PROYEK AKHIR

OPTIMASI PENDIMENSIAN NODE HARDWARE PADA JARINGAN SDH MENGGUNAKAN ALGORITMA GENETIKA

Arie Pangesti Aji NRP. 7205 040 008

Dosen Pembimbing: M. Zen Samsono Hadi, ST. MSc. NIP. 197412252003121003 Nur Rosyid Mubtadai, SKom. NIP. 197407182001121001

JURUSAN TEKNIK TELEKOMUNIKASI POLITEKNIK ELEKTRONIKA NEGERI SURABAYA INSTITUT TEKNOLOGI SEPULUH NOPEMBER SURABAYA 2009i

OPTIMASI PENDIMENSIAN NODE HARDWARE PADA JARINGAN SDH MENGGUNAKAN ALGORITMA GENETIKA Oleh : ARIE PANGESTI AJI 7205 040 008

Proyek Akhir ini Diajukan Sebagai Salah Satu Syarat Untuk Memperoleh Gelar Sarjana Sains Terapan (SST) di Politeknik Elektronika Negeri Surabaya Institut Teknologi Sepuluh Nopember Surabaya Disetujui oleh Tim Penguji Proyek Akhir: Dosen Pembimbing :

1. Ir. Prima Kristalina, MT. NIP. 196505251990032001

1. M. Zen S. Hadi, ST. MSc. NIP. 197412252003121003

2. Mike Yuliana, ST. MT. NIP. 132 300 242

2. Nur Rosyid M., S.Kom NIP. 197407182001121001

3. Muh Agus Zainuddin, ST, MT. NIP. 197808182008011015

Mengetahui, Ketua Jurusan Teknik Telekomunikasi

Arifin, ST. MT. NIP. 196005031988031004

ii

ABSTRAK Dewasa ini, jaringan telekomunikasi telah berkembang dengan pesat seiring kecepatan perkembangan teknologi informasi. Salah satu teknologi dalam sistem transmisi data adalah teknologi Synchronous Digital Hierarchy (SDH), yang memanfaatkan media fiber optic. Pendimensian sebuah node hardware adalah salah satu cara mendesain sebuah jaringan telekomunikasi yang efisien. Artinya, kombinasi perangkat sebuah node hardware harus dibuat seefisien mungkin, untuk menekan biaya. Jaringan SDH memiliki node yang terdiri dari tiga komponen utama, yaitu Base Equipment Configuration (BEC), port card, dan pluggable device. Pada proyek akhir ini telah dibuat sistem pendimensian sebuah node hardware jaringan SDH yang efisien berbasis algoritma genetika dengan parameter yang akan dioptimasi adalah tiga komponen utamanya. Algoritma genetika adalah algoritma pencarian yang berdasarkan pada mekanisme sistem alami, yaitu genetik dan seleksi alam. Algoritma genetika dapat digunakan untuk menyelesaikan permasalahan dengan penyelesaian yang beragam dan kompleks. Dari perbandingan dengan metode MILP, algoritma genetika menghasilkan solusi yang tidak lebih optimal. Namun, algoritma genetika lebih cocok untuk penghitungan dengan data input yang besar. Dengan proyek akhir ini, diharapkan akan terbentuk sebuah kombinasi komponen utama node hardware jaringan SDH yang efisien untuk memenuhi tuntutan aliran data. Kata kunci : Jaringan SDH, Node Hardware, Algoritma Genetika

iii

ABSTRACT Lately, developing of a telecommunication network spread widely, along with developing of information technology. One of technology in data transmission system is Synchronous Digital Hierachy (SDH), which use fiber optic as medium. Dimensioning a node hardware is one of way to design an efficient telecommuncation network. It means, the combination of a node hardware main component should be made efficiently, in order to reduce its cost. A SDH network node has three main component, such as Base Equipment Configuration (BEC), port card, and pluggable device. This final project has made an efficient SDH network node hardware dimensioning program based on genetic algorithm with optimizing parameter are three main component of the network. Genetic algorithm is a searchings algorithm which is based on natural system, genetic and natural selection. Genetic algorithm is very usefull in resolving a problem with complex and varied solution. From the comparison with MILP method, generated solution in genetic algorithm is not more optimal or better than MILP. But, genetic algorithm is more suitable for calculation with higher data input. With this final project, there will be an efficient combination of main component of SDH network node hardware, to fulfill the traffic demand. Keyword : SDH Network, Node Hardware, Genetic Algorithm

iv

KATA PENGANTAR Assalamualaikum Wr.Wb. Alhamdulillah, penulis panjatkan puja dan puji syukur kehadirat Allah SWT atas rahmat dan hidayah-Nya hingga selesainya buku proyek akhir ini dengan judul : Optimasi Pendimensian Node Hardware Pada Jaringan SDH Menggunakan Algoritma Genetika Buku proyek akhir ini disusun sebagai salah satu syarat untuk memperoleh gelar Sarjana Sain Terapan (SST) di Politeknik Elektronika Negeri Surabaya, Institut Teknologi Sepuluh Nopember Surabaya (ITS). Penulis menyadari bahwa didalam pembuatan buku proyek akhir ini masih jauh dari kesempurnaan, oleh sebab itu penulis sangat mengharapkan segala kritik dan saran yang bersifat membangun dari semua pihak. Penulis berharap agar proyek akhir ini dapat memberikan sumbangan yang berarti dan semoga dapat memberikan manfaat bagi para mahasiswa Politeknik Elektronika Negeri Surabaya (PENS-ITS) pada khususnya serta dapat memberikan nilai lebih bagi para pembaca pada umumnya. Akhir kata, segala kritik dan saran sangat penulis harapkan untuk pengembangan proyek akhir selanjutnya. Wassalamualaikum Wr.Wb. Surabaya, Juli 2009 Penulis

v

UCAPAN TERIMA KASIH Alhamdulillah, kami panjatkan rasa syukur dengan sebesar besarnya kehadirat Allah SWT atas segala petunjuk dan kemudahan yang telah diberikan-Nya, sehingga kami dapat menyelesaikan proyek akhir ini dengan baik. Sholawat serta salam semoga selalu terlimpahkan kepada Rosullulloh, Nabi Muhammad SAW. Tanpa menghilangkan rasa hormat yang mendalam, penulis mengucapkan terima kasih kepada pihak pihak yang telah membantu penulis, antara lain : 1. Ayah, Ibu, Kakak dan seluruh keluarga besar penulis, terima kasih atas dukungan baik material maupun spiritual yang tak ternilai harganya. 2. Bapak M. Zen Samsono Hadi, ST. M.Sc. dan Bapak Nur Rosyid MubtadaI, S.Kom selaku dosen pembimbing, yang telah memberikan ide, petunjuk dalam pembuatan proyek akhir. Terima kasih untuk semua kesabaran dan ilmu pengetahuan yang telah bapak berikan. 3. Masharil Kirom, selaku rekan proyek akhir. 4. Bapak Joni, Bapak Ismu, dan Mas Maradona dari PT. Telkom Divre V Surabaya, terima kasih atas semua data, masukan, dan ilmu yang diberikan selama pengerjaan proyek akhir. 5. Bapak Dadet Pramadihanto, selaku Direktur PENS-ITS. 6. Bapak Arifin, selaku Ketua Jurusan Teknik Telekomunikasi PENSITS. 7. Bapak dan Ibu penguji proyek akhir, terima kasih untuk segala kritik dan masukan demi kesempurnaan proyek akhir ini. 8. Seluruh dosen dan asisten jurusan teknik telekomunikasi. 9. Seluruh teman teman seperjuangan di lab komunikasi digital dan parabola, terima kasih atas semua dukungan, masukan, kritik, doa, dan segala bantuannya. 10. Seluruh teman teman PENS-ITS angkatan 2005, khususnya kelas D4 Telkom A, terima kasih atas semua kenangan yang telah kita buat selama empat tahun ini. Dan semua pihak yang banyak membantu penulis dalam pengerjaan proyek akhir dan tidak mungkin disebutkan semuanya disini. Semoga Allah SWT membalas semua kebaikan dan bantuannya, dan penulis mohon maaf sebesar besarnya atas segala kesalahan dan khilaf yang pernah diperbuat.

