Institutional Repository | Satya Wacana Christian University: Perancangan dan Implementasi Teleworker System untuk Memaksimalkan Remote Access pada Jaringan WAN

  Perancangan dan Implementasi Teleworker System untuk Memaksimalkan Remote Access pada Jaringan WAN Artikel Ilmiah Peneliti : Miftakhul Ainun Nawar (672007241) Wiwin Sulistyo, S.T., M.Kom. Program Studi Teknik Informatika Fakultas Teknologi Informasi Universitas Kristen Satya Wacana Salatiga Oktober 2014

  Perancangan dan Implementasi Teleworker System untuk Memaksimalkan Remote Access pada Jaringan WAN Artikel Ilmiah Diajukan kepada Fakultas Teknologi Informasi Untuk memperoleh gelar Sarjana Komputer Peneliti : Miftakhul Ainun Nawar (672007241) Wiwin Sulistyo, S.T., M.Kom. Program Studi Teknik Informatika Fakultas Teknologi Informasi Universitas Kristen Satya Wacana Salatiga Oktober 2014 ii

iii

iv

v

vi

vii

  

Perancangan dan Implementasi Teleworker System

untuk Memaksimalkan Remote Access

_{1) 2)}

pada Jaringan WAN

Miftakhul Ainun Nawar, Wiwin Sulistyo

  Fakultas Teknologi Informasi Universitas Kristen Satya Wacana Jl. P. Diponegoro 52-60, Salatiga 50711, Indonesia E-mail: ainun16@gmail.com, wiwinsulistyo@staff.uksw.edu

  

Abstract

Integrated data communications nowadays has become a necessity for an

institution or business enterprise, especially when an employee must work even if they're

away from the office. Teleworker system is a good option, because to do remote access is

needed an efficient communication or can utilize existing infrastructure, can be accessed

anywhere and certainly safe. VPN is the right technology is used for teleworker system.

With a VPN, employees who are outside will get such service in the local network. To

facilitate the management of files used a file server and FTP server. The file server is

used for storing files of each employee and the FTP server for file management services

directly from a tablet or smartphone. Thus, the activity of this teleworker to be safe,

because the system uses VPN technology to tunnel and encryption methods. The system

was implemented in FTI SWCU Salatiga.

  Keywords: Teleworker, Remote Access, VPN

Abstrak

Komunikasi data yang terintegrasi saat ini sudah menjadi kebutuhan bagi sebuah

institusi atau perusahaan bisnis, apalagi jika seorang pegawai harus bekerja walau sedang

tidak berada di kantor. Teleworker system menjadi pilihan tepat, karena untuk melakukan

akses jarak jauh maka dibutuhkan sebuah komunikasi yang efisien atau dapat

memanfaatkan infrastruktur yang sudah ada, dapat diakses dimana saja dan tentunya

aman. VPN adalah teknologi yang tepat digunakan untuk teleworker system. Dengan

  

VPN, pegawai yang berada diluar akan mendapatkan layanan seperti di jaringan lokal.

Untuk memudahkan pengelolaan file digunakan file server dan FTP server. File server

digunakan untuk menyimpan file masing-masing pegawai dan FTP server untuk layanan

pengelolaan file langsung dari tablet atau smartphone. Dengan demikian aktivitas

teleworker ini menjadi aman, karena sistem ini menggunakan teknologi VPN dengan

metode tunnel dan enkripsi. Sistem ini diterapkan di FTI UKSW Salatiga.

  Kata kunci : Teleworker, Remote Access, VPN 1)

  

Mahasiswa Fakultas Teknologi Informasi Jurusan Teknik Informatika, Universitas

Kristen Satya Wacana 2)

  

