APLIKASI JARINGAN SARAF TIRUAN SEBAGAI ALAT BANTU ANALISIS OPTIMALISASI UNJUK KERJA CALL SETUP SUCCESS RATE (CSSR) PADA KOMUNIKASI GSM Heri Setio Jatmiko*), Imam Santoso, Ajub Ajulian Zahra Jurusan Teknik Elektro, Universitas Diponegoro Semarang Jl. Prof. Sudharto, SH, kampus UNDIP Tembalang, Semarang 50275, Indonesia *)
Email:
[email protected]
Abstrak Saat ini teknologi Global System for Mobile Communications (GSM) masih banyak digunakan oleh para penyedia (provider) layanan telekomunikasi seluler di Indonesia. Teknologi GSM merupakan salah satu aplikasi teknologi telekomunikasi digital yang mempunyai frekuensi 900 MHz dan 1800 MHz. Hal yang harus diperhatikan oleh penyedia layanan telekomunikasi seluler yaitu kinerja jaringan komunikasi GSM. Kinerja jaringan GSM dapat diketahui salah satunya dengan melihat performansi dari Call Setup Success Rate (CSSR). Dalam penelitian ini akan dilakukan optimalisasi unjuk kerja Call Setup Success Rate (CSSR) menggunakan jaringan saraf tiruan perambatan balik. Optimalisasi unjuk kerja CSSR dilakukan dengan mengambil data statistik hasil monitoring dari OMC-R (Operation and Maintenance Center - Radio). Beberapa data yang diambil dari OMC-R yang digunakan sebagai parameter optimalisasi CSSR yaitu Call Attempt, SDCCH (Standalone Dedicated Control Channel) Block Rate, SDCCH Drop Rate, TCH (Traffic Channel) Availability, TCH Blocking, Total Traffic, BH TCH (Busy Hour Traffic Channel), Max Available Circuit Switch. Kemudian data tersebut dilatihkan ke jaringan saraf tiruan sebagai proses pembelajaran dan selanjutnya diproses guna mendapatkan suatu pola yang mewakili karakteristik data tertentu. Tolok ukur keberhasilan sistem ini adalah saat jaringan saraf tiruan mampu memberikan suatu keputusan optimalisasi yang sesuai dengan target optimalisasi yang dilakukan oleh pihak penyedia layanan telekomunikasi. Secara keseluruhan, persentase keberhasilan optimalisasi CSSR terhadap keseluruhan data latih adalah 92,96% dan persentase keberhasilan optimalisasi CSSR terhadap keseluruhan data uji adalah 90,56%. Kata kunci: GSM, CSSR, OMC-R, JST, Optimalisasi
Abstract Currently Global System for Mobile Communications (GSM) technology is still widely used by the provider mobile telecommunications services in Indonesia. GSM technology is one of the applications of digital telecommunications technology that has a frequency of 900 MHz and 1800 MHz. It should be considered by the service providers of mobile telecommunications is a GSM communication network performance. GSM network performance can be determined by looking at the performance of the Call Setup Success Rate (CSSR). In this research will be conducted in the performance optimization of Call Setup Success Rate (CSSR) using back propagation neural network. CSSR performance optimization is done by taking the statistical data of the monitoring results of OMC-R (Operation and Maintenance Center - Radio). Some data taken from the OMC-R is used as the optimization parameters namely Call Attempt, SDCCH (Standalone Dedicated Control Channel) Block Rate, SDCCH Drop Rate, TCH (Traffic Channel) Availability, TCH Blocking, Total Traffic, BH TCH (Busy Hour Traffic Channel), Max Available Circuit Switch. The data is then trained artificial neural networks to the learning process and further processed to obtain a pattern that represents the characteristics of specific data. Measure of the success of this system is as artificial neural network capable of providing an appropriate decision optimization with optimization targets made by the telecommunications service providers. Overall, percentage of successful optimization CSSR of the overall training data is 92.96% and percentage of successful optimization CSSR of the overall test data is 90.56%. Keywords: GSM, CSSR, OMC-R, JST, Optimization
1.
