PROYEKSI PENGHENTIAN LAYANAN 2G DI ASIA

(1)

PROYEKSI PENGHENTIAN LAYANAN 2G DI

ASIA PASIFIK SELAMA 6 TAHUN KE DEPAN

Muhammad Yanuar Ary Saputro

muhammad.yanuarary@gmail.com

Magister Keamanan Jaringan dan Informasi

Departemen Teknik Elektro, Fakultas Teknik Universitas Indonesia

Jakarta, Indonesia

Abstrak—Teknologi komunikasi nirkabel atau seluler merupakan sebuah teknologi yang terus berkembang pesat di dunia. Diawali dengan munculnya 1G, lalu kemudian disusul oleh 2G, 3G, 4G dan sebentar lagi 5G dalam waktu yang tidak lama. Perkembangan teknologi ini mengakibatkan teknologi yang lebih lama jadi tidak lagi diminati oleh pengguna, dikarenakan pengguna yang bermigrasi ke teknologi yang lebih baru. Untuk itu diperlukan suatu pendekatan dan penelitian untuk menentukan kapan sebuah perusahaan layanan operator dapat menghentikan layanan seluler yang sudah tak lagi diminati seperti layanan 2G. pada makalah ini akan dihitung perkiraan jumlah pengguna layanan 2G di Asia Pasifik untuk 6 tahun ke depan, sehingga dapat diketahui kapan layanan ini sebaiknya dihentikan oleh para operator jaringan.

Kata Kunci—; Operator, Jaringan, 2G, 4G, Perkiraan

I. PENDAHULUAN

Teknologi komunikasi nirkabel terus berkembang dengan pesat apalagi di era IoT saat ini. Pada mulanya teknologi komunikasi nirkabel hanya bisa digunakan untuk berkomunikasi secara linguistik. Akan tetapi kini bahkan memungkinkan kita untuk berkomunikasi secara audio visual. Dan ke depannya seluruh benda dapat terkoneksi ke internet melalui teknologi nirkabel ini.

Munculnya teknologi baru dengan cepat membuat semakin cepat pula transisi dari satu teknologi ke teknologi lainnya. Sebagai contoh teknologi 1G atau yang kita kenal sebagai GPRS, kini sudah sangat sedikit penggunanya, meskipun masih ada beberapa operator jaringan yang masih menyediakan layanan tersebut. Begitu pula dengan munculnya teknologi 4G beberapa tahun kebelakangan ini, membuat teknologi 2G atau bisa disebut juga sebagai EDGE

mulai ditinggalkan penggunanya. Apalagi teknologi 5G sudah mulai diuji dan sebentar lagi akan mulai hadir di tengah – tengah kita.

Bagi para operator jaringan, perkembangan teknologi komunikasi nirkabel yang begitu cepat, membutuhkan sebuah pendekatan untuk menghitung sebesar apa sumber daya yang diperlukan untuk mendukung teknologi yang sudah tidak dipakai lagi. Bagi operator jaringan, telekomunikasi adalah sebuah bisnis, sehingga perlu perhitungan dalam setiap biaya yang diperlukan, termasuk biaya perawatan BTS dan layanan yang ada. Akan sangat boros, jika terus menyediakan layanan yang tidak digunakan atau tidak diminati lagi oleh pengguna, karena tentu dibutuhkan biaya lebih untuk melakukan perawatan terhadap infrastruktur dan biaya pelayanan terhadap pengguna. Salah satunya disini adalah teknologi 2G yang sudah mulai ditinggal.

(2)

Gambar. 1. Proporsi Jaringan 2G, 3G dan 4G di Asia Pasifik [1]

Berdasarkan data pada diagram di atas, maka diperlukan sebuah proyeksi tentang kebutuhan layanan 2G selama 6 tahun ke depan, untuk memperhitungkan nilai investasi yang perlu dikeluarkan oleh para operator jaringan dan kapan mereka harus memutuskan layanan 2G mereka, yaitu ketika tidak ada lagi permintaan dari pengguna.

