Penentuan Kelayakan Lokasi Wifi.Id Corner Dengan AHP-PSO (Studi Kasus: Telkom Kota Kediri)

  Vol. 2, No. 1, Januari 2018, hlm. 21-28 http://j-ptiik.ub.ac.id

  

Penentuan Kelayakan Lokasi Wifi.Id Corner Dengan AHP-PSO

(Studi Kasus: Telkom Kota Kediri)

_{1 2 3} Ulfa Lina Wulandari , Dian Eka Ratnawati , M. Ali Fauzi

  Teknik Informatika, Fakultas Ilmu Komputer, Universitas Brawijaya _{1 3} Email: ulfalinaw@gmail.com, moch.ali.fauzi@ub.ac.id

  

Abstrak

  Wifi.id Corner (wico) merupakan fasilitas publik inovasi dari Telkom berupa tempat yang menyediakan akses internet dengan kecepatan tinggi hingga 100 Mbps. Saat ini penentuan lokasi pemasangan Wifi.id Corner Telkom Kediri dilakukan berdasarkan pertimbangan dari pihak dan manajer Divisi Wireless Broadband (DWB). Sehingga sering kali mengalami kesulitan dalam menentukan kelayakan lokasi pemasangan Wifi.id Corner dari beberapa lokasi yang diajukan. Hal ini disebabkan karena sulitnya untuk menentukan kelayakan lokasi serta lokasi mana yang dapat memberikan manfaat yang maksimal bagi masyarakat dan bagi Telkom Kediri. Dalam menentukan kelayakan lokasi Wifi.id Corner terdapat 4 kriteria yang ditetapkan perusahaan yaitu, ketersediaan jaringan, keramaian pengguna, jenis lokasi dan kepadatan Wifi.id Corner di sekitar lokasi tersebut. Untuk memecahkan masalah tersebut digunakan metode Analytic Hierarchy Process (AHP) dan

  

Particle Swarm Optimization (PSO). PSO digunakan untuk mengoptimasi nilai bobot matriks

  perbandingan pada AHP. Panjang dimensi yang digunakan ialah 6. Dimana setiap nilai dimensi mewakili nilai perbandingan tiap kriteria pada matriks perbandingan. Data yang digunakan pada penelitian ini adalah data lokasi Wifi.id Corner Telkom Kediri sebanyak 50. Dari hasil pengujian diperoleh nilai rata-rata fitness yang optimal yaitu 0,94 dengan parameter nilai threshold sebesar 0,018, partikel sebanyak 250 dan iterasi sejumlah 10 sehingga hasil akurasi yang diperoleh adalah 94%.

  Kata kunci: penentuan lokasi, Wifi.id Corner, Telkom Kediri, AHP, PSO

Abstract

  

Wifi.id Corner (wico) is a public facility of innovation from Telkom in the form of a place that

provides internet access with high speed up to 100 Mbps. Currently, the determination of the location

of Wifi.id Corner Telkom Kediri is done based on the consideration of the parties and managers of

Wireless Broadband Division (DWB). So often have difficulty in determining the feasibility of

installation location Wifi.id Corner from several proposed locations. This is due to the difficulty to

determine the feasibility of location and which location can provide maximum benefits for the

community and for Telkom Kediri. In determining the feasibility of Wifi.id Corner location there are 4

criteria by the company. There are the availability of network, users crowded, location type and

density of Wifi.id Corner around the location. To solve this problem used Analytic Hierarchy Process

(AHP) and Particle Swarm Optimization (PSO) methods. PSO is used to optimize the value of

comparison matrix weight in AHP. The length of the used dimension is 6. Where each dimension value

represents the comparative value of each criteria in the comparison matrix. In this research used 50

data location of Wifi.id Corner Telkom Kediri. From the test results obtained by the average fitness

value of 0,94 with parameters of threshold value of 0,018, size of particles is 250 and number of

iteration is 10 so that the obtained accuracy is 94%.

  Keywords: location determination, Wifi.id Corner, Telkom Kediri, AHP, PSO 1.

  semakin meningkat dan seolah internet

   PENDAHULUAN

  merupakan salah satu kebutuhan primer bagi Perkembangan teknologi informasi dan masyarakat Indonesia. e-Marketer telekomunikasi di Indonesia yang semakin memperkirakan pada tahun 2017 pengguna pesat membuat kebutuhan akan internet internet di Indonesia akan mencapai 112 juta orang, mengalahkan Jepang di peringkat ke-5 yang pertumbuhan jumlah pengguna internetnya yang tidak begitu cepat 2014).

