Analisis Pola Spasial Gangguan Jaringan Telkom Speedy Salatiga … · 2018. 7. 10. · Telkom Speedy is a product of the Internet services from PT.Telkom Indonesia, which is mostly

Analisis Pola Spasial Gangguan Jaringan Telkom Speedy Salatiga

Berbasis Moran’s dengan Fitting Sinusoids

Artikel Ilmiah

Peneliti :

Nanda Canggih Prasetyo Mukti (672014727)

Kristoko Dwi Hartomo, M.Kom.

Program Studi Teknik Informatika

Fakultas Teknologi Informasi

Universitas Kristen Satya Wacana

Salatiga

Juni 2015

i



Artikel Ilmiah

Diajukan kepada


Untuk memperoleh gelar Sarjana Komputer

Peneliti :

Nanda Canggih Prasetyo Mukti (672014727)

Kristoko Dwi Hartomo, M.Kom.

Program Studi Teknik Informatika



Salatiga

Juni 2015

ii

iii

iv

v

vi

vii

viii



1)

Nanda Canggih Prasetyo Mukti, 2)

Kristoko Dwi Hartomo



Jl. Diponegoro 52-60, Salatiga 50711, Indonesia

E-mail: 1)[email protected], 2) [email protected]

Abstract

Telkom Speedy is a product of the Internet services from PT.Telkom Indonesia, which is

mostly used by the people to supporting of mobility in the every day. No exception by the people in

the city of Salatiga, which is a city in central Java province, which consists of 4 districts with 22

villages. In the implementation, Telkom speedy service is often has failure in the process of data

transmission from the server to the customers, that caused by various factors. On this research

will be conducted mapping and analysis of the many of speedy data network failure that occurred

in the town of Salatiga. In the mapping will be built using the R programming language with

spatial autocorelation analysis using moran method to identify regions that have spatial

autocorrelation relationship and to determine the spatial pattern of the spread of failure. The high

of failure occurred in the period of the six months from January until June, the highest failure

occurred in February. The urban villages of Salatiga, Sidorejo lor, Mangunsari. Kalibening dan

Cebongan indicated to have a relationship spatial autocorrelation and spatial patterns formed are

clustered. In the urban village that has a relationship spatial autocorrelation in high-high

quadrant will be analyzed using the fitting sinusoid to know how many of the speedy network

failure on the weekly period based on the concept of fitting.

Keywords: Telkom Speedy Failure, Spatial Autocorelation, Moran, Fitting Sinusoids.

Abstrak

Telkom Speedy merupakan produk layanan jasa internet dari PT.Telkom Indonesia yang

banyak digunakan oleh masyarakat dalam menunjang mobilitas sehari-hari. Tak terkecuali oleh

masyarakat di Kota Salatiga, yang merupakan salah satu kota di provinsi Jawa tengah yang terdiri

dari 4 kecamatan dengan 22 kelurahan. Dalam prakteknya, layanan Telkom speedy masih sering

mengalami gangguan dalam proses transmisi data dari server Telkom ke pelanggan, yang

disebabkan oleh berbagai faktor. Pada penelitian ini akan dilakukan pemetaan dan analisis

terhadap banyaknya gangguan jaringan data speedy yang terjadi di Kota Salatiga. Pada pemetaan

akan dibangun menggunakan bahasa pemrograman R dengan analisis autokorelasi spasial

menggunakan metode moran untuk mengidentifikasi daerah yang memiliki hubungan autokorelasi

spasial serta untuk mengetahui pola spasial dari penyebaran gangguan. Gangguan yang tinggi

terjadi pada periode enam bulan awal Januari-Juni, dengan gangguan tertinggi terjadi di bulan

Februari. Kelurahan Salatiga, Sidorejo lor, Mangunsari, Kalibening dan Cebongan terindikasi

memiliki hubungan autokorelasi spasial dan pola spasial yang terbentuk adalah pola

mengelompok. Pada kelurahan yang terindikasi memiliki hubungan autokorelasi spasial di kuadran

tinggi-tinggi akan dianalisis menggunakan fitting sinusoids untuk mengetahui banyaknya

gangguan yang terjadi pada periode mingguan berdasarkan konsep fitting.

.

Kata Kunci: Gangguan Telkom Speedy, Autokorelasi Spasial, Moran, Fitting Sinusoids.