Staff Pengajar Fakultas Teknologi Informasi, Universitas Kristen Satya Wacana

viii

1 Pendahuluan

  Kalimantan Barat termasuk salah satu daerah yang memiliki kondisi geografis yang mempunyai cakupan wilayah luas serta tingkat pertumbuhan ekonomi dan jumlah penduduk yang besar menyebabkan meningkatnya kebutuhan akan aliran listrik yang besar. Sehingga terjadi lonjakan aktivitas pemenuhan daya listrik yang harus disalurkan kepada setiap daerah di wilayah Kalimantan Barat oleh PT PLN (Persero) dan terdiri dari beberapa Gardu Induk yang bermanfaat menampung dan mendistribusikan aliran daya listrik bertegangan tinggi. Provinsi Kalimantan Barat memiliki lima Gardu Induk, yaitu GI Senggiring, GI Parit Baru, GI Sei Raya, GI Singkawang, GI Siantan. Gardu Induk tersebut memiliki cakupan wilayah tertentu, yaitu GI Senggiring meliputi wilayah Kota Pontianak serta Kabupaten Pontianak, GI Parit Baru mendistribusikan daya pada Kabupaten Sanggau dan Landak, GI Sei Raya mencakup Kabupaten Ketapang, Kabupaten Melawi dan Kabupaten Kapuas Hulu, GI Singkawang meliputi daerah Kabupaten Sambas, Kota Singkawang dan Kabupaten Bengkayang, dan yang terakhir GI Siantan yang beroperasi di wilayah Kabupaten Sekadau dan Kabupaten Sintan. Masalah yang tidak dapat terelakkan pada sistem kerja Gardu Induk adalah adanya gangguan yang terjadi pada masing- masing trafo. Trafo adalah komponen utama yang berperan untuk mendistribusikan daya listrik, gangguan yang terjadi pada trafo akan berakibat terganggunya pasokan daya listrik ke pelanggan, dikarenakan akan terjadi padamnya listrik [1]. Melihat banyaknya kasus gangguan yang terjadi pada wilayah tersebut, maka akan lebih baik jika dapat mengurangi permasalahan yang terjadi, agar trafo-trafo selalu dalam kondisi prima. Sehingga diperlukan suatu sistem untuk mengamati kinerja Gardu Induk.

  Sistem ini menggunakan metode

  Moran’s I untuk melihat dan

  memberikan gambaran area yang sering terjadi gangguan di wilayah Provinsi Kalimantan Barat. Data yang digunakan adalah data jumlah gangguan yang terjadi pada Gardu Induk tahun 2012 sampai dengan Desember 2013, yang dikelompokkan berdasarkan gangguan internal, gangguan eksternal dan jumlah komulatif gangguan tahun 2012-2013. Gangguan internal merupakan faktor yang dapat disebabkan karena kerusakan pada peralatan trafo dalam jangka waktu tertentu, sedangkan gangguan eksternal terjadi karena faktor alam seperti pohon tumbang, angin kencang, petir dan ganguan lain.

  Moran’s I pada awalnya

  merupakan metode untuk menentukan korelasi nonspasial, kemudian dikembangkan dalam konteks spasial.

  Moran’s I digunakan untuk menentukan

  tingkat kesamaan atau kemiripan atribut suatu variabel tertentu. Prinsip kerja metode ini adalah membandingkan nilai varibel tertentu pada setiap lokasi dengan nilai pada semua lokasi lain [2].

  Penelitian ini bermaksud menganalisis pola persebaran jenis gangguan pada trafo-trafo yang bermuara di Gardu Induk, agar dapat mengetahui gambaran secara jelas daerah-daerah yang dikatakan rawan terjadi gangguan, sehingga diharapkan dapat membantu petugas untuk memelihara trafo-trafo pada setiap Gardu Induk dalam jangka waktu yang lebih lama.

2 Tinjauan Pustaka

  Beberapa penelitian terdahulu yang terkait dengan penelitian ini, salah satunya adalah penelitian yang berjudul “Pembuatan dan Analisa Sistem

  Informasi Geografis Distribusi Jaringan Listrik (Studi Kasus: Surabaya Industrial Estate Rungkut di Surabaya)

  ”. Pada penelitian ini menggunakan Arc View dalam mengelola basis data yang bersifat spasial serta didukung dengan adanya data daya dan tegangan di kawasan Surabaya Industrial Estate Rungkut [3]. Serta penelitian yang berjudul ”Pemodelan Pola Spasial Demam Berdarah di Kabupaten Semarang Me nggunakan Fungsi Moran's I”, menjelaskan tentang laju persebaran penyakit demam berdarah menggunakan metode Moran’s I [4].