vi

DAFTAR ISI LEMBAR JUDUL ................................................................................. i LEMBAR PENGESAHAN ................................................................... ii ABSTRAK .......................................................................................... iii ABSTRACT ........................................................................................ iv KATA PENGANTAR .......................................................................... v UCAPAN TERIMA KASIH ................................................................ vi DAFTAR ISI ...................................................................................... vii DAFTAR GAMBAR ........................................................................... ix DAFTAR TABEL................................................................................ xi BAB 1 PENDAHULUAN .................................................................... 1 1.1 Latar Belakang ................................................................................ 1 1.2 Rumusan Masalah ........................................................................... 2 1.3 Batasan Masalah ............................................................................. 2 1.4 Tujuan............................................................................................. 2 1.5 Metodologi...................................................................................... 2 1.6 Sistematika Penulisan ...................................................................... 3 BAB 2 TEORI PENUNJANG ............................................................... 5 2.1 Jaringan SDH .................................................................................. 5 2.1.1 SDH Format Frame ............................................................... 6 2.1.2 Elemen Jaringan SDH ........................................................... 7 2.1.3 Topologi Jaringan SDH ........................................................ 9 2.1.4 Node Hardware Jaringan SDH ............................................. 11 2.2 Kecerdasan Buatan ........................................................................ 13 2.2.1 Algoritma Genetika ............................................................. 13 2.2.2 Struktur Umum Algoritma Genetika ................................... 14 2.2.3 Komponen Utama Algoritma Genetika ............................... 15 2.3 Model Matematika Optomasi ........................................................ 17 2.4 Data Input ..................................................................................... 18 2.5 Pemrograman C ............................................................................ 19 BAB 3 PERANCANGAN SISTEM .................................................... 23 3.1 Peralatan Yang Dibutuhkan ........................................................... 23 3.1.1 Perangkat Keras.................................................................... 23 3.1.2 Perangkat Lunak ................................................................... 23 3.2 Cara Kerja Sistem ......................................................................... 23 3.2.1 Tahap Persiapan ................................................................... 23

vii

3.2.2 Tahap Perancangan Sistem ................................................... 23 3.2.2.1 Perancangan Data Input ............................................ 23 3.2.2.2 Perancangan Algoritma Genetika .............................. 27 3.2.2.3 Penghitungan Harga Minimal.................................... 32 3.2.2.4 Flowchart Sistem ...................................................... 33 3.2.3 Tahap Pembuatan ................................................................. 34 3.3 Tempat dan Waktu ........................................................................ 35 3.4 Pengujian dan Analisa Data ........................................................... 35 BAB 4 PEMBUATAN DAN ANALISA SISTEM .............................. 37 4.1 Pembuatan Sistem ......................................................................... 37 4.1.1 Pembuatan Data Input .......................................................... 37 4.1.2 Pembuatan Program Algoritma Genetika ............................. 41 4.1.2.1 Pembangkitan Kromosom ........................................ 41 4.1.2.2 Evaluasi Fitness Kromosom ..................................... 43 4.1.2.3 Seleksi ..................................................................... 46 4.1.2.4 Crossover ................................................................. 47 4.1.2.5 Mutasi ...................................................................... 48 4.2 Pengujian Sistem .......................................................................... 50 4.2.1 Pengujian Parameter Algoritma Genetika ............................ 53 4.2.1.1 Merubah Jumlah Kromosom .................................... 53 4.2.1.2 Merubah Crossover Rate .......................................... 54 4.2.1.3 Merubah Mutation Rate ........................................... 54 4.2.1.4 Merubah Jumlah Generasi ........................................ 55 4.2.2 Pengujian Data Input ............................................................. 56 4.2.3 Analisa Data ......................................................................... 57 4.2.4 Perbandingan Dengan Metode MILP ..................................... 57 BAB 5 PENUTUP .............................................................................. 61 5.1 Kesimpulan ................................................................................... 61 5.2 Saran ............................................................................................. 61 DAFTAR PUSTAKA ......................................................................... 63 LAMPIRAN ....................................................................................... 65 BIODATA PENULIS ......................................................................... 73

viii

DAFTAR GAMBAR Gambar 2.1 Struktur frame STM-1 dan struktur VC ............................. 7 Gambar 2.2 Terminal Multiplexer ........................................................ 7 Gambar 2.3 Struktur ADM ................................................................... 8 Gambar 2.4 Struktur DXC .................................................................... 8 Gambar 2.5 Hubungan Point-to-point .................................................. 9 Gambar 2.6 Hubungan linear ............................................................... 9 Gambar 2.7 Arsitektur jaringan mesh ................................................. 10 Gambar 2.8 Topologi Ring ................................................................. 10 Gambar 2.9 Topologi SDH multi-Ring ............................................... 11 Gambar 2.10 Perangkat keras node SDH ............................................ 12 Gambar 2.11 BEC, Line Card, dan SFP ............................................. 12 Gambar 2.12 Representasi string biner ............................................... 15 Gambar 2.13 Representasi string pohon ............................................. 15 Gambar 2.14 Aliran data pada sebuah node ........................................ 19 Gambar 2.15 Struktur dasar program C .............................................. 20 Gambar 3.1 Model File ...................................................................... 25 Gambar 3.2 Traffic Demand ............................................................... 26 Gambar 3.3 Flowchart Sistem ............................................................ 34 Gambar 4.1 Model File ...................................................................... 38 Gambar 4.2 Inisialisasi Vektor ........................................................... 39 Gambar 4.3 Program Pembacaan dan Scanning File .txt ..................... 40 Gambar 4.4 Tampilan Hasil Pembacaan Model File ........................... 40 Gambar 4.5 Program Input Trafik ...................................................... 41 Gambar 4.6 Program Pembangkitan Kromosom ................................. 42 Gambar 4.7 Program Penghitungan Harga Pluggable ......................... 43 Gambar 4.8 Program Penghitungan Harga Port Card .......................... 44 Gambar 4.9 Program Penghitungan Harga BEC ................................. 45 Gambar 4.10 Program mencari nilai fitness kromosom ...................... 46 Gambar 4.11 Program menghitung fitness relative dan kumulatif ....... 46 Gambar 4.12 Program pembangkitan bilangan acak 0-1 ...................... 46 Gambar 4.13 Program proses seleksi .................................................. 47 Gambar 4.14 Program Proses Crossover ............................................ 48 Gambar 4.15 Program proses Mutasi .................................................. 50 Gambar 4.16 Soal Model File ............................................................. 51 Gambar 4.17 Tampilan Input Trafik ................................................... 52 Gambar 4.18 Tampilan Masukkan Parameter Algoritma Genetika ..... 52 Gambar 4.19 Tampilan Hasil Optimasi .............................................. 52 Gambar 4.20 Grafik Penambahan Jumlah Kromosom ........................ 53

ix

Gambar 4.21 Grafik Perubahan Crossover Rate .................................. 54 Gambar 4.22 Grafik Perubahan Mutation Rate ................................... 55 Gambar 4.23 Grafik Perubahan Jumlah Generasi ............................... 56 Gambar 4.24 Perbedaan harga minimal GA vs MILP ......................... 58 Gambar 4.25 Perbedaan waktu proses GA vs MILP ........................... 58

x

DAFTAR TABEL Tabel 2.1 Standarisasi kecepatan frame ................................................ 6 Tabel 2.2 Matrix aliran data ............................................................... 19 Tabel 2.3 Keyword Bahasa C ............................................................. 20 Tabel 2.4 Ukuran Memori Data untuk Tipe Data ................................ 21 Tabel 3.1 Demand Matrix .................................................................. 27 Tabel 3.2 Kromosom .......................................................................... 28 Tabel 3.3 Populasi awal ..................................................................... 29 Tabel 3.4 Bilangan Acak Seleksi ........................................................ 29 Tabel 3.5 Populasi baru hasil seleksi .................................................. 30 Tabel 3.6 Kromosom sebelum crossover ............................................ 30 Tabel 3.7 Kromosom setelah crossover .............................................. 30 Tabel 3.8 Kromosom sebelum mutasi ................................................. 31 Tabel 3.9 Kromosom setelah mutasi ................................................... 31 Tabel 3.10 Contoh Kromosom ........................................................... 32 Tabel 3.11 Komponen yang dibutuhkan ............................................. 33 Tabel 4.1 Demand Matrix .................................................................. 51 Tabel 4.2 Hasil Pengujian Kromosom ................................................ 53 Tabel 4.3 Hasil Pengujian Pc .............................................................. 54 Tabel 4.4 Hasil Pengujian Pm ............................................................ 55 Tabel 4.5 Hasil Pengujian Generasi .................................................... 55 Tabel 4.6 Hasil Pengujian Data Input ................................................. 57 Tabel 4.7 Perbandingan GA vs MILP ................................................. 57

xi

BAB 1 PENDAHULUAN1.1 Latar Belakang Saat ini, jaringan telekomunikasi telah berkembang dengan cepat mengikuti perkembangan teknologi informasi. Kebutuhan akan lebar pita yang semakin tinggi turut menyebabkan berkembangnya teknologi baru. Salah satu teknologi dalam sistem transmisi data adalah teknologi Synchronous Digital Hierarchy (SDH). SDH adalah sebuah standart internasional untuk telekomunikasi berkecepatan tinggi melelui jaringan optik atau elektrik yang dapat mengirimkan sinyal digital dalam kapasitas yang bervariasi. SDH merupakan sistem sinkron yang bertujuan untuk menyediakan infrastruktur jaringan yang lebih fleksibel. Sebuah node pada jaringan SDH terdiri dari tiga komponen utama, yaitu Base Equipment Configuration (BEC), port card, dan pluggable device. Perkembangan jaringan telekomunikasi harus didukung oleh sebuah node hardware yang efisien. Pendimensian sebuah node hardware diperlukan untuk mendapatkan sebuah jaringan dengan perangkat yang tepat untuk menunjang tuntutan lalu lintas data. Sebuah node hardware yang efisien mempunyai arti perangkat penunjangnya harus desediakan dengan biaya yang efisien sesuai dengan kebutuhan lalu lintas data yang melewati node hardware tersebut. Untuk merancang sebuah node hardware yang efisien, algoritma berbasis kecerdasan buatan dapat dijadikan salah satu solusi. Kecerdasan buatan merupakan salah satu bagian ilmu komputer yang membuat agar mesin (komputer) dapat melakukan pekerjaan seperti dan sebaik yang dikerjakan manusia. Salah satu teknik dalam kecerdasan buatan adalah algoritma genetika. Algoritma genetika adalah algoritma pencarian heuristik yang didasarkan atas mekanisme evolusi biologis. Individu yang kuat (fit) akan memiliki tingkat ketahanan hidup dan reproduksi yang lebih tinggi. Pada proyek akhir ini, proses optimasi dilakukan dengan mencari konfigurasi tiga komponen utama sebuah node hardware yang paling efisien. Pada satu node hardware terdapat lalu lintas data yang dibutuhkan untuk melewati node tersebut. Dari lalu lintas data tersebut, dapat diketahui konfigurasi komponen utama yang diperlukan. Pemilihan jenis masing masing komponen penunjang lalu lintas data juga disesuaikan dengan ketersediaan perangkat yang disediakan oleh vendor. Suatu node hardware dapat dikatakan optimal jika konfigurasi