Pendahuluan
Saat ini teknologi Global System for Mobile Communications (GSM) masih banyak digunakan oleh para penyedia (provider) layanan telekomunikasi seluler di Indonesia. Teknologi GSM merupakan salah satu aplikasi teknologi telekomunikasi digital yang mempunyai frekuensi 900 MHz dan 1800 MHz. Hal yang harus diperhatikan oleh penyedia layanan telekomunikasi seluler yaitu kinerja jaringan komunikasi GSM. Kinerja jaringan GSM dapat diketahui salah satunya dengan melihat performansi dari Call Setup Success Rate (CSSR). Call Setup Success Rate (CSSR) biasanya saling berhubungan dengan beberapa parameter teknis lainnya dalam suatu jaringan seperti Call Attempt, SDCCH Block Rate, SDCCH Drop Rate, TCH Availability, TCH Blocking, Total Traffic, BH TCH, Max Available Circuit Switch. Parameter tersebut digunakan untuk mengoptimalisasi performansi Call Setup Success Rate (CSSR) dan untuk membuat suatu keputusan optimalisasi CSSR perlu menggunakan algoritma pengenalan pola, salah satunya yaitu jaringan saraf tiruan. Parameter tersebut dilatihkan ke jaringan saraf tiruan sebagai proses pembelajaran dan selanjutnya diproses guna mendapatkan suatu pola yang mewakili karakteristik data tertentu. Tolok ukur keberhasilan sistem ini adalah saat jaringan saraf tiruan mampu memberikan suatu keputusan optimalisasi yang sesuai dengan target optimalisasi yang dilakukan oleh pihak penyedia layanan telekomunikasi.
Arsitektur Jaringan GSM Secara umum, network element dalam arsitektur jaringan GSM terdiri dari 4 element yaitu[8] : Mobile Station (MS) Base Station Sub-system (BSS) Network Sub-System (NSS) Operation and Support System (OSS) Secara bersama-sama, keseluruhan network element di atas akan membentuk sebuah PLMN (Public Land Mobile Network).
Gambar 1. Arsitektur GSM
Mobile Station (MS) adalah sebuah perangkat yang digunakan oleh suatu pelanggan untuk melakukan panggilan maupun sms. Base Station Sub-system (BSS) bertanggung jawab untuk pembangunan dan pemeliharaan hubungan ke MS. BSS mengalokasikan kanal radio untuk suara dan pesan data, membangun hubungan radio, dan berfungsi sebagai relay station antara MS dan MSC. Network Sub-System (NSS) merupakan bagian utama dari jaringan seluler yang terdiri dari : Mobile Switching Center (MSC), Home Location Register (HLR), Visitor Location Register (VLR), Authentication Center (AuC), Equipment Identity Registration (EIR). Operation and Support System (OSS) sering juga disebut dengan OMC (Operation and Maintenance Center) adalah sub system jaringan GSM yang berfungsi sebagai pusat pengendalian dan maintenance perangkat (network element) GSM yang terhubung dengannya. Hal yang harus diperhatikan oleh penyedia layanan telekomunikasi seluler yaitu kinerja jaringan komunikasi GSM. Kinerja jaringan GSM dapat diketahui salah satunya dengan melihat performansi dari Call Setup Success Rate (CSSR).
Call Setup Success Rate (CSSR) Dalam telekomunikasi, CSSR adalah nilai yang digunakan untuk mengukur tingkat keberhasilan jaringan dalam memberikan pelayanan baik berupa voice call, video call maupun SMS atau dengan kata lain membuka jalan untuk melakukan komunikasi. Saat hendak melakukan panggilan, call attempt memanggil prosedur call setup dan jika berhasil maka panggilan akan terhubung. Keberhasilan call setup terdiri dari dua prosedur yaitu[3] : Prosedur pertama adalah prosedur untuk membuat koneksi sinyal dari mobile station (MS) ke jaringan. Hal ini terjadi saat MS mengirimkan sebuah pesan permintaan kanal dari Random Access Channel (RACH) ke BTS untuk meminta kanal sinyal SDCCH. MS meminta sinyal SDCCH disebabkan oleh beberapa alasan yaitu: emergency call, call re-establishment, answer to paging, originating speech call, originating data call, location updating. Kemudian terjadi proses signaling antara MS dan jaringan untuk mengaktifkan kanal sinyal SDCCH dan memproses layanan yang diminta oleh MS. Keberhasilan untuk mendapatkan sinyal SDCCH ditandai dengan terkirimnya pesan dari MS ke BTS dan ke BSC. Selanjutnya terjadi proses authentikasi, ciphering, dll yang dilakukan oleh SDCCH. Prosedur kedua adalah prosedur untuk menempati Radio Resource (kanal suara). MSC adalah inisiator dari prosedur ini. MSC mengirimkan pesan ke BSC untuk meminta Radio Resource. Kemudian terjadi proses signaling antara BTS dan BSC untuk mengalokasikan dan mengaktifkan radio resource yang cocok (Traffic channel - TCH). Jika TCH tersebut berhasil diduduki oleh MS maka BTS mengirimkan pesan assignment complete ke
BSC dan BSC mengirimkan pesan assignment complete ke MSC.
