ANALISIS DAN IMPLEMENTASI ALGORITMA GENETIKA PADA PELATIHAN JARINGAN GSM UNTUK PERKIRAAN TRAFIK JARINGAN GSM

(1)

ANALISIS DAN IMPLEMENTASI ALGORITMA GENETIKA PADA PELATIHAN JARINGAN GSM UNTUK PERKIRAAN TRAFIK JARINGAN GSM

Muhammad Chafidh M¹, Andrian Rakhmatsyah², Tjokorda Agung Budi Wirayuda³

¹Teknik Informatika, Fakultas Teknik Informatika, Universitas Telkom

Abstrak

Dengan semakin berkembangnya teknologi informasi, nilai trafik suatu jaringan GSM dapat diperkirakan dengan melihat data historis (time series) trafik yang sudah ada sebelumnya.

Pembuatan sistem ini diharapkan dapat membantu suatu perusahaan telekomunikasi dalam mengambil keputusan akan strategi layanan yang akan diambil. Dengan sistem ini, perusahaan dapat melihat bagaimana kecenderungan pertumbuhan trafik GSM. Dengan demikian,

perusahaan dapat melakukan langkah antisipasi akan pertumbuhan trafik tersebut dan dapat menggunakannya sebagai pedoman untuk melakukan re-engineering network elemen.

Pada tugas akhir ini dikembangkan suatu sistem untuk memperkirakan nilai trafik jaringan GSM berdasarkan data historis trafik yang bersangkutan dengan menggunakan jaringan syaraf tiruan (JST) yang dilatih menggunakan Algoritma Genetika (AG) dengan melihat nilai fitness-nya.

Data yang digunakan adalah data historis trafik dari bulan November 2006 sampai April 2007 milik Telkomsel Kalimantan Barat. Dari data tersebut JST memperkirakan nilai trafik

berdasarkan input nilai trafik beberapa hari sebelumnya.

Kata Kunci : Jaringan Syaraf Tiruan, Algoritma Genetika, trafik, nilai fitness,

Abstract

Expanding variety of information technology, GSM network traffic could be predicted based on the historical traffic data (time series). The aim of developing the system is to help for strategy decision in a business telecommunication company. Trend of traffic's growth could be looked using this system. So, the company can anticipate and use it as a guidance to re-engineering network element.

This final project is built to forecast GSM network traffic based on historical traffic data using Genetic Algorithm in Artificial Neural Network Training by looking their fitness value.

Data that used in this system based on Telkomsel West Kalimantan's historical traffic data from November 2006 to April 2007. Artificial Neural Network forecast traffic value in a day based on series input traffic value a few days before.

Keywords : Artificial Neural Network, Genetic Algorithm, traffic, fitness value,

Powered by TCPDF (www.tcpdf.org)

Fakultas Teknik Informatika Program Studi S1 Teknik Informatika

(2)

1

1. Pendahuluan

1.1 Latar Belakang

Dewasa ini perkembangan teknologi jaringan telepon selular di Indonesia sangat pesat terutama yang berbasiskan teknologi jaringan GSM (Global System for Mobile communications). Hampir setiap masyarakat menggunakan layanan teknologi ini. Hal ini tak lepas dari strategi pemasaran para pelaku bisnis komunikasi selular serta makin tingginya kebutuhan masyarakat Indonesia akan informasi. Untuk itulah perusahaan besar telekomunikasi seperti Telkomsel dan Indosat berlomba-lomba menawarkan layanan terbaik kepada masyarakat.

Dalam kaitannya dengan strategi layanan, dibutuhkan suatu fasilitas yang membantu dalam mengambil keputusan akan strategi yang akan diambil. Salah satu fasilitas yang cukup membantu adalah aplikasi perkiraan trafik jaringan GSM. Dengan adanya aplikasi tersebut perusahaan dapat mengetahui akan perkiraan trafik GSM pada waktu-waktu tertentu sesuai data yang sudah ada sebelumnya. Selain itu, perusahaan juga dapat melihat bagaimana tren pertumbuhan trafik GSM. Dengan demikian, perusahaan dapat melakukan langkah antisipasi akan pertumbuhan trafik tersebut dan dapat menggunakannya sebagai pedoman untuk melakukan re-engineering network elemen.