1

2komponen utamanya dapat menangani kebutuhan lalu lintas data dengan biaya yang paling minimum. 1.2 Rumusan Masalah Permasalahan yang diangkat dalam proyek akhir ini adalah : a. Bagaimana membuat sistem pendimensian sebuah node hardware jaringan SDH. b. Bagaimana menentukan konfigurasi port card, pluggable device dan base equipment configuration dengan tepat sesuai kebutuhan aliran data. c. Bagaimana meminimalkan total harga yang dibutuhkan untuk merancang sebuah node hardware. 1.3 Batasan Masalah Batasan masalah dalam proyek akhir ini adalah : a. Proses optimasi dilakukan pada tiga komponen utama sebuah node hardware pada satu jaringan SDH. b. Algoritma yang digunakan adalah algoritma genetika. c. Bahasa pemrograman yang digunakan adalah C++. 1.4 Tujuan Tujuan dari proyek akhir ini adalah membuat suatu sistem pendimensian sebuah node hardware jaringan SDH menggunakan algoritma genetika. Sistem pendimensian mencari konfigurasi tiga komponen utama sebuah node hardware yang paling optimal berdasarkan data input berupa model file dan demand matriks sebuah node. Konfigurasi paling optimal ditentukan oleh sistem yang dapat mengatasi aliran data dengan biaya yang paling minimum. 1.5 Metodologi Metodologi penelitian yang digunakan dalam proyek akhir ini meliputi: 1. Studi pustaka mengenai jaringan SDH, metode algoritma genetika, dan teknik optimasi yang telah dilakukan menggunakan algoritma genetika melalui buku-buku referensi. 2. Membuat data input sistem berupa model file dan demand matriks yang akan digunakan sebagai dasar proses optimasi. 3. Melakukan perancangan model algoritma genetika untuk proses optimasi node hardware jaringan SDH, meliputi pembacaan data

3input, pendefinisian individu, nilai fitness, pembangkitan populasi awal, seleksi, crossover dan mutasi. Melakukan pembuatan sistem dengan algoritma genetika untuk mendapatkan konfigurasi komponen utama node hardware dengan hasil paling optimal dengan biaya terendah menggunakan bahasa pemrograman C++. Melakukan uji coba dan analisa terhadap sistem yang telah dibuat dengan data input untuk membuat konfigurasi komponen utama node hardware jaringan SDH.

4.

5.

1.6 Sistematika Penulisan Sistematika pembahasan proyek akhir yang disusun ini akan dibahas pada bab-bab yang akan diuraikan di bawah ini : BAB 1 : PENDAHULUAN Menguraikan secara singkat latar belakang, tujuan, permasalahan, batasan masalah, dan kerangka pembahasan. BAB 2 : DASAR TEORI Menjelaskan landasan teori jaringan SDH, model matematika optimasi, algoritma genetika, dan pemrograman C. BAB 3 : PERANCANGAN & PEMBUATAN SISTEM Bab ini menjelaskan tentang tahapan-tahapan dalam merancang dan membuat sistem, dalam hal ini berupa program optimasi. BAB 4 : PEMBUATAN DAN ANALISA SISTEM Bab ini menjelaskan tentang hasil pengujian program optimasi yang telah di buat, serta analisa-analisa seputar hasil yang telah di peroleh. BAB 5 : PENUTUP Bab ini merupakan bab penutup, dimana di tarik kesimpulan dari analisa dan hasil simulasi yang telah di peroleh.