mengoptimalisasi performansi Call Setup Success Rate (CSSR) dan untuk membuat suatu keputusan optimalisasi CSSR perlu menggunakan algoritma pengenalan pola, salah satunya yaitu jaringan saraf tiruan.
Jaringan Saraf Tiruan Perambatan Balik
T1
T2
T3
T4
Gambar 2. Diagram alir call setup pada GSM[3]
Sehingga dapat disimpulkan bahwa keberhasilan call setup ditandai ketika Mobile Station (MS) mampu menduduki kanal sinyal SDCCH dan menduduki traffic channel (TCH). Hal ini dapat dilihat pada gambar berikut:
SDC CH
TCH
release
Jaringan Saraf Tiruan Perambatan Balik (Backpropagation Neural Network) merupakan salah satu model dari jaringan saraf tiruan umpan maju dengan menggunakan pelatihan terbimbing yang disusun berdasar pada algoritma kesalahan perambatan balik. Pola masukan dan target diberikan sebagai sepasang data. Bobot-bobot awal dilatih dengan melalui tahap maju untuk mendapatkan galat keluaran yang selanjutnya galat ini digunakan dengan tahap mundur untuk memperoleh nilai bobot yang sesuai agar dapat memperkecil nilai galat sehinggga target keluaran yang dikehendaki tercapai. Tujuan dari model ini adalah untuk mendapatkan keseimbangan antara kemampuan jaringan untuk mengenali pola yang digunakan selama proses pelatihan berlangsung serta kemampuan jaringan memberikan tanggapan yang benar terhadap pola masukan yang berbeda dengan pola masukan selama pelatihan[4].
2. 2.1
Metode Perancangan Sistem
Sebelum membuat suatu sistem optimalisasi Call Setup Success Rate (CSSR) terlebih dahulu dilakukan perancangan sistem. Perancangan sistem merupakan tahapan penting dalam mengaplikasikan suatu konsep, baik dalam bentuk software ataupun hardware agar dalam pembuatannya dapat berjalan secara sistematis dan terstruktur sehingga dapat berjalan sesuai dengan apa yang dikehendaki. Berikut ini gambar perancangan arsitektur jaringan saraf tiruan untuk optimalisasi CSSR :
SDCCH BR SDCCH DR TCH BR Call Setup Success Gambar 3. Diagram keberhasilan call setup
Berdasarkan standar ITU-T (International Telecommunication Union– Telecommunications), nilai CSSR harus mencapai > 95%. Tetapi biasanya pihak operator memiliki standar nilai CSSR yang lebih tinggi dari standar ITU-T. PT Indosat Tbk menetapkan standar nilai CSSR >= 98%. Secara umum, perhitungan CSSR menggunakan rumus sebagai berikut[8] : CSSR = (1 - TCH Block Rate)*(1 - SDCCH Block Rate)*(1 - SDCCH Drop Rate)*(1 - TCH Ass Failure Rate) (1) Call Setup Success Rate (CSSR) biasanya saling berhubungan dengan beberapa parameter teknis lainnya dalam suatu jaringan seperti Call Attempt, SDCCH Block Rate, SDCCH Drop Rate, TCH Availability, TCH Blocking, Total Traffic, BH TCH, Max Available Circuit Switch. Parameter tersebut digunakan untuk
Gambar 4. Perancangan arsitektur jaringan saraf tiruan
Perancangan arsitektur jaringan yang digunakan dalam sistem sebagai berikut: Metode Pembelajaran : Supervised Learning Algoritma Pelatihan Jaringan : traingdx Algoritma Pelatihan Bobot dan Bias: learngdm Vektor Masukan : Matriks ukuran 8x3 Jumlah Neuron Hidden Layer : 50 buah Jumlah Hidden Layer : 1 buah Fungsi Aktivasi Hidden Layer : logsig Jumlah Output Layer : 1 buah Fungsi Aktivasi Output Layer : tansig Vektor Keluaran : Matriks ukuran 1x3 Pada gambar 4. terdapat lapisan masukan, lapisan tersembunyi dan lapisan keluaran untuk optimalisasi Call Setup Success Rate (CSSR). Pada lapisan masukan terdiri dari 8 parameter CSSR (X1 – X8) yaitu Call Attempt, SDCCH Block Rate, SDCCH Drop Rate, TCH Availability, TCH Blocking Rate, Total Traffic, BH TCH (Busy Hour Traffic Channel), Max Available Circuit Switch. Selanjutnya pada lapisan tersembunyi terdiri dari 50 buah neuron dan lapisan keluaran (Y) terdiri dari 1 buah neuron untuk memberikan keputusan optimalisasi CSSR. Terdapat 4 keputusan optimalisasi CSSR yang dikodekan dalam bentuk angka yaitu Normal (1), penambahan TCH (2),penambahan SDCCH(3),HCR (4). Berikut ini diagram alir sistem pengujian optimalisasi CSSR yang digambarkan pada gambar 5.