1)Mahasiswa Program Studi Teknik Informatika, Fakultas Teknologi Informasi, Universitas

Kristen Satya Wacana 2)

Staf Pengajar Fakultas Teknologi Informasi, Universitas Kristen Satya Wacana

1

1. Pendahuluan

Seiring dengan perkembangan dan kemajuan di bidang ilmu pengetahuan

dan teknologi menyebabkan kebutuhan manusia akan jasa komunikasi dan

informasi menjadi salah satu kebutuhan utama dalam mendukung mobilitas

sehari-hari. Salah satunya adalah. media internet. Termasuk di Salatiga, yang

merupakan salah satu kota yang terletak di Provinsi Jawa Tengah, dengan luas

wilayah ± 56,78 km², terdiri dari 4 kecamatan, 22 kelurahan dan berpenduduk

sekitar 176.795 jiwa, terletak pada jalur regional Jawa Tengah yang

menghubungkan kota regional Jawa Tengah, Semarang dan Surakarta [1].

Layanan akan media internet sudah menjadi salah satu kebutuhan utama bagi

warga di Kota Salatiga.

Saat ini terdapat banyak pilihan layanan telekomunikasi penyedia jasa

internet. Salah satunya adalah Telkom Speedy, yang merupakan produk layanan

jasa internet dari Telkom Indonesia yang menawarkan paket dengan kecepatan

tinggi, 512kbps-100mbps [2]. Namun dalam prakteknya dilapangan, pada layanan

speedy masih sering dijumpai adanya gangguan jaringan yang menyebabkan

transmisi data ke pelanggan mengalami gangguan, seperti gangguan jaringan yang

disebabkan oleh modem speedy yang bermasalah, ketersediaan DNS (domain

name system) dari Telkom, gangguan pada sistem DSLAM (Digital Subscriber

Line Access Multiplexer), dan faktor lainnya. Dengan sering dijumpainya

gangguan-gangguan tersebut maka membuat layanan yang diberikan kepada

pelanggan menjadi kurang maksimal.

Pada penelitian ini akan dilakukan pemetaan atau mapping pada data

gangguan jaringan speedy area Salatiga untuk mengetahui bagaimana gambaran

penyebaran gangguan selama tahun 2014, memberikan informasi periode waktu

terjadinya gangguan tertinggi. Dan akan dianalisis menggunakan metode moran,

untuk mengetahui autokorelasi spasial yang terbentuk antar wilayah kelurahan

yang saling bertetanggaan sehingga dapat memberikan informasi mengenai

distribusi gangguan dan bagaimana pola spasial yang dibentuk, serta menjelaskan

bagaimana hubungan jumlah gangguan terhadap tingkat kependudukan di Kota

Salatiga. Kemudian untuk daerah yang terindikasi memiliki hubungan

autokorelasi spasial pada kuadran tinggi-tinggi, jumlah gangguan akan dianalisis

menggunakan metode fitting sinusoids, untuk dilakukan pemodelan kedalam

bentuk grafik, dimana akan memberikan gambaran mengenai berapa banyak

jumlah gangguan yang terjadi setelah grafik data aktual yang bersifat fluktuatif

diperhalus menggunakan konsep fitting. Dengan adanya penelitian ini akan

memberikan berbagai informasi yang diharapkan dapat membantu pihak Telkom

Salatiga sebagai bahan pertimbangan dalam menentukan kebijakan untuk lebih

memaksimalkan layanan jasa internet atau data speedy kepada pelanggan di

wilayah Salatiga.

2. Tinjauan Pustaka

Penelitian sebelumnya yang berjudul “Analisis Availability Sistem

Penanganan Gangguan Jaringan Speedy di PT. Telekomunikasi Indonesia, tbk”.

2

Pada penelitian tersebut menekankan analisis terhadap kinerja sistem speedy

dalam mengatasi gangguan dan menghasilkan informasi bahwa kinerja

penanganan gangguan pada sistem transmisi adalah yang terbaik dengan nilai

availability sebesar 99,98% [6], dimana semakin besar tingkat availibility, maka

kinerja dari suatu sistem semakin baik. Penelitian lainnya dengan judul “Pemetaan

Penyakit Demam Berdarah Dengue dengan Analisis Pola Spasial di Kabupaten

Pekalongan”[8]. Analisis dalam penelitian ini lebih berfokus pada pencarian

autokorelasi antar daerah penyebaran penyakit demam berdarah dengue. Pada

penelitian lain yang menggunakan fitting sinusoids dengan judul “Kombinasi

Fitting Sinusoids dan Metode Dekomposisi dalam Memprediksi Besar Permintaan

Kredit (Studi Kasus: Koperasi Simpan Pinjam X Salatiga, Jawa Tengah)”.