II.TINJAUANPUSTAKA

A. Perkembangan Teknologi Komunikasi Nirkabel

Teknologi nirkabel generasi pertama atau 1G adalah yang teknologi komunikasi nirkabel yang murni analog, dengan kecepatan hingga 2.4 kbps. Teknologi ini pertama kali diluncurkan oleh Advance Mobile Phone System

(AMPS) di Amerika untuk melayani panggilan suara dalam

satu negara [2]. Teknologi ini pun berkembang menjadi Time

Division Multiple Access (TDMA) dan Code Division Multi Access (CDMA) yang mengizinkan pembagian sinyal

berdasarkan waktu dan kode. Salah satu teknologi dari TDMA adalah GSM yang berkembang di Eropa dan digunakan lebih dari 212 negara di dunia. GSM bukan hanya mampu melakukan panggilan suara, tapi juga mengirim pesan singkat (SMS) antar pengguna.

Selanjutnya pada tahun 1991, GSM berkembang menjadi teknologi nirkabel generasi kedua atau 2G. Perbedaan 2G dan 1G, adalah 2G sudah mampu mengirimkan pesan multimedia atau MMS dan sudah tidak murni analog, jaringannya bersifat digital [2]. 2G sendiri sempat berkembang menjadi 2.5G dengan teknologi GPRS dan 2.75G dengan teknologi EDGE, sebelum berkembang menjadi 3G. GPRS membuat teknologi 2G mampu memberikan kecepatan hingga 153.6kbps, sedangkan EDGE membuat kecepatan naik hingga 236.8kbps.

Teknologi penerus EDGE pun mulai dikembangkan pada tahun 2000 dan mulai beroperasi pada tahun 2005. Inilah yang disebut dengan teknologi nirkabel generasi ketiga atau 3G. 3G mampu melakukan transfer data dengan kecepatan antara 125kbps hingga 2 Mbps. Pada zaman 3G ni pula dikenallah panggilan video, komunikasi yang cepat, TV bergerak dan Konferensi Video.

Sekitar lima tahun setelah kemunculan 3G, muncul kembali teknologi penerus 3G, yaitu teknologi nirkabel generasi keempat atau 4G, yang mana mendukung fitur

Video On Demand, Mobile TV dan telemedicine [2].

Teknologi inilah yang disiapkan untuk mendukung era

Internet of Things atau IoT. Teknologi 4G merupakan

teknologi yang bisa dikan murni digital, karena panggilan suara tidak lagi dikirimkan secara analog, melainkan digital melalui teknologi Voice over LTE (VoLTE).

Saat ini sedang digarap teknologi penerus 4G, yaitu teknologi nirkabel generasi kelima atau 5G yang seluruhnya berbasiskan nirkabel tanpa limitasi, teknologi ini nantinya juga diharapkan didukung oleh AI, IPv6, dan sistem HAPS serta TV dengan kualitas High Definition atau HD.

B. Perkiraan dan Analisis Regresi

Perkiraan adalah sebuah aktivitas berbasis model yang paling mendasar dalam sebuah organisasi. Inti dari anggaran adalah perkiraan. Perkiraan hanyalah prediksi tentang nilai data masa depan. Namun, sebagian besar perkiraan model ekstrapolasi menganggap bahwa masa lalu adalah proksi untuk masa depan.

Banyak metode peramalan yang tersedia, dan semua praktisi memiliki favorit mereka. Pada umumnya, metode dapat dibagi menjadi tiga kelompok: (1) metode penilaian, (2) metode regresi, dan (3) metode ekstrapolasi. Yang pertama Ini pada dasarnya tidak berurutan dan tidak dibahas disini. Model regresi, juga disebut model kausal, meramalkan sebuah variabel dengan memperkirakan hubungannya dengan variabel lainnya. Misalnya, perusahaan mungkin menggunakan model regresi untuk memperkirakan hubungan antara penjualan dan tingkat periklanannya, pendapatan penduduk, tingkat suku bunga, dan kemungkinan lainnya. Teknik regresi sangat populer, karena fleksibilitas dan kekuatannya. Regresi dapat memperkirakan hubungan antara variabel time-series atau variabel

cross-sectional (yang diamati pada satu titik waktu), dan dapat

memperkirakan hubungan linear atau non linear [3].