2.2
Tahap pelatihan Jaringan Saraf Tiruan (JST) adalah tahap untuk memperoleh nilai bobot dan bias dari tiap basis data. Untuk mendapatkan nilai bobot dan bias harus dilakukan pelatihan JST terlebih dahulu. Dalam pelatihan JST ini membutuhkan nilai basis data sebagai vektor masukan dan dilatih sesuai target yang telah ditentukan. Data masukan CSSR berupa matriks yang berukuran 3x8. Matriks ini terlebih dahulu di-transpose menjadi berukuran 8x3 agar sesuai dengan arsitektur jaringan yang telah ditentukan dan selanjutnya akan dimasukkan ke jaringan. Jaringan akan dilatih sesuai dengan target optimalisasi CSSR. Ada 4 target optimalisasi CSSR yang masing-masing target optimalisasi dikodekan dalam bentuk angka yaitu Normal (1), penambahan TCH (2), penambahan SDCCH (3), HCR (4). Pada tahap pelatihan ini akan dibuat 4 buah jaringan yang masing-masing jaringan mewakili karakteristik tiap BTS sehingga mampu memberikan keputusan optimalisasi yang sesuai dengan target optimalisasi CSSR. Setelah melakukan pelatihan jaringan tersebut maka akan didapatkan nilai bobot dan bias yang dapat digunakan dalam tahap pengujian.
2.3
Tahap Pengujian
Tahap Pengujian adalah tahap dimana data masukan CSSR baik data yang sudah dilatihkan ke JST (data latih) maupun data yang belum pernah dilatihkan ke JST (data uji) akan diuji dengan menggunakan jaringan saraf tiruan yang telah dilatihkan sebelumnya pada tahap pelatihan. Pada awalnya, data masukan CSSR berupa matriks yang berukuran 3x8. Matriks ini terlebih dahulu di-transpose menjadi berukuran 8x3 agar sesuai dengan arsitektur jaringan yang telah ditentukan dan selanjutnya akan dimasukkan ke jaringan. Pada tahap pengujian dibutuhkan nilai bobot dan bias dari hasil pelatihan jaringan agar JST dapat memberikan keputusan optimalisasi yang sesuai dengan target optimalisasi CSSR. Jadi keluaran dari jaringan ini adalah matriks berukuran 1x3. Setelah data masukan CSSR diuji dengan menggunakan JST maka akan diketahui persentase keberhasilan JST dalam memberikan keputusan optimalisasi CSSR yang sesuai dengan target optimalisasi CSSR.
2.4
Gambar 5. Diagram alir sistem pengujian
Tahap Pelatihan Jaringan
Tahap Prediksi
Tahap prediksi adalah tahap dimana JST mampu memberikan prediksi optimalisasi CSSR terhadap data CSSR yang baru. Hal ini mungkin dilakukan karena dengan diketahuinya persentase keberhasilan JST pada tahap pengujian maka JST yang memiliki persentase keberhasilan paling tinggi dirasa mampu memproses data CSSR yang baru untuk dilakukan optimalisasi CSSR. Pada tahap ini untuk menghasilkan JST yang mampu memberikan prediksi optimalisasi CSSR yang tepat maka
data CSSR yang baru harus berada dalam range nilai yang telah ditentukan karena JST telah dilatihkan dengan datadata yang berada dalam range nilai tersebut pada tahap pelatihan.