  Wifi.id Corner (wico) adalah fasilitas publik inovasi dari Telkom berupa tempat yang menyediakan akses internet dengan kecepatan tinggi hingga 100 Mbps. Hingga saat ini, Telkom telah berhasil membangun lebih dari 100.000 titik akses wifi.id yang tersebar diseluruh Indonesia (www.wifi.id, 2017). Seperti yang dilakukan Telkom Kediri untuk terus membangun dan meratakan penyebaran lokasi Wifi.id Corner di Kediri – Jawa Timur. Dengan adanya Wifi.id Corner, dapat memenuhi kebutuhan masyarakat akan layanan internet, dan tentunya diharapkan dapat meningkatkan pendapatan dari Telkom Kediri itu sendiri.

  Dalam mengatasi permasalahan tersebut digunakan metode AHP dan PSO. AHP digunakan sebagai penghitung bobot dari masing-masing kriteria. AHP diterapkan karena mempertimbangkan konsistensi logis dalam penilaian yang dipakai untuk menentukan prioritas (Javanbarg et al., 2012). Sedangkan PSO digunakan untuk optimasi matriks pembobotan karena desentralisasi yang tinggi, kerjasama antar partikel (Suzanti et al., 2012), serta implementasi yang sederhana membuat PSO dapat digunakan untuk menyelesaikan permasalahan optimasi secara efisien (Alrijadjis & Astrowulan, 2010).

   ANALYTIC HIERARCHY PROCESS (AHP)

  d. Kepadatan (density) 3.

  c. Jenis lokasi

  b. Tingkat keramaian

  Wifi.id adalah jaringan internet publik nirkabel yang disediakan oleh Telkom atau penyedia jasa internet yang bekerja sama dengan Telkom. Wifi.id Corner (wico) adalah fasilitas publik inovasi dari Telkom berupa tempat yang menyediakan akses internet dengan kecepatan tinggi hingga 100 Mbps. Hingga saat ini, Telkom telah berhasil membangun lebih dari 100.000 titik akses wifi.id yang tersebar di seluruh Indonesia (www.wifi.id, 2017). Dalam penentuan lokasi baru pemasangan Wifi.id Corner terdapat kriteria-kriteria yang digunakan sebagai standar kelayakan lokasi baru Wifi.id Corner, yaitu: a. Ketersediaan jaringan

  2. WIFI.ID CORNER

  diterapkan untuk mengoptimasi nilai bobot yang digunakan untuk perhitungan pada metode WP. Pada hasil pengujian korelasi hubungan dari sistem didapatkan sebesar 0.99.

  Dalam menentukan lokasi baru pemasangan Wifi.id Corner diperlukan pertimbangan-pertimbangan yang matang. Saat ini penentuan lokasi baru pemasangan Wifi.id Corner dilakukan berdasarkan pertimbangan dari pihak dan manajer Divisi Wireless

  Weighted Product (WP) dan PSO. PSO

  Penelitian lain dilakukan oleh Kudori pada tahun 2016 tentang penentuan lokasi cabang usaha toko roti dengan menggunakan metode

  dengan Metode Analytic Hierarchy Process (AHP)”, dengan menggunakan perhitungan AHP dimana masing-masing kriteria dalam hal ini merupakan faktor penilaian dalam membandingkan satu kandidat lokasi dengan kandidat lokasi lainnya. Hasil penelitian ini berupa nilai prioritas masing-masing calon lokasi tower.

  Station (BST) Pada PT. XL Axiata Tbk-Medan

  Pada penelitian sebelumnya yang dilakukan oleh Mika Indika pada tahun 2010 dengan judul “Sistem Pendukung Keputusan Penentuan Lokasi Pembangunan Tower Base Transceiver

  sering kali mengalami kesulitan dalam menentukan lokasi baru pemasangan Wifi.id Corner dari beberapa lokasi yang diajukan, karena sulitnya untuk menentukan kelayakan lokasi serta lokasi mana yang dapat memberikan manfaat yang maksimal bagi masyarakat dan bagi Telkom Kediri. Sulitnya untuk menentukan lokasi baru Wifi.id Corner disebabkan karena untuk menentukan lokasi tersebut harus memenuhi kriteria-kriteria yang ditetapkan perusahaan.