  Berdasarkan perbandingan penelitian terdahulu, penelitian ini lebih mudah dipahami dikarenakan menggunakan metode

  Moran’s I untuk menunjukkan

  keterkaitan gangguan listrik pada Gardu Induk antar wilayah Kalimantan Barat dengan hasil keluaran berupa Moran scatterplot, Peta LISA.

  Autokorelasi spasial adalah korelasi antara variabel dengan dirinya sendiri berdasarkan ruang atau dapat juga diartikan suatu ukuran kemiripan dari objek di dalam suatu ruang (jarak, waktu dan wilayah). Jika terdapat pola sistematik di dalam penyebaran sebuah variabel, maka terdapat autokorelasi spasial. Adanya autokorelasi spasial mengindikasikan bahwa nilai atribut pada daerah tertentu terkait oleh nilai atribut tersebut pada daerah lain yang letaknya berdekatan atau bertetangga [5].

  Autokorelasi spasial diklasifikasikan menjadi dua yaitu Global

  

Association dan Local Association. Global Association adalah analisis pola

  asosiasi spasial pada skala yang luas untuk melihat distribusi data, apakah terbentuk pengelompokan (cluster), terdispersi (dispersed) dan acak (random) dalam satu lingkup. Local Association adalah kuantifikasi Autokorelasi spasial dalam wilayah yang lebih kecil dan menghasilkan signifikasi secara statistik tinggi (hotspot), signifikasi secara statistik rendah (clodspots), dan pecilan (outlier) [6]. Autokorelasi spasial lokal dapat ditentukan dengan analisis Moran

  

Scatterplot dan Local Indicator Spasial Association (LISA). LISA

  divisualisasikan menggunakan peta yang digunakan untuk menunjukkan lokasi daerah studi yang signifikan. Jumlah LISA untuk setiap wilayah studi sebanding atau sama dengan Moran's I global. Penelitian ini termasuk dalam jenis lokal asosiasi dikarenakan hanya mengacu pada satu wilayah tertentu, yaitu Provinsi Kalimantan Barat.

  LISA dapat didefinisikan dengan Persamaan 1.

  ( −ū) ₂

  = ( − ū)………………………………(1)

  ( −ū)

  Keterangan dari rumus pada Persamaan 1 adalah n sebagai jumlah kasus atau jumlah wilayah studi yang diidentifikasi. Ui sebagai unit analisis I, Uj sebagai nilai unit analisis tetangga. Wij adalah berat spasial matrix atau elemen spatial

  weight matrix . ū adalah nilai rata-rata u.

  Moran’s Scatterplot adalah salah satu cara untuk menginterpretasikan statistik Indeks Moran.

  Moran’s Scatterplot merupakan alat untuk melihat

  hubungan antara nilai pengamatan yang sudah distandarisasi dengan nilai rata-rata daerah tetangga yang telah distandarisasi. Ilustrasi lebih lengkap dapat dilihat pada Gambar 1.

  

Gambar 1 Moran ’s Scatterplot [7]

  Kuadran I (terletak di kanan atas) disebut High-High (HH), menunjukkan daerah yang mempunyai nilai pengamatan tinggi dikelilingi oleh daerah yang mempunyai nilai pengamatan tinggi. Kuadran II (terletak di kiri atas) disebut

  

Low-High (LH), menunjukkan daerah dengan pengamatan rendah tapi dikelilingi

  daerah dengan nilai pengamatan tinggi. Kuadran III (terletak di kiri bawah) disebut Low-Low (LL), menunjukkan daerah dengan nilai pengamatan rendah dan dikelilingi daerah yang juga mempunyai nilai pengamatan rendah. Kuadran IV (terletak di kanan bawah) disebut High-Low (HL), menunjukkan daerah dengan nilai pengamatan tinggi yang dikelilingi oleh daerah dengan nilai pengamatan rendah.

  Moran’s Scatterplot yang banyak menempatkan pengamatan di kuadran

  HH dan kuadran LL akan cenderung mempunyai nilai autokorelasi spasial yang positif (cluster). Sedangkan

  Moran’s Scatterplot yang banyak menempatkan

  pengamatan di kuadran HL dan LH akan cenderung mempunyai nilai autokorelasi spasial yang negatif [7].