4

~~~halaman ini sengaja dikosongkan~~~

BAB 2 TEORI PENUNJANG2.1 Jaringan SDH SDH (Synchronous Digital Hierarchy) adalah standard internasional untuk telekomunikasi berkecepatan tinggi melalui jaringan optik atau listrik yang dapat mengirimkan sinyal digital dengan kapasitas yang bervariasi. SDH adalah sistem sinkron yang menyediakan infrastruktur jaringan yang lebih fleksibel. Jaringan SDH dapat langsung menambah sinyal frekuensi rendah menjadi sinyal frekuensi tinggi atau mendrop kecepatan yang terlalu tinggi tanpa harus melakukan multiplexing/demultiplexing . Standar SDH pertama di setujui oleh badan ITU-T pada bulan nopember 1988 dan di rekomendasikan oleh G707,G708 serta G709 dan di publikasikan di CCITT Blue book pada tahun 1989. Badan ini menentukan rate,frame,dan proses multiplexing. Kemudian SDH di jadikan sebagai standar jaringan telekomunikasi kecepatan tinggi internasional [1]. Jaringan sinkron SDH memiliki perbedaan dengan jaringan PDH (Plesiochronous Digital Hierarchy) yaitu pada kecepatan pengiriman data yang disinkronkan dengan ketat pada seluruh jaringan, dimungkinkan dengan penggunaan jam atom. Sistem sinkron ini memungkinkan seluruh jaringan antar negara untuk beroperasi secara sinkron atau seiring, dengan menekan jumlah buffer yang dibutuhkan antar elemen jaringan.. SDH memiliki beberapa kelebihan : a. Standard format digital pertama di dunia. b. Antarmuka optik pertama. c. Kompatibilitas transversal dapat menekan biaya jaringan. Persaingan antar vendor akan menegendalikan harga. d. Struktur multipleks yang sinkron dan fleksibel. e. Add-and-drop lalu lintas data dan kapabilitas cross connect yang mudah dan efisien. f. Pengurangan jumlah interface back-to-back dapat meningkatkan katahanan dan layanan jaringan. g. Kapabilitas manajemen jaringan yang handal. h. Arsitektur jaringan baru yang lebih fleksibel dan kemampuan perbaikan jaringan secara otomatis.

5

62.1.1 SDH Format Frame STM-1 adalah Synchronous Transport Module - 1, level tertinggi pada jaringan transport SDH. Sebuah frame dinyatakan oleh sebuah matriks yang terdiri dari sembilan baris dan 270 kolom. Frame ini memiliki 2430 bytes, masing masing mencakup 8 bit. Sehingga, bitrate dari STM-1 adalah : Total content : 9 x 270 bytes = 2430 bytes overhead : 9 rows x 9 bytes payload : 9 rows x 261 bytes Period : 125 sec Bitrate : 155.520 Mbit/s (2430 x 8 bits x 8000 frame/s ). Kecepatan lebih tinggi dibentuk dengan menggabungkan beberapa cabang yang berkecepatan rendah. Contohnya, empat STS-3 pada jaringan SONET dapat digabungkan untuk membentuk sebuah sinyal STM-4 berkecepatan 622.08 MBit/s. Kecepatan tertinggi adalah STM-64, yang beroperasi pada kecepatan mendekati 10 GBit/s. Kecepatan diatas 10 GBit/s secara teknis dapat berjalan dan saat ini dalam proses evaluasi. (Beberapa vendor sudah ada yang menawarkan STM-256, dengan kecepatan mendekati 40 GBit/s). Perbedaan standararisasi kecepatan frame SDH dan SONET dapat dilihat pada Tabel 2.1. Tabel 2.1 Standarisasi kecepatan frame

Terdapat dua bagian dalam STM-1, SOH (Section Overhead) dan VC (Virtual Container) (Gambar 2.1). SOH menyediakan informasi antara lain LTE (Line Terminating Equipment) tentang penjajaran frame, pengamatan BER, informasi transfer pada LTE, dan sebagainya. Sedangkan VC digunakan untuk mentransfer sinyal percabangan (sinyal masukan yang memasuki multiplexer) melalui sebuah jalur.

7

Gambar 2.1 Struktur frame STM-1 dan struktur VC 2.1.2 Elemen Jaringan SDH Sebuah elemen jaringan SDH terdiri dari Terminal Multiplexer (TM), Add and Multiplexer (ADM), dan Digital Cross-Connect (DXC), yang merupakan elemen yang di gunakan juga dalam jaringan tradisional. Terminal multiplexer digunakan untuk me-multiplex cabang lokal (kecepatan rendah) menjadi kumpulan STM-N (kecepatan tinggi). TM digunakan di akhir elemen pada topologi rantai. Sebuah contoh TM dapat dilihat pada gambar 2.2.

Gambar 2.2 Terminal Multiplexer Add and Drop Multiplexer (ADM) berfungsi melewatkan STM-N (kecepatan tinggi) dari sisi satu ke sisi lainnya dan memiliki kemampuan untuk menambah dan mengurangi (add and drop) tributary

8berkecepatan rendah. ADM dapat digunakan di semua tipe topologi. Sebuah ADM ditunjukkan seperti gambar 2.3.

Gambar 2.3 Struktur ADM Digital Cross Connect (DXC) menerima beberapa STM-N dan menyambungkan dengan tributary berkecepatan rendah diantaranya. Hal ini berguna untuk menghubungkan beberapa topologi jaringan. Digital Cross Connect memiliki kapasitas sistem yang lebih besar dari ADM dan hampir selalu digunakan pada backbone sebuah jaringan atau pada gerbang node antara dua wilayah dan backbone jaringan. DXC mempunyai persilangan hubungan yang sangat mahal, dan sinyal dapat dipisah menjadi dua jalur, atau antara tributary, atau jalur ke tributary dengan menentukan fungsionalitas peralatan (Gambar 2.4).

Gambar 2.4 Struktur DXC

9Karena SDH adalah protokol TDM murni, menyediakan koneksi tetap, dan tidak terlibat komunikasi mode paket, SDH dianggap sebagai protokol layer fisik. 2.1.3 Topologi Jaringan SDH Jaringan SDH dapat dikonfigurasi menjadi hubungan point-to-point, konfigurasi linier, topologi mesh, dan topologi multi-ring [2]. Pada hubungan point-to-point, hanya terdapat dua TM pada kedua ujung hubungan. Struktur jaringan ini dapat terproteksi maupun tidak terproteksi. Pada hubungan yang terproteksi, dua kabel tambahan diperlukan sebagai cadangan jika terjadi gangguan. Contoh hubungan point-to-point terdapat pada gambar 2.5.

Gambar 2.5 Hubungan Point-to-point Pada jaringan linier, node ADM terhubung dalam mode linier dimana terdapat dua buah TM pada kedua ujung hubungan. Topologi ini menyediakan kemampuan untuk mengeluarkan atau memasukkan sinyal pada seluruh elemen jaringan. Jaringan linier terproteksi terdiri dari empat koneksi kabel dimana dua diantaranya bekerja, sementara dua lainnya digunakan sebagai cadangan. Sedangkan pada jaringan linier tak terproteksi, terdapat dua koneksi kabel antara ADM. Contoh sebuah jaringan linier terdapat pada gambar 2.6.

Gambar 2.6 Hubungan linier Arsitektur jaringan mesh dapat mengakomodasi pertumbuhan dan perubahan jaringan dengan lebih mudah dibandingkan jaringan point-topoint sederhana. Fungsi crossconnect mengkonsentrasikan lalu lintas (traffic) pada sebuah pusat (Gambar 2.7).

10

Gambar 2.7 Arsitektur jaringan mesh Ring adalah topologi yang paling sering digunakan, karena menyediakan jalur alternatif untuk komunikasi antar dua node, seperti terlihat Gambar 2.8.

Gambar 2.8 Topologi Ring Pada tipologi ring, dua buah jalur optik dapat digunakan sebagai uninderectional ring atau bi-directional ring. Pada arsitektur ring, proteksi menggunakan dua atau empat kabel fiber dapat dipilih. Pada

11unindirectional ring, lalu lintas (traffic) dibatasi pada satu kabel fiber dan mengalir melewati arah yang sama mengelilingi jaringan. Kabel fiber yang kedua bekerja sebagai proteksi dan digunakan untuk perbaikan. Pada sebuah bi-directional ring, trafik dikirim melewati kedua kabel fiber sehingga keduanya bekerja. Agar dapat menyediakan perbaikan untuk menghindari suatu kegagalan proses transmisi, separuh kapasitas dari kedua kabel di gunakan untuk backup atau menyediakan dua kabel atau lebih yang dipersiapkan untuk proteksi. Dua atau lebih ring dapat dihubungkan untuk membentuk topologi multiring seperti gambar 2.9. Pada topologi ini, peralatan digital cross connect sangat mahal. Tiap ring memiliki mekanisme proteksi ring sendiri. Lebih disarankan memilliki dua node pusat di antara dua ring untuk menghindari kagagalan. Sebuah DXC pada subuah kantor pusat berfungsi menghubungkan beberapa ring dan menyilang hubungkan lalu lintas data diantara ring. Oleh karena itu, DXC mempunyai peran penting dalam topologi multi-ring.

Gambar 2.9 Topologi SDH multi-Ring 2.1.4 Node Hardware Jaringan SDH Untuk dapat membentuk suatu jaringan SDH, masing masing node memerlukan perangkat keras (hardware) untuk

12mengimplementasikan topologi seperti disebutkan diatas. Gambar 2.10 adalah contoh dari suatu perangkat keras pada node jaringan SDH.

Gambar 2.10 Perangkat keras node SDH Perangkat keras yang terdapat pada node SDH terdiri dari beberapa peralatan, seperti : a. Rangka (Base Equipment Configuration), dapat terdiri dari satu atau dua buah rak. b. Line Card, dapat terpasang permanen pada rak atau modular. c. Pluggable Device, seperti GBIC (Gigabit Interface Converter) atau SFP (Small Form Factor Pluggable). d. Sumber daya. e. Pengaturan kontrol. f. Processor routing. g. Memory [3].

Gambar 2.11 BEC, Line Card, dan SFP

132.2 Kecerdasan Buatan Kecerdasan buatan merupakan salah satu bagian ilmu komputer yang membuat agar mesin dapat melakukan pekerjaan seperti dan sebaik yang dikerjakan manusia. Komputer tidak lagi hanya digunakan untuk alat hitung, lebih dari itu, komputer diharapkan untuk dapat diberdayakan untuk mengerjakan segala sesuatu yang dapat dikerjakan manusia[4]. Agar komputer dapat bertindak seperti dan sebaik manusia, maka komputer juga harus diberi bekal pengetahuan, dan mempunyai kemampuan untuk menalar. Untuk itu, kecerdasan buatan akan mencoba untuk memberikan beberapa metoda untuk membekali komputer dengan kedua komponen tersebut agar komputer dapat menjadi mesin yang pintar. 2.2.1 Algoritma Genetika Algoritma genetika adalah algoritma pencarian yang berdasarkan pada mekanisme sistem natural yakni genetik dan seleksi alam. Pada dasarnya algoritma genetika adalah program komputer yang mensimulasikan proses evolusi, dengan menghasilkan individu individu dari tiap populasi secara random dan memungkinkan individu tersebut berkembang biak sesuai dengan hukum-hukum evolusi yang nantinya diharapkan akan dapat menghasilkan individu prima atau yang lebih baik. Individu ini merepresentasikan solusi dari permasalahan yang diangkat, sehingga apabila individu yang baik tersebut dihasilkan, maka diharapkan solusi yang baik dari permasalahan tersebut juga didapatkan. Individu dilambangkan dengan sebuah nilai fitness yang akan digunakan untuk mencari solusi terbaik dari persoalan yang ada. Pertahanan yang tinggi dari individu memberikan kesempatan untuk melakukan reproduksi melalui perkawinan silang dengan individu lain dalam populasi. Individu baru yang dihasilkan dinamakan keturunan, yang membawa sifat dari induknya. Sedangkan individu dalam populasi yang tidak terseleksi dalam reproduksi akan mati dengan sendirinya. Dengan cara ini, beberapa generasi dengan karakteristik yang baik akan bermunculan dalam populasi tesebut, untuk kemudian dicampur dan ditukar dengan karakter yang lain. Dengan mengawinkan semakin banyak individu, maka akan semakin banyak kemungkinan terbaik yang dapat diperoleh. Algoritma genetika dapat digunakan untuk menyelesaikan permasalahan yang tidak mempunyai metode penyelesaian dengan

