai gangguan, dimana nilai tersebut akan tergantung terhadap implementasi desain (rangkaian elektronik pada

receiver base station)

j. Thermal Noise Density besar noise alami, yang dapat dihitung dengan menggunakan rumus : N = 10 log kTB

k. Receiver Interference Density for Data Channel

Densitas interferensi penerima untuk kanal data

l. Total Noise Plus Interference Density for Data Channel

Total densitas noise ditambah interferensi untuk kanal data

m. Occupied Channel Bandwidth for Data Channel

Bandwidth kanal yang digunakan untuk data

n. Effective Noise Power for Data Channel

Daya noise efektif untuk kanal data

o. Required SNR for the Data Channel

Signal Noise Ratio, yang nilai tersebut akan bergantung terhadap modulasi dan

36 p. Receiver Implementation

Margin

margin yang sampai pada penerima pada saat implementasi

q. H-ARQ Gain for the Data Channel

Hybrid Automatic Request merupakan gabungan dari Automatic Requst (AR) dengan Error Corection (EC) yang berfungsi untuk melakukan pengiriman kembali pada saat ada kerusakan paket saat pengiriman

r. Receiver Sensitivity for Data Channel

nilai sensitivitas minimum yang dapat diterima

s. Hardware Link Budget for Data channel

perangkat yang digunakan dalam perhitungan link budget

t. Log Normal Shadow Fading Deviation

nilai standar deviasi untuk log normal shadow margin

u. Shadow Fading Margin for Data channel

rugi-rugi yang diakibatkan dari fading

v. Diversity Gain gain yang dapat dihasilkan karena

menggunakan sistem antena space diversity

w. Penetration Margin rugi-rugi dari margin

x. Other Gain nilai penguat yang diakibatkan dari perangkat lain

2.7 EIRP (Effective Isotropic Radiated Power)

EIRP adalah Power efektif yang dipancarkan pada sisi antena. EIRP dapat dihitung menggunakan persamaan berikut (Wardhana,2011):

meminimalkan, karena maksimum suatu fungsi dapat diperoleh melalui minimum dari negatif fungsi yang sama.

8

Gambar 2. 9 Minimum dari f(x) sama dengan Maksimum dari –f(x) (Rao, S. S., 2009) 2.10.2 Metode Optimalisasi

Metode mencari optimum dikenal sebagai teknik mathematical programming dan biasa dipelajari sebagai bagian riset operasi. Riset operasi adalah cabang matematika yang berkaitan dengan penerapan metode ilmiah dan teknik pengambilan keputusan dan penetapan penyelesaian terbaik atau optimal. Pada awal dari subyek riset operasi dapat ditelusuri pada periode awal Perang Dunia II, selama perang, militer inggris menghadapi masalah mengalokasikan sumber daya yang sangat langka dan terbatas (seperti pesawat tempur, radar, dan kapal selam) untuk beberapa kegiatan (penyebaran ke berbagai target dan tujuan). Karena tidak ada metode sistematis yang tersedia untuk memecahkan masalah alokasi sumber

daya, militer diatas (tim matematikawan) mengembangkan metode untuk memecahkan masalah secara ilmiah. Metode yang dikembangkan oleh tim berperan penting dalam memenangkan pertempuran udara oleh inggris. Metode tersebut seperti program linier, yang dikembangkan sebagai hasil riset pada militer.

Perkembangan metode optimalisasi semakin mengalami kemajuan hingga masa modern, hal ini dapat dilihat dengan semakin banyak metode optimasi yang ditemukan dan dapat menghasilkan solusi yang semakin optimal. Metode optimasi yang popular dan banyak dipakai antara lain seperti Dynamic Programming, Integer Programming, Game Theory, dan metode optimasi modern. Metode optimasi modern juga disebut metode optimasi non-tradisional, muncul sebagai metode yang ampuh dan popular untuk menyelesaikan masalah teknik optimasi yang kompleks. Metode yang termasuk seperti algoritma genetik, optimasi partikel swarm, optimasi koloni semut, optimasi berbasis jaringan syaraf tiruan, optimasi fuzzy, dan simulated annealing (Rao, S. S., 2009).

2.11 Harmony Search

Harmony Search Algorithm (HSA) adalah salah satu algoritma metaheuristik yang diusulkan oleh Zong Woo Geem pada tahun 2001. Algoritma tersebut terinspirasi oleh proses pertunjukan musik ketika musisi mencari harmoni yang lebih baik [Geem, 2009]. Pencarian harmoni pada proses improvisasi musik bertujuan untuk mendapatkan keadaan terbaik berdasarkan perkiraan estetika. Dengan analogi tersebut, HSA melakukan proses optimasi untuk mendapatkan

perkiraan estetika yang ditentukan menggunakan himpunan pitches yang dikeluarkan alat musik, fungsi objektif pada HSA dihitung menggunakan himpunan nilai-nilai pada setiap variabel keputusan (decision variables). Perbaikan nilai fungsi objektif pada HSA menerapkan improvisasi yang terus ditingkatkan dari iterasi ke iterasi sama seperti perbaikan kualitas suara estetika yang diperbaiki dengan latihan demi latihan.