3. 3.1
Hasil dan Analisis Analisis Pelatihan Jaringan
Proses pelatihan ini dilakukan untuk mencari konfigurasi jaringan yang terbaik dengan cara mengubah konstanta belajar (learning rate) dan jumlah neuron pada lapisan tersembunyi sehingga didapatkan nilai Mean Squared Error (MSE) dan epoch untuk dilakukan analisis. Adapun nilai MSE dan epoch yang didapatkan dari hasil pelatihan dapat dilihat pada tabel 1. dan 2. Tabel 1. Perbandingan nilai MSE hasil pelatihan jaringan LT KB
0.01
0.05
0.1
0.2
10
2.32e-11
2.51e-11
2.13e-11
2.10e-11
20
1.72e-11
1.72e-11
2.04e-11
1.79e-11
30
1.65e-11
1.66e-11
1.49e-11
1.45e-11
40
1.29e-11
1.39e-11
1.37e-11
1.43e-11
50
1.11e-11
1.28e-11
1.26e-11
1.33e-11
60
1.21e-11
1.36e-11
1.17e-11
1.24e-11
Tabel 2. Perbandingan nilai epoch hasil pelatihan jaringan LT
KB
0.01
0.05
0.1
0.2
10
477
445
426
412
20
470
437
425
409
30
469
437
422
405
40
463
432
417
405
50
461
430
415
402
60
480
431
414
402
Namun jika dilihat dari nilai epoch yang dihasilkan maka konfigurasi jaringan dengan jumlah neuron lapisan tersembunyi 10 dan konstanta belajar 0.05 memiliki nilai epoch yang lebih kecil daripada epoch yang dihasilkan pada konfigurasi jaringan dengan jumlah neuron lapisan tersembunyi 50 dan konstanta belajar 0.01. Hal ini membuktikan bahwa untuk mendapatkan nilai MSE yang kecil maka dibutuhkan jumlah epoch yang relatif besar dan sebaliknya untuk mendapatkan nilai MSE yang besar maka dibutuhkan jumlah epoch yang kecil. Oleh karena itu, konfigurasi jaringan yang terbaik adalah konfigurasi jaringan dengan jumlah neuron lapisan tersembunyi 50 dan konstanta belajar 0.01 karena konfigurasi tersebut mampu menghasilkan nilai MSE yang relatif kecil dibandingkan konfigurasi jaringan yang lainnya sehingga layak digunakan pada tahap pengujian.
3.2
Hasil Pengujian Data Latih
Data performansi Call Setup Success Rate (CSSR) yang digunakan untuk data latih berjumlah 540 data. Data tersebut dilatihkan dan diuji dengan menggunakan 4 buah jaringan yaitu BTS Unnes Sekaran menggunakan jaringan dengan nama ‘Jaringanduapuluhsatu.mat’, DCS Salatiga menggunakan jaringan dengan nama ‘Jaringanduapuluh.mat’, BTS Ujung-Ujung menggunakan jaringan dengan nama ‘jaringansembilanbelas.mat’, BTS Singorojo menggunakan jaringan dengan nama ‘Jaringanduapuluhdua.mat’. Dari hasil pengujian data latih dapat diketahui persentase keberhasilan jaringan dalam memberikan keputusan optimalisasi yang sesuai dengan target optimalisasi. Berikut ini rumus persentase keberhasilan optimalisasi CSSR : (2) Persentase keberhasilan optimalisasi CSSR terhadap data latih dari 4 BTS dapat dilihat pada gambar 6.