14rumusan yang tepat, ataupun jika ada rumusannya, masih diperlukan waktu yang lama untuk menyelesaikannya, biasanya permasalahan tersebut sangat beragam dan kompleks. 2.2.2 Struktur Umum Algoritma Genetika Pada algoritma ini, teknik pencarian dilakukan sekaligus atas sejumlah solusi yang mungkin yang dikenal dengan istilah populasi. Solusi yang terdapat dalam satu populasi disebut juga dengan kromosom atau individu. Kromosom ini merupakan suatu solusi yang masih berbentuk simbol. Populasi awal dibangun secara acak, sedangkan populasi berikutnya merupakan hasil evolusi kromosom kromosom melalui iterasi yang disebut dengan generasi. Pada setiap generasi, kromosom akan melalui proses evaluasi dengan menggunakan alat ukur yang disebut dengan fungsi fitness. Nilai fitness dari suatu kromosom akan menunjukkan kualitas kromosom dalam populasi tersebut. Generasi berikutnya dikenal dengan istilah anak (offspring) terbentuk dari gabungan dua kromosom generasi sekarang yang bertindak sebagai induk (parent) dengan menggunakan operator penyilangan (crossover). Selain operator penyilangan, suatu kromosom dapat juga dapat dimodifikasi dengan operator mutasi. Populasi generasi yang baru dibentuk dengan cara menyeleksi nilai fitness dari kromosom induk dan nilai fitness dari kromosom anak, serta menolak kromosom kromosom yang lainnya sehingga ukuran populasi selalu konstan. Setelah melalui beberapa generasi, maka algoritma ini akan konvergen ke kromosom terbaik. Definisi penting dalam Algoritma Genetika : a. Gen, merupakan nilai yang menyatakan satuan dasar yang membentuk suatu arti tertentu dalam satu kesatuan gen yang dinamakan kromosom. b. Kromosom / individu, merupakan gabungan dari gen-gen yang membentuk nilai tertentu dan menyatakan solusi yang mungkin dari suatu permasalahan. c. Populasi, merupakan sekumpulan individu yang akan diproses bersama dalam satu satuan siklus evolusi. d. Fitness, menyatakan seberapa baik nilai dari suatu individu atau solusi yang didapatkan. e. Seleksi, merupakan proses untuk mendapatkan calon induk yang baik. f. Crossover, merupakan proses pertukaran atau kawin silang gen-gen dari dua induk tertentu.

15g. h. i. Mutasi, merupakan proses pergantian salah satu gen yang terpilih dengan nilai tertentu. Generasi, merupakan urutan iterasi dimana beberapa kromosom bergabung. Offspring, merupakan kromosom baru yang dihasilkan setelah melewati suatu generasi.

2.2.3 Komponen Utama Algoritma Genetika Ada 6 komponen utama dalam algoritma genetika: 1. Teknik Penyandian Teknik penyandian meliputi penyandian gen dari kromosom. Gen merupakan bagian dari kromosom. Satu gen biasanya akan mewakili satu variabel. Gen dapat direpresentasikan dalam bentuk string bit, pohon, array bilangan real, daftar aturan, eleman permutasi, elemen program, atau representasi lainnya yang dapat diimplementasikan untuk operator genetika.

Gambar 2.12 Representasi string biner

Gambar 2.13 Representasi string pohon 2. Prosedur Inisialisasi Ukuran populasi tergantung pada masalah yang akan dipecahkan dan jenis operator genetika yang akan diimplementasikan. Setelah ukuran populasi ditentukan, kemudian harus dilakukan inisialisasi terhadap kromosom yang terdapat pada populasi tersebut. Inisialisasi

16kromosom dilakukan secara acak, namun demikian harus tetap memperhatikan domain solusi dan kendala permasalahan yang ada. Fungsi Evaluasi Ada dua hal yang harus dilakukan dalam melakukan evaluasi kromosom, yaitu : evaluasi fungsi objektif (fungsi tujuan) dan konversi fungsi objektif kedalam fungsi fitness [5]. Secara umum, fungsi fitness diturunkan dari fungsi objektif dengan nilai yang tidak negatif. Bila ternyata fungsi objektif memiliki nilai negatif, maka perlu ditambahkan konstanta C agar nilai fitness yang terbentuk menjadi tidak negatif. Seleksi Seleksi ini bertujuan untuk memberikan kesempatan reproduksi yang lebih besar bagi anggota populasi yang paling fit. Ada beberapa metode seleksi induk antara lain : a. Rank-based fitness assignment, b. Roullette wheel selection, c. Stochastic universal sampling, d. Local selection, e. Truncation, f. Tournament selection. 5. Operator Genetika Ada dua operator genetika, yaitu : a. Crossover, yang terdiri dari : Rekombinasi bernilai real Rekombinasi bernilai biner Crossover dengan permutasi b. Mutasi, yang terdiri dari ; Mutasi bernilai real Mutasi bernilai biner 4. 3.

6.

Penentuan Parameter Yang disebut dengan parameter adalah parameter kontrol algoritma genetika, yaitu : ukuran populasi (popsize), peluang crossover (Pc), dan peluang mutasi (Pm). Nilai parameter ini ditentukan juga berdasarkan permasalahan yang akan dipecahkan. Ada beberapa rekomendasi yang bisa digunakan, antara lain : a. Bila permasalahan yang memiliki kawasan solusi cukup besar, (popsize ; Pc ; Pm)=(50 ; 0,6 ; 0,001) b. Bila rata rata fitness tiap generasi digunakan sebagai indikator,

17(popsize ; Pc ; Pm)=(30 ; 0,95 ; 0,01) Bila fitness dari individu terbaik dipantau pada setiap generasi, (popsize ; Pc ; Pm)=(80 ; 0,45 ; 0,01) Ukuran populasi sebaiknya tidak lebih kecil dari 30, untuk sembarang jenis permasalahan.

c. d.

2.3 Model Matematika Optimasi Sebuah model matematika terstruktur yang digunakan untuk menganalisa berkaitan dengan bilangan dan tergantung komponen jaringan telekomunikasi.Selanjutnya,model matematika menentukan sebuah bilangan yang mana harus meminimalisasi total harga,atau memaksimalkan harga. Sebuah model terdiri dari komponen-komponen berikut ini: 1. Given quantities, bentuk dari model input dan tidak akan pernah dirubah oleh perhitungan. 2. Variable, melambangkan pencarian perhitungan yang tidak diketahui dan harus dihitung dengan proses optimasi. 3. The Objective function, menentukan peralatan mana harus di minimalkan dan harus dimaksimalkan. Pemodelan terdiri dari fungsi objektif, dimana koefisien harga dikuatkan dengan nilai dari keputusan sebuah variable.

Persamaan diatas menghitung harga dengan menjumlahkan harga dari pluggable device, port card dan base equipment yang dibutuhkan. Parameternya adalah : a. ,harga (>=0) untuk pluggable device i pada port card k. b. ,jumlah pluggable device i yang terpasang pada port card tipe k. c. ,harga (>=0) untuk port card k pada semua jenis BEC. d. ,jumlah port card k yang terpasang. e. ,harga (>=0) sebuah BEC tipe . f. ,variabel biner yang menunjukkan BEC terpasang

182.4 Data Input Proses optimasi yang akan dibuat akan diimplementasikan pada satu node pada sebuah jaringan SDH. Pada node tersebut, diambil dua input berupa : 1. Model File Model file berisi data sejumlah perlengkapan yang disediakan satu vendor jaringan telekomunkasi untuk satu node. Perlengkapan node yang terdapat dalam model file adalah: a. Port Types, berupa tipe port yang tersedia pada satu node. Tipe port dapat berupa STM8, STM16, STM64, dan lainnya. b. Pluggable Device Kinds, berupa tipe pluggable device yang tersedia. Tipe pluggable device menunjukkan jarak (range) yang dapat dicakup, meliputi short range (SR), medium range (MR), atau long range (LR). c. Resource Types, berupa kapasitas slot, kapasitas bitrate, dan cap management yang tersedia. d. Port Card Types, berupa jumlah tipe port card yang tersedia. Nama tipe port card diambil dari jumlah pluggable device yang terdapat pada satu port type. Jika pada satu port type STM8 terdapat empat pluggable device, maka tipe port card adalah 4xSTM8, dan seterusnya. e. Pluggable Device Kinds Of Port Card Types, berupa tipe pluggable device pada sebuah tipe port card. Penamaan diambil dari tipe pluggable device, dan tipe port card. Misalnya 4xSTM8 SR. f. Base Equipment Configuration, berupa tipe konfigurasi sebuah router. Dapat berupa single chassis router, two chassis router, three chassis router, dan sebagainya. 2. Demand Matrix Data pada sebuah demand matrix berupa aliran lalu lintas data pada sebuah node. Sebagai contoh, sebuah node jaringan SDH mempunyai aliran data seperti pada Gambar 2.14 :

19

15xSTM16 (SR)

10xSTM64 (SR)

7xSTM256 (LR)

SDH CROSS CONNECT

4xSTM64 (MR)

9xSTM64 (LR)

8xSTM256 (MR)

9xSTM64 (LR)

3xSTM16 (LR)

Gambar 2.14 Aliran data pada sebuah node. Maka, demand matrix pada node tersebut adalah : Tabel 2.2 Matriks aliran data STM16 STM64 Short Range 15 10 Medium Range 0 4 Long Range 3 9

STM256 0 8 7

2.5 Pemrograman C Bahasa C bisa disebut bahasa pemograman tingkat menengah (middle level programming language) [6]. Arti tingkat (level) disini adalah kemampuan mengakses fungsi-fungsi dan perintah-perintah dasar bahasa mesin/hardware (machine basic instruction set). Dalam perspektif mudahnya dipahami manusia, C bisa digolongkan dalam bahasa tingkat tinggi, namun C juga menyediakan kemampuan yang ada pada bahasa tingkat rendah, misalnya operasi bit, operasi byte, pengaksesan memori, dsb.Beberapa alasan mengapa memakai bahasa C adalah terangkum dibawah. a. C adalah bahasa pemograman yang paling popular saat ini b. C adalah bahasa pemograman yang memiliki portabilitas tinggi c. C adalah bahasa pemograman dengan kata kunci (keyword) sedikit d. C hanya menyediakan 32 kata kunci seperti terangkum dibawah:

20Tabel 2.3 Keyword Bahasa C

e. f.