(3)

Kategorisasi kedua dari analisis regresi melibatkan jumlah variabel dalam analisis Pertama, kita harus memperkenalkan beberapa syarat. Dalam setiap studi regresi, tujuannya adalah untuk menjelaskan atau memprediksi suatu variabel tertentu. Ini disebut variabel dependen (atau variabel respons) dan sering dilambangkan secara umum sebagai Y. Untuk membantu menjelaskan atau memprediksi variabel dependen, satu atau lebih variabel penjelas digunakan. Variabel ini adalah juga disebut variabel independen atau variabel prediktor, dan mereka sering dilambangkan secara umum sebagai Xs. Jika ada satu variabel penjelas, analisisnya disebut regresi sederhana. Jika ada beberapa variabel penjelas, maka disebut regresi berganda [3]. Pada makalah ini digunakan metode

time-series dengan metode regresi sederhana.

Ini adalah persamaan garis kuadrat-terkecil yang melewati bagian Y versus X. Karena kita memperkirakan garis lurus, persamaan regresi-nya adalah Y = a + bX, di mana, seperti pada aljabar dasar, a disebut intercept dan b disebut slope.

Pada metode regresi sederhana time-series, variabel penjelas waktu, biasanya disimbolkan sebagai t (bukan X). Dalam kasus ini, variabel dependen Y adalah variabel

time-series, contoh penjualan bulanan perusahaan, dan tujuan

regresi adalah untuk melihat apakah variabel dependen ini mengikuti tren sepanjang waktu. Jika ada kecenderungan linier, persamaan untuk Y adalah : y = a + bt. Jika b> 0, maka Y cenderung meningkat dengan b unit setiap periode waktu, sedangkan jika b > 0, maka Y cenderung menurun dengan b unit setiap periode waktu. Atau, jika ada kecenderungan eksponensial, persamaan untuk Y memiliki bentuk Y = aebt

Dalam hal ini, variabel Y berubah sesuai dengan persentase konstan setiap periode waktu, dan persentase ini kira-kira sama dengan koefisien eksponen, b [3].

Variabel Y time-series biasanya berisi satu atau lebih komponen. Komponen ini dapat terdiri dari komponen tren, komponen musiman, komponen siklik, dan komponen acak (atau noise). Grafik pada gambar 2 ini menunjukkan waktu t pada sumbu horizontal dan nilai observasi Y pada sumbu vertikal. Diasumsikan Y diukur secara teratur pada setiap interval, seperti hari, minggu, bulan, kuartal, atau tahun. Nilai Y pada periode t dinotasikan sebagai Yt. Seperti yang

ditunjukkan pada gambar, masing-masing poin biasanya diikuti garis lurus untuk membuat pola dalam deret waktu lebih jelas. Sedangkan bentuk linier, eksponensial dan grafik S ditunjukkan pada gambar 3.

Gambar. 2. Contoh Garis Dasar time-series [3]

Gambar. 3. Contoh Garis Linear (a), Eksponensial (b) dan berbentuk S (c) [3]

C. Metode Pengukuran Kesalahan dalam Perkiraan

Bila digunakan metode ekstrapolasi, dapat dibangun sebuah model untuk melacak data historis yang diamati, dan kemudian digunakan model ini untuk meramalkan nilai data masa depan. Satu-satunya cara untuk bisa menilai apakah perkiraan masa depan cenderung bagus adalah mengukur seberapa baik model dengan data historis Analis time-series biasanya menggunakan beberapa ukuran [3].