*Hasil pelatihan dapat berubah dengan hasil tabel 1 dan 2 karena inisialisasi bobot yang berbeda untuk setiap kali pelatihan. Keterangan: LT = Jumlah neuron pada lapisan tersembunyi KB = Konstanta belajar Dapat dilihat pada tabel 1. dan 2. bahwa variasi jumlah neuron pada lapisan tersembunyi dan variasi konstanta belajar dapat mempengaruhi nilai MSE dan epoch yang dihasilkan. Hal ini terbukti pada tabel diatas bahwa nilai MSE terbesar terdapat pada konfigurasi jaringan dengan jumlah neuron lapisan tersembunyi 10 dan konstanta belajar 0.05. Sedangkan nilai MSE terkecil terdapat pada konfigurasi jaringan dengan jumlah neuron lapisan tersembunyi 50 dan konstanta belajar 0.01. Gambar 6. Grafik perbandingan hasil pengujian data latih
Dapat dilihat pada gambar 6. bahwa persentase keberhasilan optimalisasi CSSR paling tinggi terdapat pada BTS Ujung-Ujung dengan persentase keberhasilan 99,26% dan persentase keberhasilan optimalisasi CSSR paling rendah terdapat pada DCS Salatiga dengan persentase keberhasilan 87,41%. Tetapi secara keseluruhan, persentase keberhasilan optimalisasi CSSR terhadap seluruh data latih dapat dikatakan baik karena memiliki persentase keberhasilan 92,96%.
3.3
Hasil Pengujian Data Uji
Data performansi Call Setup Success Rate (CSSR) yang digunakan untuk data uji berjumlah 540 data. Dari hasil pengujian data uji dapat diketahui persentase keberhasilan jaringan dalam memberikan keputusan optimalisasi yang sesuai dengan target optimalisasi. Berikut ini rumus persentase keberhasilan optimalisasi CSSR :
3.4
Prediksi Optimalisasi CSSR
Data performansi Call Setup Success Rate (CSSR) yang digunakan untuk prediksi optimalisasi CSSR diperoleh dengan memasukkan nilai parameter CSSR secara manual berdasarkan range nilai parameter yang telah ditentukan. Berikut ini contoh prediksi optimalisasi CSSR dengan menggunakan data diluar data latih dan data uji : Total Traffic = 345 Call Attempt = 3000 BH TCH = 32 Max Available CS = 35 TCH Availability = 100 SDCCH Drop Rate = 2,1 SDCCH Block Rate= 3.4 TCH Block Rate = 0 Nama Optimalisasi = Penambahan SDCCH Total Traffic = 421 Call Attempt = 3100 BH TCH = 45 Max Available CS = 25 TCH Availability = 100 SDCCH Drop Rate = 0,002 SDCCH Block Rate= 0,01 TCH Block Rate = 4,3 Nama Optimalisasi = Penambahan TCH
(3) Persentase keberhasilan optimalisasi CSSR terhadap data uji dari 4 BTS dapat dilihat pada gambar 7.
Total Traffic = 389 Call Attempt = 4000 BH TCH = 39 Max Available CS = 35 TCH Availability = 100 SDCCH Drop Rate = 2,5 SDCCH Block Rate= 8,5 TCH Block Rate = 4,5 Nama Optimalisasi = HCR Total Traffic = 345 Call Attempt = 4000 BH TCH = 35 Max Available CS = 32 TCH Availability = 100 SDCCH Drop Rate = 0,005 SDCCH Block Rate= 0 TCH Block Rate = 0 Nama Optimalisasi = Normal Gambar 7. Grafik perbandingan hasil pengujian data uji
Dapat dilihat pada gambar 7. bahwa persentase keberhasilan optimalisasi CSSR paling tinggi terdapat pada BTS Unnes Sekaran dengan persentase keberhasilan 99,26% dan persentase keberhasilan optimalisasi CSSR paling rendah terdapat pada DCS Salatiga dengan persentase keberhasilan 85,19%. Tetapi secara keseluruhan, persentase keberhasilan optimalisasi CSSR terhadap seluruh data uji dapat dikatakan baik karena memiliki persentase keberhasilan 90,56%.
4.