C adalah bahasa pemograman yang fleksibel C adalah bahasa yang bersifat moduler 28 Program bahasa C adalah suatu program terdiri dari satu atau lebih fungsi-fungsi. Fungsi utama dan harus ada pada program C yang kita buat adalah fungsi main(). Fungsi main() ini adalah fungsi pertama yang akan diproses pada saat program di kompile dan dijalankan, sehingga bisa disebut sebagai fungsi yang mengontrol fungsi-fungsi lain. Karena struktur program C terdiri dari fungsifungsi lain sebagai program bagian (subroutine), maka bahasa C biasa disebut sebagai bahasa pemrograman terstruktur. Cara penulisan fungsi pada program bahasa C adalah dengan memberi nama fungsi dan kemudian dibuka dengan kurang kurawal buka ({) dan ditutup dengan kurung kurawal tutup (}). Fungsi-fungsi lain selain fungsi utama bisa dituliskan setelah atau sebelum fungsi utama dengan deskripsi prototype fungsi pada bagian awal program. Bisa juga dituliskan pada file lain yang apabila kita ingin memakai atau memanggil fungsi dalam file lain tersebut, kita harus menuliskan header filenya, dengan preprocessor directive #include. File ini disebut file pustaka (library file). Untuk lebih jelasnya struktur dasar program c dapat digambarkan sebagai berikut

Gambar 2.15 Struktur dasar program C

21Data merupakan suatu nilai yang biasa dinyatakan dalam bentuk konstanta atau variabel. Konstanta menyatakan nilai yang tetap, sedangkan variabel menyatakan nilai yang dapat diubah ubah selama eksekusi berlangsung. Data berdasarkan jenisnya dapat dibagi menjadi lima kelompok, yang dinamakan sebagai tipe data dasar. Kelima tipe data dasar adalah : a. Bilangan bulat (integer) b. Bilangan real presisi-tunggal c. Bilangan real-presisi ganda d. Karakter e. Tak bertipe (void) Tabel 2.4 memberikan informasi mengenai ukuran memori yang diperlukan dan kawasan dari masing masing tipe data dasar. Tabel 2.4 Ukuran Memori Data untuk Tipe Data

Operator atau tanda operasi adalah suatu tanda atau simbol yang digunakan untuk suatu operasi tertentu. 1. Operator Aritmatika Operator untuk operasi aritmatika yang tergolong sebagai operator binary adalah : a. (*) Perkalian b. (/) Pembagian c. (%) Sisa Pembagian d. (+) Penjumlahan e. (-) Pengurangan 2. Operator Unary Adapun operator yang tergolong sebagai operator unary a. (-) Tanda Minus b. (+) Tanda plus Untuk keperluan menampilkan data/informasi, C menyediakan sejumlah fungsi. Beberapa diantaranya adalah berupa printf() dan putchar(). 1. Fungsi printf()

22Fungsi printf() merupakan fungsi yang paling umum digunakan dalam menampilkan data. Berbagai jenis data dapat ditampilkan ke layar dengan memakai fungsi ini. Fungsi putchar() Fungsi putchar()digunakan khusus untuk menampilkan sebuah karakter di layar. Penampilan karakter tidak diakhiri dengan perpindahan baris.

2.

Data dapat dimasukkan lewat keyboard saat eksekusi berlangsung. Untuk keperluan ini, C menyediakan sejumlah fungsi, diantaranya adalah scanf() dan getchar(). 1. Fungsi scanf() Fungsi scanf() merupakan fungsi yang dapat digunakan untuk memasukkan berbagai jenis data. 2. Fungsi getchar() Fungsi getchar()digunakan khusus untuk menerima masukan berupa sebuah karakter dari keyboard.

BAB 3 PERANCANGAN SISTEMPada bab ini akan dijelaskan mengenai perancangan sistem, mulai dari perancangan data input yang berupa model file dan demand matrix, penghitungan harga komponen, dan proses pada algoritma genetika. Pada proyek akhir ini, solusi dari sebuah demand matrix dicari dengan mengkombinasikan perangkat yang tersedia pada model file dengan trafik pada demand matrix. Dari solusi tersebut dicari harga minimal yang diperlukan. Algoritma genetika berfungsi untuk membangkitkan beberapa solusi, untuk kemudian diproses sehingga menghasilkan solusi yang lebih optimal. 3.1 Peralatan Yang Dibutuhkan 3.1.1 Perangkat Keras Perangkat keras yang diperlukan dalam pembuatan proyek akhir ini berupa sebuah personal computer dengan spesifikasi teknis sebagai berikut : - Processor Intel Core 2 Duo T5800 - Memory SDRAM 2 GB 3.1.2 Perangkat Lunak Perangkat lunak (software) yang digunakan adalah Microsoft Visual Studio 6.0 yang digunakan untuk membuat program. 3.2 Cara Kerja Sistem Pada proyek akhir ini, tahap tahap yang dilakukan adalah : 3.2.1 Tahap Persiapan Tahap persiapan terdiri dari : - Instalasi Sistem Operasi Windows XP SP2 - Instalasi Microsoft Visual Studio 6.0 3.2.2 Tahap Perancangan Sistem Tahap perancangan system berupa : 3.2.2.1 Perancangan Data Input Perancangan data input berupa perancangan model file dan demand matrix.

23

24Model file adalah sebuah fie berekstensi *.txt yang berisi data data perangkat jaringan yang disediakan oleh sebuah vendor telekomunikasi [3]. Perangkat yang terdapat pada sebuah data file adalah perangkat sebuah node jaringan SDH. Sebuah node jaringan SDH memerlukan beberapa perangkat penunjang seperti router, switch, dan SDH crossconnector. Peralatan ini terdiri dari kombinasi beberapa modul yang berfungsi menghubungkan aliran bit di kedua sisi port-nya. Agar lebih mudah memahami peralatan node jaringan SDH, dibawah ini dijelaskan beberapa fungsinya : a. Base Equipment Configuration (BEC) Pada BEC (Gambar 3.1), terdapat beberapa slot untuk port card yang terinstall. Port card yang terinstall pada BEC membutuhkan resource seperti kapasitas bitrat dan kapasitas slot. Peralatan pada BEC terdiri dari rak, power supply, card controller, dll. b. Port Card Type Modul yang bersifat plug-in ini menyediakan satu atau beberapa port (Gambar 3.2). Pada tugas akhir ini, diasumsikan bahwa satu card hanya mempunyai satu tipe port. c. Port Type Port type ini hanya menyediakan satu port card dan memiliki fungsi dua arah. Port ini di lewati bit rate yang berbeda (sebagai contoh: 1Gb/s, 2.5Gb/s, 10Gb/s dll) dan format signal (sebagai contoh : SDH, Ethernet dll). d. Pluggable port device of kind Modul ini adalah sebuah transceiver yang dipasangkan pada port card dan mempunyai jenis yang berbeda beda tergantung dari jarak dan panjang gelombang yang berbeda. Contohnya adalah Gigabyte Interface Converters (GBIC), Small Form Factor Pluggables (SFP) (Gambar 3.3), atau 10 Gigabit SFP (XFP). e. Resource Commodity BEC akan menyediakan sumber komoditas port card seperti ketersediaan port card, kapasitas switching fabric, dll. Selain menampilkan perangkat yang tersedia, sebuah model file juga menampilkan harga masing masing perangkat, jumlah slot yang dibutuhkan dan jumlah port yang tersedia. Dibawah ini adalah contoh rancangan sebuah model file

25

PortTypes STM16 STM64 STM256 ===== PluggableDeviceKinds ShortRange MediumRange LongRange ====== ResourceTypes CapSlots ======= PortCardTypes Name PortType NumOfPort Cost CapSlot 8xSTM16 STM16 8 60.5 1 8xSTM64 STM64 8 220.5 2 16xSTM64 STM64 16 310.5 2 16xSTM256 STM256 16 850.5 2 ======== PluggableDeviceKindsOfPortCardTypes DeviceKind PortCardType Cost ShortRange 8xSTM16 10.5 MediumRange 8xSTM16 15.5 LongRange 8xSTM16 30.5 ShortRange 8xSTM64 36.5 MediumRange 8xSTM64 60.5 LongRange 8xSTM64 70.5 ShortRange 16xSTM64 65.5 MediumRange 16xSTM64 82.5 LongRange 16xSTM64 102.5 ShortRange 16xSTM256 315.5 MediumRange 16xSTM256 340.5 LongRange 16xSTM256 400.5 ========= BaseEquipmentConfiguration Name Cost CapSlot SingleChassis 320.5 16 TwoChassis 800.5 30 ThreeChassis 1400.5 42 ==========

Gambar 3.1 Model File

26Data input yang kedua berupa demand matrix atau data trafik yang melewati sebuah node jaringsn SDH. Trafik yang melewati sebuah node jaringan SDH mempunyai standar Synchronous Transport Module (STM). Terdapat beberapa tipe STM, seperti STM16, STM64, dll. Masing masing tipe mempunyai perbedaan pada kapasitasnya. Selain perbedaan kapasitas, STM juga dapat dibedakan menurut jaraknya, yaitu jarak pendek (short range (SR)), jarak menengah (medium range (MR)), dan jarak jauh (long range (LR)). Sebuah demand matrix dibuat dari sebuah traffic demand, yang menunjukkan aliran data yang melewati sebuah node jaringan SDH. Dibawah ini adalah contoh sebuah traffic demand :15xSTM16 (SR) 10xSTM64 (SR)

7xSTM256 (LR)

SDH CROSS CONNECT

4xSTM64 (MR)

9xSTM64 (LR)

8xSTM256 (MR)

9xSTM64 (LR)

3xSTM16 (LR)

Gambar 3.2 Traffic Demand Tampak pada gambar 3.2, sebuah node jaringan SDH dilewati oleh delapan jalur data dengan kapasitas dan jarak yang berbeda beda. Angka di depan STM menunjukkan berapa kebutuhan akan jalur STM yang bersangkutan. Contohnya, 3xSTM16 (LR) berarti pada jalur tersebut membutuhkan 3 buah jalur STM16 bertipe short range. Pada model file, tiga buah jalur tersebut berarti tiga buah pluggable device kind diperlukan untuk jalur dengan port card bertipe STM16 tersebut. Dari trafik tersebut, maka demand matrix dapat direpresentasikan seperti berikut :

27Tabel 3.1 Demand Matrix STM16 STM64 STM256 15 10 0 0 4 8 3 18 7

SR MR LR

Pada pemrosesan berikutnya menggunakan algoritma genetika, demand matrix akan dikembangkan menjadi sebuah solusi, berdasarkan jenis perangkat yang tersedia pada model file. 3.2.2.2 Perancangan Algoritma Genetika Algoritma genetika adalah algoritma pencarian yang berdasarkan pada mekanisme sistem natural yakni genetik dan seleksi alam. Pada dasarnya algoritma genetika adalah program komputer yang mensimulasikan proses evolusi, dengan menghasilkan kromosom kromosom dari tiap populasi secara random dan memungkinkan kromosom tersebut berkembang biak sesuai dengan hukum-hukum evolusi yang nantinya diharapkan akan dapat menghasilkan kromosom prima atau yang lebih baik. Kromosom ini merepresentasikan solusi dari permasalahan yang diangkat, sehingga apabila kromosom yang baik tersebut dihasilkan, maka diharapkan solusi yang baik dari permasalahan tersebut juga didapatkan. Pada perancangan model algoritma genetika, tahap tahapnya sebagai berikut : a. Penyandian dan Inisialisasi Kromosom Penyandian adalah pembuatan kromosom yang merepresentasikan sebuah solusi dari permasalahan pada proyek akhir ini. Karena terdapat dua data input, maka sebuah kromosom dibuat dari kombinasi keduanya. Dimana gen dari kromosom tersebut merupakan data jumlah pluggable device kind pada masing masing tipe pord card. Gen gen pada sebuah kromosom dibangkitkan secara acak, dimana data pada tiap port card di demand matrix akan diacak menurut jenis pluggable device kind yang tersedia untuk port card tersebut di model file. Kromosom akan dibangkitkan sejumlah ukuran populasi yang telah ditentukan. Pada program, kromosom dapat dibuat menggunakan data integer. Berikut ini adalah contoh dari sebuah kromosom :