  Broadband (DWB). Sehingga dalam hal ini

  AHP merupakan sebuah metode yang memecah permasalahan kompleks atau rumit dengan banyak kriteria dalam keadaan yang tidak terstruktur menjadi hierarki. Mengatur sekelompok hewan, seperti burung dan ikan. bagian atau variabel menjadi suatu bentuk Seperti halnya algoritma genetika yang berbasis susunan hierarki, kemudian memberikan nilai populasi dan iteratif hingga kondisi berhenti numerik untuk penilaian subjektif terhadap terpenuhi. Pada algoritma PSO, swarm kepentingan relatif dari setiap variabel dan merupakan jumlah partikel dalam populasi pada mensintesis penilaian untuk variabel mana yang suatu algoritma (Harman, 2017). Kelebihan memilik prioritas tertinggi yang akan PSO diantaranya, desentralisasi yang tinggi, mempengaruhi penyelesaian dari keadaan kerjasama antar partikel (Suzanti et al., 2012), tersebut (Benítez, 2012). Tahapan-tahapan serta implementasi yang sederhana membuat dalam AHP (Putri, 2015): PSO dapat digunakan untuk menyelesaikan

  a. masalah serta permasalahan optimasi secara efisien (Alrijadjis Mendefinisikan menentukan perbandingan berpasangan & Astrowulan, 2010). Terdapat beberapa kriteria. tahapan dalam PSO antara lain:

  b. matriks perbandingan 1.

  Menentukan Proses inisialisasi swarm atau populasi berpasangan partikel awal menggunakan persamaan (3).

  c.

  Normalisasi, yaitu tiap nilai dalam kolom

  = + [0,1] × ( −

  matriks dibagi dengan hasil penjumlahan (3)

  ) kolomnya.

  d.

  Menghitung Eigen Vektor (bobot Keterangan: prioritas kriteria)

  : batas bawah posisi partikel e. Menghitung Eigen Value (Lamda

  Maksimum) dengan menjumlahkan hasil : batas atas posisi partikel jumlah kolom dan dibagi dengan jumlah

  [0,1]: bilangan random antara 0 kriteria. sampai 1 f. Menghitung CI (Consistency Index) menggunakan persamaan (1).

  2. fitness masing-masing Menghitung

  − partikel.

  (1)

  = ( −1) 3.

  Menentukan Pbest dan Gbest dari setiap Keterangan: iterasi.

  CI : Consistency Index : nilai eigen terbesar dari 4.

  Menghitung kecepatan setiap partikel matriks berordo n untuk iterasi selanjutnya dengan n : jumlah kriteria menggunakan persamaan (4).

  g.

  Menghitung konsistensi nilai CR _{t  1 t t t}

  v  w . v  c . r Pbest  x _{i , j i , j 1 1  i , j i , j }

  (Consistency Ratio ) menggunakan _{t t} (4) persamaan (2).

  c . r Gbest x   _{2 2  g , j i , j }

  (2)

  =

  Pada persamaan (4), merupakan CR : Consistency Ratio

  ,

  kecepatan partikel ke-i pada dimensi ke-j RI : Random Index pada iterasi ke-t. w merupakan bobot Pada penenlitian ini menggunakan nilai inertia, c ^{1 dan c 2 adalah koefisien} RI sebesar 0,9.

  Kemudian memeriksa hasil nilai CR. Jika akselerasi. adalah posisi partikel ke-i

  ,

  nilai CR<0,1 maka hasilnya dapat pada dimensi ke-j pada iterasi ke-t. dinyatakan konsisten. adalah posisi terbaik yang dicapai

  ,

  partikel, sedangkan adalah posisi

  , 4.

   PARTICLE SWARM OPTIMIZATION terbaik dari seluruh partikel. (PSO) 5.

  Menghitung posisi partikel untuk iterasi PSO adalah swarm intelligence meta- selanjutnya menggunakan persamaan (5). heuristik yang terinspirasi oleh perilaku

• 1 +1
• AHP hingga diperoleh nilai bobot proritas tiap

  (5) = , , , kriteria, seperti yang ditunjukkan Tabel 3.

• 1

  Pada persamaan (5), adalah posisi

  , START

  partikel ke-i pada dimensi ke-j pada iterasi

• 1

  ke-(t+1). adalah kecepatani partikel

  ,

  ke-i pada dimensi ke-j pada iterasi ke-

  popSize, dimensi, xmax, xmin

  (t+1).