Pada tugas akhir ini dibuat aplikasi perkiraan trafik jaringan GSM menggunakan jaringan syaraf tiruan Feed Forward Neural Network (FFNN) dengan algoritma genetika sebagai algoritma pelatihannya. Penggunaan jaringan syaraf tiruan didasarkan pada kemampuannya untuk memberi keputusan terhadap data yang belum pernah dipelajari, sedangkan penggunaan algoritma genetika untuk pelatihan jaringan syaraf tiruan adalah karena algoritma genetika memiliki sifat generalitas dalam menyelesaikan berbagai masalah dan lebih dinamis atau fleksibel dalam pembangunan jaringan syaraf tiruan. Aplikasi tersebut dibangun menggunakan bahasa pemrograman MATLAB(MATrix LABoratory) karena pada MATLAB telah tersedia fitur-fitur operasi matriks yang banyak digunakan oleh operasi algoritma genetika.

1.2 Perumusan Masalah

Beberapa permasalahan dalam tugas akhir ini dapat didefinisikan dalam berbagai hal berikut :

1. Bagaimana mengimplementasikan aplikasi perkiraan trafik jaringan GSM menggunakan jaringan syaraf tiruan Feed Forward Neural Network (FFNN).

2. Bagaimana menganalisa dan memodelkan trafik jaringan GSM yang tepat sebagai input untuk jaringan syaraf tiruan.

3. Bagaimana mengimplementasikan algoritma genetika sebagai algoritma belajar dalam menentukan bobot jaringan syaraf tiruan.

4. Bagaimana menganalisa output yang dihasilkan oleh jaringan syaraf tiruan dalam memperkirakan trafik jaringan GSM.

(3)

2

1.3 Tujuan

Tujuan yang hendak dicapai dalam tugas akhir dengan judul “Analisis Dan Implementasi Algoritma Genetika Pada Pelatihan Jaringan Syaraf Tiruan Untuk Perkiraan Trafik Jaringan GSM” ini adalah:

1. Mengimplementasikan jaringan syaraf tiruan Feed Forward Neural Network (FFNN) pada aplikasi perkiraan trafik jaringan GSM.

2. Mengimplementasikan algoritma genetika sebagai algoritma pelatihan jaringan syaraf tiruan.

3. Menganalisis tingkat keakurasian output nilai trafik dari jaringan syaraf tiruan.

1.4 Batasan Masalah

Dalam implementasi tugas akhir ini dibatasi oleh beberapa hal, sebagai berikut :

1. Jaringan GSM yang digunakan terbatas pada jaringan Telkomsel Kalimantan Barat, dan terbatas juga untuk trafik dalam satu BSC (Base Station Controller).

2. Analisis hanya dilakukan terhadap nilai trafik untuk satu cell dalam satu BTS.

3. Analisis yang dilakukan adalah per hari (on peak dan off peak) dan juga per hari libur.

4. Jaringan syaraf tiruan yang dibuat adalah Feed Forward Neural Network (FFNN).

5. Peramalan dengan JST ini tidak dibandingkan dengan sistem peramalan yang lain ataupun jenis peramalan yang lain.

6. Parameter performansi JST yang digunakan adalah tingkat kesalahan atau error antara data output dan data target.

7. Arsitektur JST yang digunakan hanya melibatkan satu hidden layer.

8. Menggunakan bahasa pemrograman MATLAB.

1.5 Metode Penyelesaian Masalah

Metode penelitian yang digunakan untuk memecahkan permasalahan dalam Tugas Akhir ini terdiri dari 5 tahap, yaitu:

1. Tahap Pengumpulan Data dan Studi Literatur

Pada tahap ini akan dilakukan pengumpulan data yang dibutuhkan seperti data trafik jaringan GSM (data trafik jaringan GSM Telkomsel Kalimantan Barat), selain itu pada tahap ini juga dilakukan pendalaman pemahaman terhadap konsep dan teori tentang trafik jaringan GSM, jaringan syaraf tiruan Feed Forward Neural Network(FFNN), dan algoritma genetika baik yang berasal dari buku, artikel, ataupun dari website.