Penelitian ini hanya sebatas pada peramalan terhadap permintaan kredit dengan

menggunakan metode fitting sinusoids untuk melakukan pendekatan pada plot

data permintaan kredit dengan menggunakan dekomposisi untuk melakukan

peramalan [7].

Berdasarkan penelitian sebelumnya yang telah dilakukan, didapatkan

informasi bahwa layanan Telkom speedy dari PT.Telkom masih sering mengalami

gangguan pada jaringan data yang disebabkan oleh berbagai faktor. Dengan

membandingkan pada tiga penelitian sebelumnya, selain perbedaan pada studi

kasus, pada penelitian ini akan berfokus pada analisis dan pemetaan terhadap

jumlah gangguan jaringan speedy yang terjadi, yang bertujuan untuk memberikan

informasi mengenai gambaran penyebaran gangguan speedy di Salatiga selama

satu tahun, mengidentifikasi waktu terjadinya rawan gangguan, informasi daerah

yang teridentifikasi memiliki hubungan autokorelasi spasial, pola spasial yang

terbentuk, dan jumlah gangguan dalam periode yang lebih singkat (mingguan)

pada daerah yang terindikasi memiliki hubungan autokorelasi spasial (kuadran

tinggi-tinggi) setelah diperhalus grafik data gangguannya yang bersifat fluktuatif

dengan berdasarkan pada konsep fitting, dimana tidak dipaparkan atau tidak

secara lengkap tersaji dalam tiga penelitian sebelumnya.

Autokorelasi Spasial

Data spasial merupakan data yang mempresentasikan aspek keruangan atau

suatu data yang berorientasi geografis dan memiliki sistem koordinat tertentu

untuk dasar referensinya dengan informasi lokasi (spasial) dan informasi

deskriptif (attribute). Sedangkan autokorelasi spasial adalah suatu ukuran

kemiripan dari objek dalam suatu ruang (jarak, waktu maupun wilayah) atau dapat

diartikan suatu korelasi antara variabel dengan dirinya sendiri berdasarkan ruang.

Adanya autokorelasi spasial mengindikasikan bahwa nilai atribut pada daerah

tertentu terkait oleh nilai atribut pada daerah lain yang letaknya saling berdekatan

atau bertetangga [3].

Jika pada suatu daerah yang saling berdekatan memiliki nilai atribut yang

hampir sama, maka menunjukkan adanya autokorelasi spasial positif. Jika nilai

yang berdekatan tidak mirip, maka menunjukkan autokorelasi spasial negatif, dan

untuk nilai yang acak, menunjukkan tidak adanya autokorelasi spasial. Analisis

pada data spasial juga berfungsi untuk mengidentifikasi bagaimana spasial patern

atau pola spasial yang dibentuk dari data. Pola spasial berfungsi untuk

3

menjelaskan bagaimana fenomena geografis terdistribusi dan bagaimana

perbandingannya dengan fenomena lainnya. Pola spasial dibagi kedalam tiga

kelompok, diataranya menyebar / merata (uniform), acak (random), dan

mengelompok (clustered).

Moran

Moran merupakan salah satu metode yang dapat digunakan untuk

menentukan tingkat hubungan autokorelasi spasial, dimana prinsip kerja metode

ini adalah dengan membandingkan nilai pengamatan pada suatu daerah dengan

daerah yang lainnya [3]. Dalam penggunaan metode moran diperlukan suatu nilai

indeks moran’s I untuk melakukan uji statistik dalam mengukur korelasi satu

variabel, seperti contohnya variable X ( Xi dan Xj ) dimana i ≠ j. Statistik uji dari

indeks moran’s I dapat diturunkan dalam bentuk statistik peubah acak normal

baku. Hal ini didasarkan pada teori Dalil Limit Pusat dimana untuk n yang besar

dan ragam diketahui maka Z(Ii) akan menyebar normal baku seperti pada

persamaan berikut.

𝑍ℎ𝑖𝑡 = 𝑙𝑖−𝐸(𝐼𝑖)

√𝑣𝑎𝑟(𝐼𝑖) ……………………………..…(1)

Dengan 𝑍ℎ𝑖𝑡 adalah nilai statistik uji, Ii adalah indeks moran, 𝐸(𝐼𝑖) adalah

nilai ekspektasi indeks moran dan 𝑣𝑎𝑟(𝐼𝑖) adalah nilai varians indeks moran.