Gambar 2.10 Struktur Harmony Search Algorithm (Geem, 2009)

Pada gambar diatas, setiap pemain musik ( saxophonist, double bassist, dan guitarist ) merepresentasikan suatu decision variable ( x1, x2, dan x3 ). Kumpulan bunyi yang dihasilkan oleh setiap instrumen musik ( saxophone = { Do, Re, Mi }; double bass = { Mi, Fa, Sol }; guitar = { Sol, La, Si }) menyatakan rentang nilai variabel ( x1 = { 100, 200, 300 }; x2 = { 300, 400, 500 }; x3 = { 500, 600, 700}). Sebagai contoh, misalnya saxophonist mengeluarkan bunyi Re, double bassist membunyikan Fa dan guitarist mengeluarkan bunyi La, maka ketiganya membangun suatu harmoni baru ( Re, Fa, La ). Jika harmoni ini lebih indah dibandingkan harmoni saat ini, maka harmoni baru ini dipertahankan. Harmoni

yang diperoleh tersebut dalam dunia optimasi disebut dengan solusi yang direpresentasikan dalam bentuk dimensi vektor solusi.

Analogi musik dengan proses optimasi menurut HS adalah sebagai berikut:

 Instrumen Musik ↔ Variabel keputusan

 Pitch Range ↔ Range nilai variabel

 Harmony ↔ Vektor solusi

 Aesthetics ↔ Fungsi tujuan

 Practice ↔ Iterasi

 Experience ↔ Matrik memori

Agar harmony memory dapat digunakan secara efektif, algoritma HS mengadopsi sebuah parameter yang disebut Harmony Memory Considering Rate (HMCR). Nilai HMCR akan menentukan apakah satu nada baru akan dibangkitkan atau mengambil dari harmony memory. Komponen kedua adalah penyesuaian nada dimana dalam proses ini ada beberapa parameter seperti bandwidth (bw) dan Pitch adjusting rate (PAR) (Santosa, 2011).

Harmony search menyelesaikan suatu permasalahan optimasi (minimasi fungsi) dengan langkah umum sebagai berikut :

 Langkah 1. Inisialisasi Parameter

Beberapa parameter model perlu diberi nilai antara lain Harmony Memory Consideration Rate HCMR (misal 0.7 – 0.95), ukuran sampel HMS (misal N = 0.20), pitch adjusting rate (PAR = 0.3) Tentukan pitch bandwidth b secara random, xL (batas bawah) dan xU (batas atas) untuk nilai variabel.

HM terdiri dari N solusi awal. Solusi ini bisa terdiri dari satu variable sampai p variabel. Solusi ini dibangkitkan secara random. Semua kandidat solusi ini dievaluasi untuk menemukan solusi terburuk.

� =

[

�

�

�

� �

�

� �

�

… �

_�−

�

�

… �

_�−

�

�

… �

_�−

�

_�

⋮

…

…

�

� −

�

� −

�

� −

�

�

�

�

�

�

…

…

… �

_�−� −

_�

�� −

…

�

_�−�

�

��

]

Dimana masing-masing vektor solusi (tiap baris) akan dievaluasi nilai fungsinya

� =

[

�

�

⋮

�

� −

�

�

_]

 Langkah 3. Lakukan perbaikan/improvisasi terhadap solusi yang ada Untuk setiap variabel diambil secara random nilai yang ada pada HM. Dengan prosedur tertentu nilai ini akan diajust sedemikian rupa jika memenuhi aturan tertentu (menggunakan pembangkitan bilangan random dan dibandingkan dengan HMCR dan PAR) hingga akan didapatkan nilai baru. Atau kalau tidak memenuhi aturan, akan dibangkitkan solusi baru secara random. Suatu harmoni baru atau vektor baru akan dibangkitkan berdasarkan aturan sebagai berikut : HM consideration (HMCR), pitch adjuting rate (PAR) dan pembangkitan yang benar-benar random. Sebagai

... (2.44)

... (2.45) contoh nilai �′ baru akan diambil dari � ~�� . Variabel yang lain dicari dengan cara yang sama. Besarnya nilai HMCR akan menentukan nilai baru ini besar kemungkinannya akan diambil dari Hmatau benar-benar dibangkitkan secara random.

�′_{= {}�′∈ {� , � , … , �� }

� ∈ � . �

� �

. � − � �

Dimana HMCR adalah probabilitas memilih satu nilai dari HM dan 1- HMCR adalah probabilitas memilih nilai secara random dalam range xl – xu. Setelah memilih suatu harmoni baru �′= �′, �′, … , �′ , keputusan melakukan pitch adjustment dilakukan untuk setiap komponen vektor solusi. Prosedur ini menggunakan parameter PAR untuk melakukan pengaturan :

�′ _{= {} � �� ℎ

�� � . �. � − ��

Dalam proses pitch adjustment ini, suatu nilai pindah ke nilai dekatnya dengan peluang (d.p) PAR atau tetap pada nilai aslinyadengan peluang.

 Langkah 4. Perbarui Harmony Search

Solusi baru ini akan dibandingkan dengan solusi terburuk dalam N populasi awal. Jika lebih baik maka ia akan menggantikan vektor solusi terburuk tadi.

 Langkah 5. Cek kriteria penghentian

Jika kriteria penghentian belum terpenuhi, kembali ke langkah 3 untuk mengambil secara acak salah satu vektor solusi dari variabel pertama. Bisa digunakan kriteria penghentian berupa jumlah iterasi atau nilai mutlak