2. Tahap Pembangunan Model

Pada tahap ini akan dilakukan perancangan sistem dan perangkat lunak yang akan diimplementasikan baik itu berupa pemodelan masukan(input), penetapan keluaran(output), arsitektur jaringan, serta parameter-parameter lainnya. Perancangan sistem dan perangkat lunak ini nantinya akan dimodelkan dengan Data Flow Diagram(DFD).

(4)

3

3. Tahap Implementasi Pemrograman

Pada tahap ini akan dilakukan implementasi jaringan syaraf tiruan dengan algoritma genetika sebagai algoritma pelatihan dalam pembuatan perangkat lunak aplikasi perkiraan trafik jaringan GSM dengan menggunakan bahasa pemrograman MATLAB. Apabila dalam pemrograman ditemukan kesalahan, maka akan langsung diperbaiki.

4. Tahap Pelatihan dan Pengujian

Pada tahap ini akan dilakukan pelatihan dengan menggunakan algoritma genetika terhadap jaringan syaraf tiruan yang telah dibuat sebelumnya dengan memberikan input pelatihan yang sesuai. Setelah itu, jaringan akan diuji dengan pemberian input yang berbeda dengan data pelatihan sebelumnya.

5. Tahap Analisis Hasil

Dari tahap yang dilakukan sebelumnya, kemudian akan dilakukan analisis terhadap output yang dihasilkan dari aplikasi. Pada tahap ini akan dilihat apakah jaringan syaraf tiruan akan menghasilkan output data trafik yang bagus sesuai pelatihan yang telah dilakukan sebelumnya.

6. Tahap Pembuatan Laporan

Laporan yang akan dihasilkan berupa buku Tugas Akhir. Pembuatan laporan dengan mengikuti kaidah penulisan yang berlaku yang berisi mengenai semua dasar teori dan juga hasil dari penelitian tugas akhir.

1.6 Sistematika Penulisan

Tugas akhir ini disusun dengan sistematika penulisan sebagai berikut : BAB I Pendahuluan

Bab ini menguraikan tugas akhir ini secara umum, meliputi latar belakang masalah, perumusan masalah, tujuan, batasan masalah, dan metode yang digunakan.

BAB II Landasan Teori

Bab ini membahas mengenai uraian teori yang berhubungan dengan jaringan GSM, jaringan syaraf tiruan, serta algoritma genetika khususnya dalam hal pelatihan terhadap Feed Forward Neural Network.

BAB III Analisis dan Perancangan Perangkat Lunak

Bab ini berisi analisis kebutuhan dari sistem dan masalah-masalah yang ada di dalamnya. Hasil analisis ini dituangkan ke dalam suatu sistem pemodelan secara terstruktur. Dari tahap analisis kemudian dilanjutkan ke tahap perancangan dan implementasi.

BAB IV Implementasi dan Analisis Hasil Percobaan

Bab ini membahas mengenai pengujian hasil implementasi yang telah dilakukan pada bab sebelumnya. Pengujian dilakukan dengan membandingkan hasil implementasi dengan data aslinya. Tahap Pengujian dilanjutkan dengan tahap analisis hasil pengujian.

BAB V Kesimpulan dan Saran

Berisi kesimpulan dari penulisan Tugas Akhir ini dan saran-saran yang diperlukan untuk pengembangan lebih lanjut.

(5)

45

5. Kesimpulan dan Saran

5.1 Kesimpulan

Kesimpulan yang dapat diambil pada tugas akhir ini antara lain:

1. Algoritma Genetika dapat digunakan dalam melakukan pelatihan terhadap JST dalam kasus peramalan dengan menghasilkan performansi yang cukup baik.