Dari persamaan diatas akan membantu untuk melakukan pengidentifikasian

koefisien autokorelasi secara lokal (LISA) dalam artian untuk menemukan

korelasi spasial pada setiap daerah. Serta akan membantu membentuk kedalam

grafik moran’s scatterplot, moran’s scatterplot adalah salah satu cara untuk

menginterpretasikan statistik indeks moran’s. Moran’s scatterplot merupakan alat

untuk melihat hubungan antara (nilai pengamatan yang sudah distandarisasi)

dengan (nilai rata-rata daerah tetangga yang telah distandarisasi) [3].

Untuk nilai yang dihasilkan dalam indeks moran berkisar antara -1 sampai 1

yang nantinya akan dinyatakan dalam dua hipotesis untuk mengidentifikasi

autokorelasi. Jika Ii = 0 (tidak ada autokorelasi spasial) dan jika Ii ≠ 0 (terdapat

autokorelasi spasial) dengan nilai positif mengindikasikan autokorelasi spasial positif

yang berarti pola data membentuk kelompok (clustered), dan nilai negatif

mengindikasikan autokorelasi spasial negatif yang berarti pola data menyebar

(uniform).

Fitting Sinusoids

Fitting sinusoids adalah proses pencocokan data dengan menggunakan

fungsi trigonometri (Sinus) untuk melakukan pendekatan pada kurva yang

dibentuk dari data aktual, dimana gelombang sinus berpangkal terhadap

persamaan 𝑦 = sin 𝜃, dimana 𝜃 adalah suatu sudut. Persamaan ini

menggambarkan suatu gelombang dengan nilai maksimum 1 dan nilai minimum -

1, yang bermula dari titik 0 (0°), dan berakhir pada koordinat 0 (360°). Persamaan

dalam bentuk sin dapat diberikan sebagai berikut [4].

4

𝑦 = 𝑎 sin 𝑏 (𝑥 − ℎ) + 𝑘 ……………………..(2)

Dimana 𝑎 adalah amplitudo, 2𝜋

𝑏 adalah periode, ℎ adalah horizontal shift,

dan 𝑘 adalah vertikal shift. Nilai 𝑎, 𝑏, ℎ dan 𝑘 ditentukan dengan menyesuaikan data yang akan dicocokkan. Untuk mengetahui ketepatan hasil dari metode dapat

dilakukan uji kesalahan. Terdapat banyak metode dalam melakukan uji akurasi,

salah satunya yaitu Nilai Tengah Galat Persentase Absolut (Mean Absolut

Percentage Error) dengan menggunakan persamaan berikut [10].

𝑀𝐴𝑃𝐸 = ∑|(𝑋𝑡 − 𝐹𝑡

𝑋𝑡)(100)|

𝑛𝑛𝑡=1 ………………………(3)

Dimana 𝑋𝑡 adalah data aktual pada periode ke – 𝑡, 𝐹𝑡 adalah data hasil pada

periode ke- 𝑡, 𝑛 adalah jumlah data yang digunakan, dan 𝑡 adalah periode ke-𝑡.

3. Metodologi Penelitian

Data yang digunakan dalam penelitian ini adalah data spasial yang didapat

dari PT. Telkom Salatiga yang dimulai dari bulan Januari sampai dengan

Desember 2014. Metodologi penelitian sendiri dalam pengertianya adalah

epistemologi yang mengkaji urutan langkah-langkah yang ditempuh supaya

pengetahuan yang diperoleh dapat memenuhi ciri-ciri ilmiah [5].