Ada tiga langkah yang dapat digunakan di sini. Contoh Yt menjadi nilai yang teramati dalam periode waktu t.

Dengan model peramalan apa pun, Ft merupakan nilai

ramalan satu periode setelah Yt [3]. Sebagai contoh, untuk

data bulanan, jika t adalah bulan Juli, maka Ft adalah ramalan

untuk nilai bulan Juli yang didapat berdasarkan persamaan Y(t) dengan t adalah bulan Juli. Kemudian kita bandingkan nilai Yt dan Ft, dan Kesalahan dinotasikan sebagai Et dengan

Et = Yt - Ft.

Dari nilai Et itu dapat dihitung nilai akurasi peramalan

yaitu adalah MAE (Mean Absolut Kesalahan), MSE (Mean

Square Kesalahan) dan RMSE (Root Mean Square

(4)

III. METODOLOGI

Metodologi yang digunakan dalam paper ini adalah menghitung nilai dari MAE, RMSE dan MAPE terhadap beberapa metode yang dipilih, yaitu metode linier, eksponensial dan polinomial, lalu dengan membandingkan ketiga nilai Kesalahan, disimpulkanlah metode yang paling tepat dan ditentukanlah data untuk penggunaan jaringan 2G pada 6 tahun terakhir dan saran untuk menentukan kapan layanan

Tabel. 1. Data Penetrasi 2G di Asia Pasifik menurut GMSA [1]

Tahun Penetrasi Layanan 2G (%)

2012 79

2013 72

2014 64

2015 55

2016 47

Data aktual atau (Y) untuk perhitungan, didapatkan dari GMSA Alliance. Nilai Y merupakan jumlah pengguna layanan 2G pada setiap tahun dibandingkan dengan jumlah seluruh pengguna layanan seluler di Asia Pasifik dalam persentase. Contoh berdasarkan informasi di tabel, jumlah pengguna layanan 2G pada tahun 2012 adalah 79% terhadap jumlah seluruh pengguna layanan seluler (2G, 3G dan 4G) di Asia Pasifik. Begitu pula untuk tahun – tahun berikutnya.

Untuk menentukan metode yang diperkirakan, maka dibuatlah grafik berdasarkan pada data di tabel 1. Grafik tersebut dapat dilihat pada gambar 5. Dari grafik, dipilihlah beberapa metode yang mungkin sesuai untuk melakukan ramalan terhadap penetrasi layanan 2G di Indonesia. Dipilihlah 3 tren, yaitu Linier, Eksponensial dan Polinomial orde 2.

Gambar. 4. Grafik Penetrasi Layanan 2G di Asia Pasifik menurut GSMA

IV. HASILPENELITIANDANPEMBAHASAN

A. Perhitungan Ramalan dengan Tren Linier

Perhitungan pertama, dipilih tren linier, dikarenakan tren data pada grafik, menyerupai garis linear, sehingga dicoba menggunakan tren linier. Dengan melakukan perhitungan, maka didapatkanlah nilai dari Ft, Et, | Et | dan (Et)2 seprti pada

tabel 2. Adapun persamaan yang didapatkan adalah sebagai berikut.

Y = 87,7 - 8,1t

Tabel. 2. Nilai Ramalan 6 tahun ke depan dan Nilai Kesalahan Tren Linier

Tahun Yt t Ft Yt -Ft |Yt -Ft| ( Yt -Ft)2

2012 79 ₁ _79,60 _-0,60 _0,60 _0,36

2013 72 ₂ _71,50 _0,50 _0,50 _0,25

2014 64 3 63,40 0,60 0,60 0,36

2015 55 ₄ _55,30 _-0,30 _0,30 _0,09

2016 47 ₅ _47,20 _-0,20 _0,20 _0,04

2017 - 6 39,10 -39,10 39,10 1528,81

2018 - 7 31,00 -31,00 31,00 961,00

2019 - ₈ _22,90 _-22,90 _22,90 _524,41

2020 - ₉ _14,80 _-14,80 _14,80 _219,04

2021 - ₁₀ _6,70 _-6,70 _6,70 _44,89

2022 - 11 -1,40 1,40 1,40 1,96

Total -113,100 118,100 3281,210

Berikut adalah grafik perbandingan nilai riil dan nilai ramalan hingga 6 tahun ke depan (tahun 2022).