2. Secara umum JST memiliki kemampuan yang cukup baik dalam melakukan perkiraan nilai trafik GSM karena menghasilkan nilai error rate rata-rata yang rendah pada perkiraan 6 hari untuk trafik TCH, 16 hari untuk trafik SDCCH, dan 7 hari untuk trafik BHCA.

3. Pembuatan JST dilakukan sesuai dengan tipe hari (weekday, weekend, libur nasional) karena melihat karakteristik nilai data yang berbeda untuk tipe hari yang berbeda.

5.2 Saran

Saran-saran untuk pengembangan tahap selanjutnya antara lain:

1. Perlu analisis lebih lanjut terhadap perbandingan performansi yang dihasilkan dalam pelatihan JST dengan menggunakan AG maupun dengan menggunakan algoritma pelatihan lainnya.

2. Perlu data time series yang lebih banyak (minimal satu periode) untuk memudahkan JST dalam mengetahui kecenderungan data sehingga dapat meminimalkan jumlah JST yang dibangun untuk dapat mempercepat proses.

3. Perlu analisis lebih lanjut mengenai variasi arsitektur JST lainnya seperti penambahan jumlah hidden layer dan jumlah neuron pada output layer.

4. Perlu analisis lagi untuk perkiraan nilai trafik pada lokasi cell dan BTS yang berbeda.

(6)

46

Daftar Pustaka

[1] Brouwer, R.K., Pedrycz, W. A. Feed Forward Network and Its Training Algorithm for Producing Sets.

[2] Dasar Trafik, Teknik Elektro Institut Teknologi Telkom Bandung.

[3] Early Stopping. URL: http://en.wikipedia.org/wiki/Early_stopping.

[4] Galkin, Ivans, Lowell, U.M. Crash Introduction to Artificial Neural Networks. Materials for UML 91.531 Data Mining course

[5] Goldberg, D.E. 1989. Genetic Algorithms in Search, Optimization and Machine Learning. Addison Wesley Publishing Co.

[6] Haykin, Simon. Neural Network, A Comprehensive Foundation.

Macmillan Publishing Company, USA. 1994.

[7] Hermawan, Arief. 2006. Jaringan Syaraf Tiruan Teori dan Aplikasi. Andi Yogyakarta.

[8] Kusumadewi, Sri. 2003. Artificial Intelligence (Teknik dan Perangkat lunaknya). Graha Ilmu: Yogyakarta.

[9] Modul ANN Exclusive Training 2007. Laboratorium Artificial Intelligence, Institut Teknologi Telkom Bandung.

[10] Neural Network Architecture. URL: http://cse.stanford.edu/class/

sophomore-college/projects-00/neuralnetworks/Architecture/

feedforward.html.

[11] Neural Network Principles. URL: http://scien.stanford.edu/

class/ee368/projects2000/ project2/node4.html.

[12] Overfitting. URL : http://en.wikipedia.org/wiki/Overfitting.

[13] Overfitting. URL: http://www.willamette.edu/%7Egorr/classes/cs449/

overfitting.html.

[14] Rahnema, Moe. 1993. Overview of The GSM System and Protocol Architecture. IEEE Communications Magazines.

[15] Siang, Jong Jek. 2005. Jaringan Syaraf Tiruan dan Pemrogramannya Menggunakan Matlab. Andi Yogyakarta.

[16] Suyanto. 2002. Intelejensia Buatan. Sekolah Tinggi Teknologi Telkom.

[17] Suyanto. 2005. Algoritma Genetika dalam MATLAB. Andi Yogyakarta.

[18] Tharom. Tabratas, Marta Dinata, Xerandy, 2001, “Mengenal Teknologi Informasi”, Elex Media Komputindo Jakarta.

[19] What is early stopping?. URL: http://www.faqs.org/faqs/ai-faq/neural- nets/part4/preamble.html.

[20] What is overfitting and how can I avoid it?. URL:

http://www.faqs.org/faqs/ai-faq/neural-nets/part3/preamble.html.

[21] Yuliarso, Eddy. Sistem Telepon Selular Digital GSM. Majalah Insinyur Indonesia No. 23 Thn XV.