6. Kemudian, kembali ke proses perhitungan

  Inisialisasi fitness dan proses akan berlanjut hingga

  Kecepatan Awal

  pada jumlah iterasi maksimum atau kondisi berhenti.

  Inisialisasi 5. Posisi Awal

OPTIMASI BOBOT AHP MENGGUNAKAN PSO

  i=0 to popSize -1

  Diagram alir optimasi AHP menggunakan PSO dapat dilihat pada Gambar 1.

  Masukkan nilai partikel

  5.1 Inisialisasi ke matriks perbandingan

  Tahapan dalam proses inisialisasi awal,

  Update

  yaitu inisialisasi kecepatan awal, dan inisialisasi

  Posisi Proses AHP

  posisi partikel.

  Pada iterasi ke-0 (t=0) nilai kecepatan

  Update

  awal semua partikel adalah nol (vi ,j (t)=0 )

  Kecepatan

  Posisi awal partikel dibangkitkan secara i acak menggunakan persamaan (3) dengan panjang dimensi 6 serta nilai xmax dan xmin sebesar 1 dan 9. Nilai tersebut diperoleh dari

  Hitung Fitness

  metode AHP yang memiliki nilai skala perbandingan dari 1 hingga 9. Posisi awal partikel dapat dilihat pada Tabel 1.

  Tentukan Pbest Tabel 1. Posisi Awal Partikel

  Tentukan Gbest

  5.2 Proses AHP Tidak Iterasi =

  Kriteria lokasi Wifi.id Corner dapat diligat

  iterasiMax pada Tabel 2.

  Ya Tabel 2. Kriteria Lokasi Wifi.id Corner fitness[], pbest[], gbest[]

  END

  Selanjutnya merubah partikel menjadi

  Gambar 1. Diagram Alir Optimasi AHP

  matriks perbandingan berpasangan yang

  menggunakan PSO

  dilanjutkan dengan proses perhitungan pada

  Tabel 3. Nilai Bobot Prioritas

  5.3 Hitung Fitness

  Pada Gambar 3, menunjukkan bahwa nilai rata-rata fitness terkecil didapat pada jumlah

  Gambar 3. Grafik Hasil Pengujian Banyaknya Partikel

  Pengujian banyaknya partikel bertujuan untuk menentukan jumlah partikel terbaik untuk mendapatkan nilai fitness yang optimal. Pengujian ini dilakukan sebanyak 10 kali untuk tiap jumlah partikel. Pada pengujian ini menggunakan nilai threshold sebesar 0,018 dan iterasi sejumlah 10. Hasil pengujian banyaknya jumlah partikel dapat dilihat pada Gambar 3.

  6.2 Pengujian Banyaknya Partikel

  0,018 nilai rata-rata fitness mengalami peningkatan. Hal ini disebabkan semakin besar nilai threshold maka semakin besar nilai fitness yang dihasilkan karena nilai bobot alternatif dari hasil perhitungan yang diambil semakin banyak. Sedangkan, pada nilai threshold mulai 0,02 nilai rata-rata fitness mengalami penurunan. Hal ini disebabkan semakin besar nilai threshold maka semakin kecil nilai fitness yang dihasilkan karena nilai bobot altenatif dari hasil perhitungan yang diambil juga semakin kecil.

  threshold sebesar 0,018 dengan nilai rata-rata fitness 0,908. Pada nilai threshold 0,01 sampai

  Pada Gambar 2, menunjukkan bahwa nilai rata-rata fitness terbesar didapatkan dari nilai

  Gambar 2. Grafik Hasil Pengujian Nilai Threshold

  Pengujian nilai threshold bertujuan untuk menentukan nilai threshold terbaik yang akan digunakan dalam sistem untuk mendapatkan hasil solusi terbaik. Pengujian ini dilakukan sebanyak 10 kali untuk setiap nilai threshold. Pada pengujian ini menggunakan iterasi sebanyak 10 dan jumlah partikel sebesar 20. Hasil pengujian nilai threshold dapat dilihat pada Gambar 2.

  dilakukan ketika iterasi >0 dengan menggunakan persamaan (4) dan (5).

  5.5 Update Kecepatan dan Update Posisi Update kecepatan dan update posisi

  terbaru dengan nilai fitness tertinggi akan menjadi Gbest. Gbest yang didapat pada iterasi maksimum digunakan sebagai nilai bobot untuk matriks perbandingan pada AHP.