Kesimpulan
Dari hasil pengujian dan analisis yang telah dilakukan pada bab sebelumnya maka dapat diambil kesimpulan bahwa konfigurasi jaringan yang terbaik adalah konfigurasi jaringan dengan jumlah neuron pada lapisan tersembunyi sebanyak 50 buah dan konstanta belajar bernilai 0,01 karena menghasilkan nilai MSE yang relatif kecil yaitu 1,11e-11 dengan epoch 461. Persentase keberhasilan optimalisasi CSSR paling tinggi pada data latih terdapat pada BTS Ujung-Ujung sebesar
99,26% dan paling rendah terdapat pada DCS Salatiga sebesar 87,41%. Tetapi secara keseluruhan, persentase keberhasilan optimalisasi CSSR terhadap seluruh data latih dapat dikatakan baik karena memiliki persentase keberhasilan 92,96%. Persentase keberhasilan optimalisasi CSSR paling tinggi pada data uji terdapat pada BTS Unnes Sekaran sebesar 99,26% dan paling rendah terdapat pada DCS Salatiga sebesar 85,19%. Tetapi secara keseluruhan, persentase keberhasilan optimalisasi CSSR terhadap seluruh data uji dapat dikatakan baik karena memiliki persentase keberhasilan 90,56%. Adapun saran yang dapat diberikan sehubungan dengan pelaksanaan penelitian ini adalah penelitian ini dapat dikembangkan untuk mengoptimalisasi unjuk kerja Call Setup Success Rate (CSSR) pada layanan data dengan menggunakan sampel data parameter BTS yang lebih banyak dan dapat dikembangkan menggunakan variasi tipe jaringan saraf tiruan yang lain seperti perceptron, hopfield, ADALINE, LVQ. Selain itu, juga dapat dikembangkan untuk mengoptimalisasi unjuk kerja Handover Successfull Rate (HOSR) dan Call Drop Rate (CDR) pada operator seluler.
[12]. Usman, Uke Kurniawan. GSM. http://nic.unud.ac.id/~lie_jasa/materi%20%28GSM%29.p df (diakses tanggal 18 juni 2013).
BIODATA PENULIS Heri
Jatmiko
( L2F009051 ) dilahirkan di Pekalongan, 9 Maret 1991. Telah menempuh pendidikan di SD Negeri Panjang Wetan 1 Pekalongan, SMP Negeri 1 Pekalongan, SMA Negeri 3 Pekalongan sedang
dan
saat
ini
menempuh
pendidikan Strata 1 Jurusan Teknik Elektro Konsentrasi Telekomunikasi,
Fakultas
Diponegoro Semarang.
Referensi [1]. Heine, Gunnar. GSM Networks: Protocols, Terminology, and Implementation. London: Artech House. 1999. [2]. Hermawan, Arief. Jaringan Saaf Tiruan Teori dan Aplikasi. Yogyakarta: Andi Offset. 2006. [3]. Kollar, Martin. Evaluation of Real Call Setup Success Rate in GSM. Acta Electrotechnica et Informatica. 2008; 8(3): 53-56. [4]. Jong, J. S. Jaringan Syaraf Tiruan dan Pemrogramannya Menggunakan Matlab. Yogyakarta: Andi Offset. 2005. [5]. Adhi, Agung Rizqie. Analisis Optimalisasi Handover Successfull Rate Terhadap TCH Drop Rate Pada Jaringan GSM. Laporan Tugas Akhir Teknik Elektro Undip. 2012. [6]. Warassih, Anggit Praharasty. Analisis Kualitas Panggilan Pada Jaringan GSM Menggunakan Tems Investigation. Laporan Tugas Akhir Teknik Elektro Undip. 2010. [7]. Jatmiko, Heri Setio. Pengolahan Data dan Analisis Call Setup Success Rate (CSSR) Performance PT. Indosat Tbk. Semarang. Laporan Kerja Praktek Teknik Elektro Undip. 2012. [8]. Alfin Hikmaturokhman, Ali Muayyadi, Irwan Susanto, Andi Ulva T Wello. Analisis Performansi Pada Jaringan GSM 900/1800 Di Area Purwokerto. Seminar Nasional Aplikasi Teknologi Informasi (SNATI). 2010; ISSN: 19075022: F18-F23. [9]. Budiyadi, Andrie. Analisis dan Optimalisasi Parameter Radio GSM. Laporan Tugas Akhir Teknik Elektro Undip. 2011. [10]. Mishra, Ajay R. Editors. Advanced Celluler Network Planning and Optimisation. England: John Wiley & Sons, Ltd. 2007. [11]. Taufiq, Mochamad Nur. Sistem Pengenalan Plat Nomor Polisi Kendaraan Bermotor Dengan Menggunakan Metode Jaringan Saraf Tiruan Perambatan Balik. Laporan Tugas Akhir Teknik Elektro Undip. 2012.
Setio
Menyetujui dan Mengesahkan, Pembimbing I,
Imam Santoso, ST ., MT. NIP. 197012031997021001 Tanggal ..................
Pembimbing II,
Ajub Ajulian Zahra, ST ., MT. NIP. 197107191998022001 Tanggal ................
Teknik,
Universitas