0 20 40 60 80 100

2012 2013 2014 2015 2016

Tahun

(5)

Gambar. 5. Grafik Ramalan Penetrasi Layanan 2G 6 tahun ke Depan dengan Tren Linier di Asia Pasifik

B. Perhitungan Ramalan dengan Tren Eksponensial

Perhitungan kedua, dipilih tren eksponensial, untuk sebagai perbandingan terhadap tren linier. Dengan melakukan perhitungan, maka didapatkanlah nilai dari Ft, Et,

| Et | dan (Et)2 seperti pada tabel 3. Adapun persamaan yang

didapatkan adalah sebagai berikut.

Y = 92,284e

-0,131t

Tabel. 3. Nilai Ramalan 6 tahun ke depan dan Nilai Kesalahan Tren Eksponensial

2012 79 ₁ _80,95 _-1,95 _1,95 _3,81

2013 72 2 71,01 0,99 0,99 0,97

2014 64 3 62,29 1,71 1,71 2,91

2015 55 ₄ _54,65 _0,35 _0,35 _0,13

2016 47 ₅ _47,94 _-0,94 _0,94 _0,88

2017 6 42,05 -42,05 42,05 1768,24

2018 ₇ _36,89 _-36,89 _36,89 _1360,68

2019 ₈ _32,36 _-32,36 _32,36 _1047,06

2020 9 28,39 -28,39 28,39 805,72

2021 _{10 24,90} _-24,90 _24,90 _620,01

2022 _{11 21,84} _-21,84 _21,84 _477,11

Total -186,267 192,360 6087,530

Gambar. 6. Grafik Ramalan Penetrasi Layanan 2G 6 tahun ke Depan dengan Tren Eksponensial di Asia Pasifik

C. Perhitungan Ramalan dengan Tren Polinomial Orde 2

Perhitungan ketiga, dipilih tren polinomial orde, untuk sebagai perbandingan terhadap tren eksponensial. Dengan melakukan perhitungan, maka didapatkanlah nilai dari Ft, Et,

| Et | dan (Et)2 seperti pada tabel 4. Adapun persamaan yang

didapatkan adalah sebagai berikut.

Y = -0,2143t

2

_{- 6,8143t + 86,2}

Tabel. 4. Nilai Ramalan 6 tahun ke depan dan Nilai Kesalahan Tren Polinomial Orde 2

2012 79 ₁ _79,17 _-0,17 _0,17 _0,03

2013 72 ₂ _71,71 _0,29 _0,29 _0,08

2014 64 3 63,83 0,17 0,17 0,03

2015 55 ₄ _55,51 _-0,51 _0,51 _0,26

2016 47 ₅ _46,77 _0,23 _0,23 _0,05

2017 6 37,60 -37,60 37,60 1413,71

2018 ₇ _28,00 _-28,00 _28,00 _783,96

2019 ₈ _17,97 _-17,97 _17,97 _322,94

2020 ₉ _7,51 _-7,51 _7,51 _56,45

2021 ₁₀ _-3,37 _3,37 _3,37 _11,38

2022 11 -14,69 14,69 14,69 215,73

Total -73,020 110,514 2804,610

y = -8,1x + 87,7

-20 0 20 40 60 80 100

2012 2013 2014 2015 2016 2017 2018 2019 2020 2021 202

Tahun

Ramalan Penet rasi Layanan 2G (%)

y = 92,284e-0,131x

0 20 40 60 80 100

2012 2013 2014 2015 2016 2017 2018 2019 2020 2021 2022

Tahun

(6)

Gambar. 7. Grafik Ramalan Penetrasi Layanan 2G 6 tahun ke Depan dengan Tren Polinomial Orde 2 di Asia Pasifik

D. Pemilihan Tren dan Pembahasan

Dari ketiga tren yang dipilih, maka dihitunglah nilai MAE, MSE dan RMSE dari masing – masing tren untuk kemudian dibandingkan. Hasil perhitungan dari MAE, MSE dan RMSE tiap tren, dapat dilihat pada tabel 5.