  Pbest pada iterasi sebelumnya dengan hasil dari update posisi pada iterasi ke-(t+1). Pbest

  Menentukan nilai Pbest dan Gbest dilakukan dengan cara membandingkan antara

  5.4 Menentukan Pbest dan Gbest

  (6) Proses perhitungan fitness dilakukan dengan membandingkan data hasil perhitungan menggunakan sistem dengan data dari Telkom Kediri (data asli).

  100%

  = ∑ ∑

  (Mu’asyaroh, 2016) pada persamaan (6).

  Dari hasil kelayakan lokasi, dapat dilakukan perhitungan nilai fitness menggunakan akurasi

6. PENGUJIAN DAN ANALISIS

6.1 Pengujian Nilai Threshold

  partikel sebanyak 10 dengan nilai rata-rata Parameter yang digunakan sebagai berikut.

  fitness sebesar 0,862. Nilai rata-rata fitness Nilai threshold : 0,018

  mulai meningkat pada jumlah partikel 20. Hal Iterasi : 10 ini menunjukkan bahwa semakin banyak Partikel : 250 partikel maka nilai rata-rata fitness yang Pengujian dilakukan dengan menentukan dihasilkan cenderung meningkat karena kelayakan pada tiap lokasi Wifi.id Corner. semakin banyak partikel berarti semakin Lokasi Wifi.id Corner dikatakan layak apabila banyak pula kemungkinan solusi yang hasil akhir dari perhitungan sistem melebihi didapatkan. Nilai rata-rata fitness mulai nilai threshold. Hasil kelayakan lokasi dari menunjukkan hasil yang konvergen pada proses perhitungan sistem kemudian akan jumlah partikel 250 karena nilai rata-rata fitness dibandingkan dengan data asli. Jika hasilnya pada partikel selanjutnya tidak mengalami sama maka data dianggap benar. Hasil kenaikan. pengujian ini dapat dilihat pada Tabel 4.

  Tabel 4. Hasil Pengujian Kelayakan Lokasi

  6.3 Pengujian Jumlah Iterasi

  Pengujian jumlah iterasi dilakukan untuk mengetahui jumlah iterasi yang terbaik untuk menghasilkan solusi yang optimal. Pengujian ini dilakukan sebanyak 10 kali untuk tiap jumlah iterasi. Pada pengujian ini menggunakan nilai threshold sebesar 0.018 dan partikel sebanyak 50. Hasil pengujian jumlah iterasi dapat dilihat pada Gambar 4.

  Gambar 4. Grafik Hasil Pengujian Jumlah Iterasi

  Pada Gambar 4, menujukkan bahwa nilai rata-rata fitness terbesar didapatkan pada iterasi ke-90 yaitu sebesar 0,936. Pada iterasi ke-100 nilai rata-rata fitness mengalami penurunan yaitu menjadi sebesar 0,916. Nilai rata-rata

  fitness mulai menunjukkan hasil yang

  konvergen pada iterasi ke-200 karena nilai rata- rata fitness pada iterasi selanjutnya tidak mengalami kenaikan.

  6.4 Pengujian dan Analisis Sistem

  Pengujian ini dilakukan untuk mendapatkan nilai akurasi dari sistem. Pengujian dilakukan dengan menggunakan parameter PSO pada pengujian sebelumnya.

  Berdasarkan Tabel 4 terdapat 50 data lokasi yang telah diuji dengan menggunakan parameter PSO. Hasil pengujian menunjukkan bahwa sebanyak 47 data hasil kelayakan lokasi Wifi.id Corner sama dengan data asli. Hal ini berarti terdapat 47 data benar, sehingga nilai akurasi yang diperoleh sebagai berikut.

  47 50 100% = 94%

  Benítez, J., Delgado-Galván, X., Izquierdo, J., 2012. An Approach to AHP Decision In

  Hasil uji coba yang dilakukan tersebut menunjukkan bahwa akurasi yang diperoleh ialah sebesar 94%. Tingkat akurasi dipengaruhi oleh hasil kelayakan lokasi dari Wifi.id Corner. Data dianggap benar jika hasil kelayakan dari proses perhitungan sistem sama dengan data asli.