3 Metode Penelitian

  Tahapan penelitian terbagi menjadi enam tahap, yaitu identifikasi masalah penelitian, telaah dan kajian pustaka, menentukan tujuan penelitian, pengumpulan data terkait penelitian, analisis dan intepretasi data, dan yang terakhir . adalah pelaporan dan evaluasi hasil penelitian Langkah-langkah dalam pengerjaan penelitian ini adalah sebagai berikut: (a) Pengumpulan data gangguan yang diperoleh dari PLN Kalimantan Barat periode 2012-2013; (b) Studi Pustaka, untuk mencari acuan yang sesuai untuk referensi pengerjaan olah data; (c) Pengolahan Data, digunakan metode

  Moran’s I, dengan bantuan tool R; (d)

  Pengambilan kesimpulan, dilakukan setelah mendapat hasil dari perhitungan dengan tool R [8].

  

Gambar 2 Tahapan Penelitian [8]

  Gambar 2 menunjukkan tahapan penelitian dilakukan. Bersumber dari data Gangguan Listrik PT PLN (Persero) tahun 2012-2013, pembuatan grafik persebaran gangguan internal dan eksternal dengan pemodelan data spasial gangguan listrik di Kalimantan Barat tahun 2012-2013 menggunakan metode

Moran’s I divisualisasikan ke dalam bentuk Morran Scatterplot dan Peta LISA.

  Sumber data model secara umum dikelompokkan dalam dua kategori, yaitu (1) Informasi data gangguan trafo Gardu Induk PT PLN (Persero) wilayah Provinsi Kalimantan Barat tahun 2012-2013; (2) Data spasial dalam bentuk peta dengan format shape file. Pemrosesan data menggunakan tool R dari http:/cran-r.project menggunakan package maptools, RColorBrewer, classInt, spdep, rgdal, sp, spatstat, RaNN, lmtest. Package maptools digunakan untuk membaca data geografis, khususnya data dengan format shape file. Package RColorBrewer digunakan untuk memberikan warna pada peta. Package classInt digunakan untuk memilih satu class intervals dalam pemetaaan. Package spdep digunakan untuk menciptakan matrix weight spasial yang memungkinkan untuk dianalisis. Package rgdal digunakan untuk memungkinkan data peta dapat diimpor ke R. Package sp digunakan untuk menyediakan kelas dan metode untuk data spasial. Package spatstat digunakan untuk menganalisis data spasial, pola titik 3D, pola titik ruang waktu, pola titik pada jaringan linear. Package RaNN digunakan untuk menentukan neighbours setiap titik dalam set. Package lmtest digunakan untuk memeriksa diagnostik di model regresi linier.

  

Gambar 3 Arsitektur Data

  Gambar 3 menunjukkan Arsitektur data. Arsitektur data dalam pengerjaan penelitian ini dimulai dari pengumpulan data yang nantinya akan divisualisasikan. Data yang digunakan yaitu data gangguan trafo Gardu Induk PT PLN (Persero) wilayah Provinsi Kalimantan Barat yaitu (1) data gangguan eksternal dan internal tahun 2012-2013, (2) data gangguan tahun 2012-2013. Data dimasukkan pada

  

Microsoft Excel serta diubah ke dalam format csv. Data gangguan eksternal dan

  internal nantinya akan divisualisasikan ke dalam Moran Scatterplot, dan Peta LISA.

4 Hasil dan Pembahasan

  Pada penelitian ini Moran Scatterplot digunakan untuk analisis perilaku variabilitas data dalam keruangan, sedangkan peta LISA digunakan untuk menunjukkan lokasi daerah yang signifikan statistik terjadinya pengelompokan nilai atribut (cluster) atau terjadinya pencilan (outlier). Hasil yang disajikan dalam

  Moran Scatterplot dapat dilihat persebarannya melalui peta LISA.