28Tabel 3.2 Kromosom8XSTM16 8XSTM64 16XSTM64 4XSTM256 8XSTM256

SR MR LR b.

15 0 3

2 0 10

8 4 8

0 4 2

0 4 5

Fungsi Evaluasi Pada evaluasi sebuah kromosom, terdapat dua fungsi, yaitu fungsi obyektif dan fungsi fitness. Fungsi obyektif pada kromosom berarti harga yang diperlukan untuk mengimplementasikan sebuah solusi pada kromosom tersebut. Fungsi obyektif itu kemudian dikonversikan menjadi sebuah fungsi fitness. Penentuan fungsi obyektif dilakukan dengan mencari harga minimal yang diperlukan pada kromosom tersebut. Harga harga didapatkan berdasarkan data pada model file, dimana pada sebuah kromosom, yang perlu diperhatikan adalah harga pluggable devise kind, port card, dan harga BEC yang diperlukan. Kemudian, nilai fungsi obyektif ini dikonversikan menjadi sebuah nilai fitness. Karena pada proyek akhir ini dicari solusi dengan fungsi obyektif terkecil, maka fungsi fitness merupakan kebalikan dari fungsi obyektif. Artinya, semakin kecil nilai fungsi obyektif, semakin besar nilai fungsi fitnessnya, karena pada algoritma genetika, penentuan kromosom terbaik berdasarkan fungsi fitness terbesar. c. Seleksi Proses seleksi bertujuan memberikan kesempatan reproduksi yang lebih besar bagi anggota populasi yang paling fit. Dari beberapa metode seleksi, pada proyek akhir ini akan menggunakan metode roulette-wheel selection. Dimana dari tiap kromosom yang dibangkitkan, dicari total fitness, fitness relatif, dan fitness kumulatifnya. Untuk mencari fitness relative tiap kromosom dengan cara : P(n) = F(n)/TotalFitness P(n) = fitness relatif individu ke-n F(n) = fitness pada individe ke-n Sedangkan mencari fitness kumulatif tiap kromosom dengan cara : Q(n) = P(n)+ j=1 p P(n)

29Q(n) = fitness kumulatif individu ke-n j=1 p P(n) = jumlah fitness relatif kromosom - kromosom sebelumnya. Kemudian, dibangkitkan bilangan acak antara 0-1 sebanyak ukuran populasi, atau sebanyak jumlah kromosom yang dibangkitkan. Kromosom akan diseleksi menurut bilangan acak yang dibandingkan dengan fitness kumulatif masing- masing kromosom. Contoh proses seleksi : Tabel 3.3 Populasi awal Bentuk individu Harga Fitness min F(n)10 5 7 3 0 0 0 0 2 2 2 78460000134 11 4 5 5 0 0 0 0 4 0 1 5 10 3 7 0 0 0 0 3 1 6 96280000045 4162,5 4513,5 4052,5 4274,5 4455,5 5873,5 5486,5 5947,5 5725,5 5544,5 28577,5

Kromosom kev1 v2 v3 v4 v5

P(n)0,204 0,192 0,208 0,2 0,196

Q(n)0,204 0,396 0,604 0,804 1,000

Fitness total

No. 1 2

Tabel 3.4 Bilangan Acak Seleksi Bil Acak No. Bil No. Bil Acak Acak 0,852 0,040 3 4 0,352 0,606 5 0,559

30Tabel 3.5 Populasi baru hasil seleksi Kromosom Bentuk individu Harga Fitness kemin F(n)v1 v2 v3 v4 v5 96280000045 10 5 7 3 0 0 0 0 2 2 2 78460000134 5 10 3 7 0 0 0 0 3 1 6 11 4 5 5 0 0 0 0 4 0 1 4455,5 4162,5 4513,5 4274,5 4052,5 5544,5 5873,5 5486,5 5725,5 5947,5

Asalv5 v1 v2 v4 v3

d.

Crossover Crossover atau rekombinasi adalah menyilangkan kromosom satu dengan lainnya. Proses crossover dilakukan dengan membangkitkan bilangan acak antara 0-1 sebanyak jumlah kromosom yang dibangkitkan. Dari bilangan acak itu, kromosom dengan bilangan acak yang kurang dari crossover rate (Pc) akan mengalami crossover, dan akan disilangkan dengan kromosom lain yang mempunyai bilangan acak kurang dari Pc pula. Jumlah kromosom yang akan melakukan crossover harus genap, agar dapat berpasangan. Kemudian, bangkitkan lagi bilangan acak antara 1-totalgen untuk menentukan posisi pemotongan gen pada kromosom yang disilangkan. Gen pada posisi tersebut akan disilangkan dengan gen pada posisi yang sama pada kromosom yang berbeda. Contoh proses Crossover : Tabel 3.6 Kromosom sebelum crossover v4 5 10 3 7 0 0 0 0 3 1 6 2 2 1 1 8 5 2 v5 11 4 5 5 0 0 0 0 4 0 1 7 3 0 2 7 1 6

v4 v5

Tabel 3.7 Kromosom setelah crossover 5 10 3 7 0 0 0 0 4 0 1 7 3 0 2 7 1 6 11 4 5 5 0 0 0 0 3 1 6 2 2 1 1 8 5 2

31e. Mutasi Mutasi ini bertujuan menggantikan gen yang hilang dari populasi akibat proses seleksi yang memungkinkan munculnya kembali gen yang tidak muncul pada inisialisasi populasi. Prosesnya dilakukan dengan membangkitkan bilangan acak antara 0-1sebanyak jumlah gen pada sebuah populasi. Gen yang memiliki bilangan acak kurang dari mutation rate (Pm) akan mengalami mutasi. Pada proyek akhir ini, mutasi dilakukan dengan merandom kembali nilai gen. Contoh proses mutasi : Tabel 3.8 Kromosom sebelum mutasi 5 10 3 7 0 0 0 0 3 1 6 2 2 1 1 8 5 2 11 4 5 5 0 0 0 0 4 0 1 7 3 0 2 7 1 6 Tabel 3.9 Kromosom setelah mutasi 5 10 5 5 0 0 0 0 3 1 6 2 2 1 1 8 5 2 11 4 3 7 0 0 0 0 4 0 1 7 3 0 2 7 1 6

v4 v5

v4 v5 f.

Penentuan Parameter Yang disebut dengan parameter adalah parameter kontrol algoritma genetika, yaitu : ukuran populasi (popsize), peluang crossover (Pc), dan peluang mutasi (Pm). Nilai parameter ini ditentukan juga berdasarkan permasalahan yang akan dipecahkan. Ada beberapa rekomendasi yang bisa digunakan, antara lain : 1. Bila permasalahan yang memiliki kawasan solusi cukup besar, (popsize ; Pc ; Pm)=(50 ; 0,6 ; 0,001) 2. Bila rata rata fitness tiap generasi digunakan sebagai indikator, (popsize ; Pc ; Pm)=(30 ; 0,95 ; 0,01) 3. Bila fitness dari individu terbaik dipantau pada setiap generasi, (popsize ; Pc ; Pm)=(80 ; 0,45 ; 0,01) 4. Ukuran populasi sebaiknya tidak lebih kecil dari 30, untuk sembarang jenis permasalahan.

32Setelah mengalami proses diatas, berarti kromosom telah melewati satu generasi. Proses diulangi kembali dari awal sampai akhir untuk menghasilkan generasi berikutnya. Kromosom awal pada generasi berikutnya (n+1) diambil dari kromosom akhir dari generasi sekarang (n). Dari masing masing generasi, dipilih kromosom terbaik, yaitu kromosom dengan fitness terbesar. Fitness terbesar dari semua generasi adalah solusi terbaiknya. 3.2.2.3 Penghitungan Harga Minimal Dalam pendimensian node hardware jaringan SDH dibutuhkan suatu model matematika untuk mempermudah analisa setiap komponen jaringan SDH. Model matematika ini akan menentukan sebuah solusi optimal dari model minimize (contohnya total harga). Pada tugas akhir ini, model matematika digunakan untuk menemukan harga minimal yang dibutuhkan dari sebuah solusi. Harga minimal ini kemudian digunakan untuk mencari fungsi fitness pada proses algoritma genetika.

Persamaan di atas digunakan untuk menghitung harga dengan menjumlahkan harga dari pluggable device, port card dan base equipment yang dibutuhkan dari sebuah solusi. Parameter yang dihitung adalah : a. ,harga (>=0) untuk pluggable device i pada port card k. b. ,jumlah pluggable device i yang terpasang pada port card tipe k. c. ,harga (>=0) untuk port card k pada semua jenis BEC. d. ,jumlah port card k yang terpasang. e. ,harga (>=0) sebuah BEC tipe . f. ,variabel biner yang menunjukkan BEC terpasang Contoh penghitungan harga minimal sebagai berikut : Misalkan terdapat kromosom : Tabel 3.10 Contoh KromosomSTM16 4xSTM16 8xSTM16 SR MR LR 10 0 3 5 0 0 STM64 8xSTM64 12xSTM64 7 2 3 3 2 6 STM256 8xSTM256 12xSTM256 0 2 4 0 6 3

33Maka komponen yang dibutuhkan dalam kromosom tersebut dapat diketahui : Tabel 3.11 Komponen yang dibutuhkanSTM16 4xSTM16 8xSTM16 Jml SFP Jml port Port Card Terpasang Cap Slots Jml CapSlots 13 4 4 1 4 5 8 1 2 2 STM64 8xSTM64 12xSTM64 12 8 2 2 4 11 12 1 3 3 STM256 8xSTM256 12xSTM256 6 8 2 3 6 9 12 1 3 3

Maka harga yang dibutuhkan dicari dengan mengalikan kebutuhan tiap SFP dan port card yang terpasang dengan harga yang tedapat pada model file. Untuk menentukan tipe BEC, dicari BEC yang emiliki capslot lebih atau sama dengan total capslot yang dibutuhkan. 3.2.2.4 Flowchart Sistem Proses pada flowchart mengikuti alur perencanaan system. Yaitu dimulai dari menmasukkan data input, kemudian dilanjutkan pada proses algoritma genetika.

34

Gambar 3.3 Flowchart Sistem 3.2.3 Tahap Pembuatan Pembuatan system dilakukan dengan membuat sebuah model file berupa file data.txt yang berisi data komponen yang disediakan dan harga masing masing komponen. Pada program, dibuat program untuk

35menginputkan demand matrix. Proses algoritma genetika deprogram mulai dari tahap pembangkitan kromosom sampai mutasi. Parameter parameter dalam algoritma genetika dijadikan data masukan. Seluruh proses pemrograman menggunakan bahasa pemrogaman C++. 3.3 Tempat dan Waktu Pada proyek akhir ini, tempat dan waktu pelaksanaannya berada pada : Tempat : Laboratorium Komunikasi Digital Politeknik Elektronika Negeri Surabaya Institut Teknologi 10 November Surabaya (PENS-ITS) Waktu : Januari Juni 2009 3.4 Pengujian dan Analisa Data Tahap pengujian dilakukan dengan menjalankan system dengan data input dan parameter algoritma genetika yang berbeda beda. Pada pengujian algoritma genetika, parameter yang diubah ubah dengan data input yang sama adalah : a. Jumlah kromosom b. Crossover rate c. Mutation rate d. Jumlah generasi Kemudian dicari parameter yang menghasilkan fitness terbaik. Hal ini bertujuan mendapatkan parameter terbaik dalam algoritma genetika. Pada pengujian data input, data input dimodifikasi dengan data yang besar dan banyak, sedangkan parameter algoritma menggunakan parameter terbaik yang telah diuji sebelumnya. Data input yang dimodifikasi adalah : a. Jumlah port type b. Jumlah port card type c. Jumlah pluggable d. Jumlah BEC Dari situ diuji sampai seberapa kuat system dapat menangani sebuah data input yang besar. Setelah pembuatan system, langkah berikutnya menganalisa data yang dihasilkan system. Dalam hal ini, analisa dilakukan dengan mencari parameter terbaik dari algoritma genetika yang dapat menghasilkan fitness terbaik.

36