Tabel. 5. Hasil Perhitungan Nilai MAE, MSE dam RMSE dari ketiga Tren

Metode Eksponensial

Metode Linier

Metode Polinomial 2

MAE 38,472 23,620 22,103

MSE 1217,506 656,242 560,922

RMSE 34,893 25,617 23,684

Berdasarkan hasil nilai MAE, MSE dam RMSE dari ketiga jenis tren, maka diketahui bahwa nilai MAE, MSE dan RMSE yang paling kecil didapatkan pada ramalan menggunakan tren Polinomial Orde 2. Sehingga dapat disimpulkan bahwa tren yang paling tepat untuk menggambarkan kasus penetrasi layanan 2G di Asia Pasifik adalah tren Polinomial orde kedua.

Selanjutnya menggunakan nilai ramalan dari persamaan polinomial orde kedua, maka kita dapatkan nilai

ramalan penetrasi layanan 2G di Asia Pasifik pada tahun 2017 hingga 2022, yaitu 37,6% pada tahun 2017, 28% pada tahun 2018, 17,97% pada tahun 2019 dan 7,5% pada tahun 2020. Adapun untuk tahun 2021 dan 2022, nilainya masing – masing -3,37% dan -14,69%. Adapun nilai minus pada tahun 2021 dan 2022 menggambarkan bahwa tidak akan ada lagi pengguna layanan 2G di Asia Pasifik. Sehingga dalam hal ini, dapat kita sarankan kepada para operator jaringan untuk menghentikan layanan 2G-nya maksimal pada akhir tahun 2020.

V. KESIMPULAN

Berdasarkan hasil pembahasan menggunakan perhitungan ramalan untuk 6 tahun kedepan, maka dapat kita ketahui bahwa tren terbaik diwakili oleh persamaan polinomial orde kedua dan dari hasil perhitungan ramalan untuk tahun 2017 hingga tahun 2022, didapatkan jumlah pengguna layan 2G yang terus menurun dan puncaknya ada di tahun 2020, sekitar 7,5% dan tahun 2021 dan 2022 digambarkan bahwa sudah tidak ada lagi pengguna layanan 2G (ditandai dengan nilai minus pada hasil ramalan). Dari hasil perhitungan dan analisa, maka dapat kita sarankan agar para operator menghentikan layanan 2G paling lama pada akhir tahun 2020. Sekiranya hasil percobaan dan perhitungan ini dapat menjadi masukan bagi para operator jaringan untuk memutuskan kapan akan menonaktifkan layanan seluler generasi keduanya di Asia Pasifik.

REFERENSI

[1] GSMA Intelligent, “The Mobile Economy Asia Pacific”, dalam laporan tahunan Mobile Economy GSMA, London, UK, 2017.

[2] Jay R Churi, Sudhish T Surendran, Shreyas Ajay Tigdi and Sanket Yewale.“Evolution of Networks (2G-5G)”. IJCA Proceedings on International Conference on Advances in Communication and Computing Technologies 2012 ICACACT(3):8-13, August 2012

[3] Wayne L. Winston, S. Christian Albright, Practical Management Science

4th_{Edition. United States of America : South Western Cengage}

Learning.2011.

y = -0,2143x2_{- 6,8143x + 86,2}

-20 0 20 40 60 80 100

2012 2013 2014 2015 2016 2017 2018 2019 2020 2021 20

Tahun