  Data awal yang dihitung pada penelitian ini adalah data gangguan listrik internal dan eksternal pada wilayah Kalimantan Barat tingkat Kabupaten dan Kota periode tahun 2012-2013. Hasil perhitungan Moran's I divisualisasikan secara grafis menggunakan Moran Scatterplot. Moran Scatterplot untuk gangguan internal tahun 2012-2013 disajikan pada Gambar 4.

  

(a)

(b)

  

Gambar 4 Visualisasi Moran Scatterplot Gangguan Internal Tahun 2012 dan 2013

  Gambar 4 (a) menunjukkan Moran Scatterplot tahun 2012, diketahui bahwa Kabupaten Sanggau masuk pada kuadran I (High-High) yang menunjukkan wilayah bernilai gangguan listrik sangat tinggi dikelilingi wilayah nilai gangguan tinggi, dimana wilayah tersebut mempunyai sifat autokorelasi spasial yang tinggi dan dikelilingi oleh wilayah sekitarnya yang mempunyai autokorelasi spasial yang tinggi. Gambar 4 (b) merupakan visualisasi gangguan tahun 2013, diketahui bahwa Sanggau sudah tidak tergolong pada kuadran I (High-High) dan Kabupaten Sekadau masuk pada kuadran III (Low-Low) yang sebelumnya tidak terlihat pada tahun 2012, menunjukkan wilayah bernilai gangguan listrik rendah dikelilingi wilayah nilai gangguan rendah pula.

  

(a) (b)

Gambar 5 Visualisasi Moran Scatterplot Gangguan Eksternal Tahun 2012 dan 2013

  Berdasarkan Moran Scatterplot pada Gambar 5 (a), tahun 2012 diketahui bahwa Kabupaten Landak masuk pada kuadran II (Low-High), yang berarti wilayah bernilai gangguan listrik rendah dikelilingi wilayah bernilai gangguan tinggi. Sedangkan Tahun 2013, pada Gambar 5 (b), terjadi perpindahan Kabupaten Landak yang sebelumnya berada pada kuadran II (Low-High) menjadi kuadran IV (High-Low), yang berarti wilayah bernilai gangguan listrik tinggi dikelilingi wilayah bernilai gangguan rendah.

  Tahap selanjutnya adalah melakukan analisis

  Moran’s I lokal dengan

  menggunakan Peta LISA. Gambar Peta LISA daerah gangguan listrik internal tahun 2012 dan tahun 2013 disajikan pada Gambar 6.

  

(a) (b)

Gambar 6 Peta LISA Gangguan Internal Tahun 2012 dan 2013 Gambar 6 menunjukkan peta LISA pada Tahun 2012. Pada Gambar 6 (a), Kabupaten Sanggau memiliki karakteristik High-High (HH) yang merupakan asosiasi spasial positif dan identifikasi terjadinya pemusatan (cluster). Sedangkan Gambar 6 (b) merepresentasikan Tahun 2013 muncul pecilan (outlier) dengan karakteristik Low-Low (Kuadran III) yang memiliki nilai spasial negatif, yaitu Kabupaten Sekadau.

  Data berikutnya yang akan diolah pada penelitian ini adalah data gangguan listrik eksternal tahun 2012-2013 di Provinsi Kalimantan Barat yang akan divisualisasikan menggunakan peta LISA pada Gambar 7.

  (a)

(b)

Gambar 7 Peta LISA Gangguan Eksternal Tahun 2012 dan 2013

  Berdasarkan peta LISA pada Gambar 7 (a), tahun 2012 dapat dilihat hampir seluruh wilayah kelurahan tidak signifikan, hanya ditemukan satu indikasi pecilan (outlier) yaitu Kabupaten Landak masuk pada kuadran II (Low-High) yang memiliki nilai spasial negatif. Pada tahun 2013 yang divisualisasikan melalui Gambar 7 (b), masih didominasi wilayah kelurahan yang tidak signifikan, tetapi terjadi perpindahan Kabupaten Landak yang sebelumnya berada pada kuadran II (Low-High) menjadi kuadran IV (High-Low). Pada tahun 2012 dan tahun 2013 tidak ditemukan pemusatan jumlah terjadinya gangguan, ini dapat dilihat tidak ditemukannya daerah dengan indikasi High-High (Kuadran I).