~~~Halaman ini sengaja dikosongkan~~~

BAB 4 PEMBUATAN DAN ANALISA SISTEMPada bab ini, akan dibahas mengenai lengakah pembuatan system, yaitu mulai dari pembuatan data input, membuat program algoritma genetika, dan analisa hasil pengujian system. 4.1 Pembuatan Sistem Pembuatan sistem mengikuti langkah langkah yang telah dijelaskan sebelumnya pada bagian perancangan system. Yaitu dimulai dengan membuat data input berupa model file dan demand matrix, penghitungan nilai fitness, dan proses algoritma genetika. 4.1.1 Pembuatan Data Input Data input yang pertama yaitu model file. File ini berisi data perangkat yang disediakan oleh vendor telekomunikasi, beserta harga dan spesifikasi teknis lainnya. Perangkat yang disediakan terdiri dari enam bagian utama, yaitu PortTypes, PluggableDeviceKinds, ResourceTypes, PortCardtypes, PluggableDeviceKindsOfPortCardTypes, dan BaseEquipmentConfiguration. a. PortTypes berisi data jenis port card berdasarkan kecepatannya, seperti STM8, STM16, dan sebagainya. b. PluggableDeviceKinds berisi jenis port card berdasarkan jarak tempuhnya, yaitu Short Range (SR), Medium Range (MR) dan Long Range (LR). c. ResourceTypes berisi jenis resource yang disediakan, yaitu Capslots, atau kapasitas slot pada port card dan BEC. d. PortCardTypes berisi data tipe port card, yaitu 4xSTM8, 16xSTM64, dll. Beserta jumlah port yang tersedia, harga satuan, dan kapasitas slotnya e. PluggableDeviceKindsOfPortCardTypes berisi data tipe pluggable device berdasarkan jarak dan tipe portcardnya, yaitu 4xSTM8 SR, 8xSTM16 MR, dll. Beserta harga satuannya. f. BaseEquipmentConfiguration berisi data tipe BEC yang disediakan, yaitu single chassis, two chassis, dan three chassis. Berikut ini adalah sebuah model file yang dibuat :

37

38PortTypes STM16 STM64 STM256 ===== PluggableDeviceKinds ShortRange MediumRange LongRange ====== ResourceTypes CapSlots ======= PortCardTypes Name PortType NumOfPort Cost CapSlot 8xSTM16 STM16 8 60.5 1 8xSTM64 STM64 8 220.5 2 16xSTM64 STM64 16 310.5 2 16xSTM256 STM256 16 850.5 2 ======== PluggableDeviceKindsOfPortCardTypes DeviceKind PortCardType Cost ShortRange 8xSTM16 10.5 MediumRange 8xSTM16 15.5 LongRange 8xSTM16 30.5 ShortRange 8xSTM64 36.5 MediumRange 8xSTM64 60.5 LongRange 8xSTM64 70.5 ShortRange 16xSTM64 65.5 MediumRange 16xSTM64 82.5 LongRange 16xSTM64 102.5 ShortRange 16xSTM256 315.5 MediumRange 16xSTM256 340.5 LongRange 16xSTM256 400.5 ========= BaseEquipmentConfiguration Name Cost CapSlot SingleChassis 320.5 16 TwoChassis 800.5 30 ThreeChassis 1400.5 42 ==========

Gambar 4.1 Model File

Gambar 4.1 Model File

39Agar dapat dibaca pada program algoritma genetika, maka perlu dibuat sebuah program pembacaan model file. Pembacaan file .txt menggunakan vector, agar memori yang digunakan sesuai memori yang dibutuhkan [6]. Masing masing bagian pada model file diinisialisasi pada vector.using namespace std; //vector 1 dimensi Port Type vector PT; //vector 1 dimensi pluggable device vector PD; //vector 1 dimensi resource type vector RST; //vector 2 dimensi PortCard Type typedef vector ListPCT1D; typedef vector ListPCT2D; ListPCT1D PCT1D; ListPCT2D PCT2D; //vector 2 dimensi pluggable device typedef vector ListPDK1D; typedef vector ListPDK2D; ListPCT1D PDK1D; ListPCT2D PDK2D; //vector 2 dimensi Base equipment configuration typedef vector ListBEC1D; typedef vector ListBEC2D; ListPCT1D BEC1D; ListPCT2D BEC2D;

Gambar 4.2 Inisialisasi Vektor Kemudian, file dipanggil dan di-scanning isi file tersebut

40ifstream file_mskn ("data.txt"); //memanggil file data.txt while (!file_mskn.eof()) { file_mskn.getline (dt,100); //membaca baris if (strcmp(dt,"PortTypes") == 0) { //untuk scan PortType for (int i = 0; i