  Politècnica de València Harman, R., 2017. A Very Brief Introduction to

  A Dynamic Context . Valencia: Universitat

  Penelitian selanjutnya dapat menggunakan kriteria yang lebih banyak dengan melakukan wawancara kepada ahli dan melakukan observasi lebih lanjut.

  8. REFERENSI

  Alrijadjis & Astrowulan, K., 2010. Optimasi

  Kontroler PID Berbasis Particle Swarm Optimization (PSO) untuk Sistem dengan Waktu Tunda

  . Surabaya: Politeknik Elektronika Negeri Surabaya

7. KESIMPULAN

  Solusi yang didapatkan dari metode AHP dan PSO untuk menyelesaikan permasalahan penentuan lokasi baru Wifi.id Corner Telkom Kediri menghasilkan nilai rata-rata fitness paling optimal ialah sebesar 0,94 sehingga hasil akurasi yang diperoleh yaitu 94%. Nilai akurasi ini didapatkan dengan parameter nilai threshold sebesar 0,018, iterasi sejumlah 10, dan partikel sebanyak 250. Nilai akurasi tersebut menunjukkan bahwa AHP dan PSO dapat diterapkan untuk menyelesaikan masalah penentuan lokasi baru Wifi.id Corner Telkom Kediri.

  Berdasarkan pengujian nilai threshold, didapatkan nilai threshold yang paling baik untuk permasalahan penentuan lokasi baru Wifi.id Corner Telkom Kediri ialah 0,018 dengan nilai rata-rata fitness sebesar 0,908 sehingga menghasilkan nilai fitness yang optimal.

  Penerapan metode AHP dan PSO dalam penentuan lokasi baru Wifi.id Corner Telkom Kediri yaitu dengan mengoptimasi nilai bobot matriks perbandingan pada AHP menggunakan PSO. Panjang dimensi yang digunakan ialah 6. Dimana setiap nilai dimensi mewakili nilai perbandingan tiap kriteria pada matriks perbandingan. Dalam proses penentuan Pbest terdapat proses AHP untuk menentukan kelayakan lokasi Wifi.id Corner yang kemudian dihitung nilai fitnessnya dengan akurasi.

  Tersedia di: <www.iam.fmph.uniba.sk/ospm/Harman/ PSO.pdf> [diakses tanggal 30 Maret 2017]

  Indika, M., 2010. Sistem Pendukung Keputusan

  Penentuan Lokasi Pembangunan Tower Base Transceiver Station (BST) Pada PT.

  XL Axiata Tbk-Medan Dengan Metode Analytic Hierarchy Process (AHP). [pdf]

  Tersedia di: <http://repository.usu.ac.id/handle/12345 6789/20465> [diakses tanggal 13 Februari 2017]

  Javanbarg, MB., Scawthorn, C., Kiyono, J., Shahbodaghkhan, B., 2012. Fuzzy AHP-

  Based Multicriteria Decision Making Systems Using Particle Swarm Optimization . Kyoto: Kyoto University

  Kementerian Komunikasi dan Informatika, 2014. Pengguna Internet Indonesia

  Nomor Enam Dunia . [online] Tersedia di:

  <https://www.kominfo.go.id/ content/detail/4286/pengguna-internet- indonesia-nomor-enam-dunia/0/ sorotan_media> [diakses 10 Februari 2017]

  Kudori, DS., 2016. Penentuan Lokasi Cabang

  Usaha Toko Roti dengan Metode Weighted Product dan Optimasi Bobot dengan Metode Particle Swarm

  Particle Swarm Optimization . [pdf]

  Optimization. Malang: Universitas

  Brawijaya Mu’asyaroh, 2016. Implementasi Algoritma

  Genetika Dalam Optimasi Model AHP dan Topsis Untuk Penentuan Kebenaran Pengisian Bibit Ayam Boiler di Kandang Peternak . Malang: Universitas Brawijaya

  Putri, AMDA., Mahmudy, WF., Cholissodin, I., 2015. Optimasi Model Fuzzy AHP dengan

  Menggunakan Algoritma Evolution Strategies (Studi Kasus Pemilihan Calon Penerima Beasiswa PTIIK Universitas Brawijaya) . Malang: Universitas

  Brawijaya Suzanti et al., 2012. Swarm Intelligence. Yogyakarta: Universitas Gadjah Mada

  Wifi.id Indonesia WIFI.ID, 2015. Wifi.id

  Corner . [online] Tersedia di:

  <https://www.wifi.id.id/service> [diakses

  10 Februari 2017]