5 Simpulan

  Berdasarkan eksperimen dan pengolahan data yang telah dilakukan didapatkan hasil sebagai berikut : (a) Hasil perhitungan Moran's I divisualisasikan secara grafis menggunakan Moran Scatterplot pada data gangguan listrik internal dan eksternal pada tahun 2012-2013; (b) Peta LISA gangguan listrik tahun 2012- 2013. Digunakan untuk memberikan informasi (1) persebaran gangguan listrik internal dan eksternal, dan (2) persebaran jumlah gangguan listrik di Provinsi Kalimantan Barat. Penelitian ini menunjukkan bahwa pada tahun 2012 gangguan listrik internal pada Provinsi Kalimantan Barat memiliki nilai autokorelasi spasial positif. Diketahui dengan munculnya wilayah dengan karakteristik High-High. Berdasarkan hasil penelitian dapat dilihat bahwa hampir seluruh wilayah berindikasi none signifikan, kecuali Kabupaten Sanggau yang berindikasi High-

  

High serta Kabupaten Landak berindikasi Low-High pada tahun 2012 dan

  Kabupaten Sekadau berindikasi Low-Low serta Kabupaten Landak berindikasi

  

High-Low . Hal ini menunjukkan bahwa gangguan internal tahun 2012 dan 2013

  terjadi pergeseran antara Gardu Induk Parit Baru yang berkarakteristik High-High menjadi none signifikan serta Gardu Induk Siantan yang berkarakteristik none signifikan pada tahun 2012 berubah menjadi daerah yang berindikasi Low-Low. Pada gangguan eksternal, dapat diketahui bahwa Gardu Induk Parit Baru dari tahun 2012 dan 2013 mengalami perubahan dari indikasi Low-High menjadi

  

High-Low yang berarti ada kecenderungan terjadi peningkatan resiko terjadi

gangguan listrik di kemudian hari.

  Berdasarkan penelitian yang telah dilakukan perlu peningkatan kewaspadaan dan kepedulian pada daerah-daerah yang rawan terjadi gangguan listrik, agar penyaluran aliran listrik tidak tersendat sampai ke masyarakat. Penelitian yang dilakukan menunjukkan bahwa di wilayah Provinsi Kalimantan Barat banyak terjadi kerusakan trafo, oleh karena itu diperlukan adanya pemeliharaan serta kelengkapan trafo-trafo pada Gardu Induk untuk terus menjaga keberlangsungan pasokan listrik oleh PLN di setiap wilayah Provinsi Kalimantan Barat.

6 Daftar Pustaka

  [1] Winotoharjo, S., 2012. Penaksiran Potensi Gangguan Pada Suatu Gardu Induk dengan Menggunakan Regresi Beta, Bandung : Universitas Padjajaran.

  [2] Harvey, dkk., 2008, The North American Animal Disease Spread Model: A

  simulation model to assist decision making in evaluating animal disease incursion , Preventive Veterinary Medicine, Vol 82 (176-197).

  [3] Awalin, L. J. dan Sukojo, B. M. 2013. Pembuatan Dan Analisa Sistem Informasi Geografis Distribusi Jaringan Listrik (Studi Kasus: Surabaya Industrial Estate Rungkut di Surabaya, Makara Vol.7.

  [4] Puspita D., 2012. Pemodelan Pola Spasial Demam Berdarah Dengue di Kabupaten Semarang Menggunakan Fungsi Moran’s I, Skripsi FTI UKSW. [5] Curtis, J. A. and Lee, A. W. Spatial Pattern of Diabetes Related Health Problems for Vulneral Populations in Los Angeles , USA, 2010. [6] Weku, W. C. D., 2011. Analisis Pola Spasial dan Dinamika IPM Tahun

  2006-2009 Propinsi Sulawesi Utara Menggunakan Metode Spatial Autocorrelation, Thesis, MSI, UKSW. [7] Lee, J. dan Wong, 2000. Statistical Analysis with Arcview GIS, John Wiley&Sons , INC: United Stated of America. [8] Creswell, J. W., 2012. Planning, Conducting, and Evaluating Quantitative , Garamond : United Stated of America.

  and Qualitative Research