Gambar 1 Tahapan Penelitian

Berdasarkan pada Gambar 1, tahap penelitian dapat dijelaskan sebagai

berikut: (1) tahap pertama adalah identifikasi dan perumusan masalah, dalam hal

5

ini adalah tentang gangguan jaringan pada layanan data Telkom speedy area

Salatiga, (2) tahap berikutnya pengumpulan dan pengolahan data yang didapat

dari PT. Telkom Salatiga. Data yang digunakan adalah data gangguan dari Januari

sampai Desember 2014. Data awal yang didapat dari PT. Telkom masih berupa

data mentah dan belum bisa memberikan informasi akurat untuk digunakan dalam

penelitian, karena PT.Telkom Salatiga selain menangani keluhan di area Salatiga

juga menangani keluhan dari area Kab.Semarang, Boyolali dan Klaten. Agar dapat

memberikan informasi sesuai dengan kebutuhan, maka data kembali diolah

dengan mengelompokan data untuk gangguan pada wilayah Salatiga. Kemudian

dicari informasi kecamatan dan kelurahan dari setiap data yang telah

dikelompokan. Pada proses ini akan dihasilkan output data yang akan digunakan

untuk proses selanjutnya. Jika output data yang dihasilkan memberikan informasi

bahwa kecamatan dan kelurahan termasuk dalam area Salatiga maka proses akan

dilanjutkan ke tahap pemetaan dan analisis data, jika sebaliknya maka output data

yang dihasilkan akan dihapus karena tidak sesuai dengan kebutuhan.

Gambar 2 Arsitektur Sistem Mapping

(3) Tahap berikutnya adalah proses mapping / pemetaan dan analisis data.

Berdasarkan pada Gambar 2, pada tahap pembangunan pemetaan dilakukan

proses input data dan pemodelan. Pertama data spasial dikelompokan dan diinput

kedalam file dengan format .csv, kemudian melakukan pemodelan data dalam

bentuk peta vector dengan format shape files(.shp), yang kemudian diolah

menggunakan program bahasa R untuk menghasilkan mapping data dari file.csv

kedalam peta shp untuk memberikan gambaran visual penyebaran gangguan,

kemudian akan dilakukan analisis data menggunakan metode moran untuk

menidentifikasi autokorelasi spasial dan pola spasial yang terbentuk. Untuk

pengolahanya kedalam bahasa R dibutuhkan beberapa packages library seperti

class, classInt, spdep, sp, maptools, RcolorBrewer, rgdal dan plotrix yang

nantinya akan memberikan hasil mapping dan informasi dari data dalam bentuk

peta LISA (Local Indicator Spatial Association).

Kemudian dilakukan tahap berikutnya (4) analisis dengan fitting sinusoids,

untuk analisis ini digunakan program microsoft excel. Diawali dengan

mengelompokan data kedalam periode mingguan untuk daerah kelurahan yang

terindikasi memiliki hubungan autokorelasi spasial pada kuadran tinggi-tinggi,

6

yang kemudian dimodelkan dalam sinusoids untuk mendapatkan data fitting dan

besarnya error yang akan digunakan untuk melakukan pencocokan kurva

terhadap data aktual. (5) Tahap berikutnya dari penelitian ini adalah penulisan

laporan, sekaligus sebagai penanda bahwa penelitian telah selesai.

Batasan masalah dalam penelitian ini antara lain, data yang digunakan

adalah data gangguan jaringan Telkom speedy dari PT. Telkom Salatiga dari bulan

Januari sampai Desember 2014. Pemetaan dibangun menggunakan bahasa R, yaitu

open source dari bahasa pemrograman S yang mempunyai kemampuan dalam

mengolah data spasial, melakukan statistik dan analisis yang dilengkapi dengan

operator pengolahan array dan matriks [9]. Hubungan autokorelasi spasial akan

dianalisis menggunakan metode moran. Hanya pada daerah yang terindikasi

memiliki hubungan autokorelasi spasial pada kuadran tinggi-tinggi (high-high)

yang akan dianalisis menggunakan metode fitting sinusoids menggunakan

microsoft excel, dengan mengelompokkan data kedalam periode mingguan yang

kemudian akan diplot untuk mengetahui pola data yang dibentuk dalam kurva,

untuk mengetahui berapa besar jumlah gangguan setelah grafik diperhalus

berdasarkan konsep fitting.

4. Hasil Dan Pembahasan

Salatiga merupakan kota yang terletak di Provinsi Jawa Tengah yang terbagi

kedalam 4 kecamatan dengan 22 kelurahan, diantaranya Kecamatan Argomulyo

yang terdiri dari Kelurahan Cebongan, Kumpulrejo, Ledok, Noborejo, Randuacir,

Tegalrejo. Kecamatan Sidomukti yang terdiri dari Kelurahan Dukuh, Kalicacing,

Kecandran, Mangunsari. Kecamatan Sidorejo yang terdiri dari Kelurahan

Blotongan, Bugel, Kauman kidul, Pulutan, Salatiga, Sidorejo lor. Dan Kecamatan

Tingkir yang terdiri dari Kelurahan Gendongan, Kalibening, Kutowinangun,

Sidorejo kidul, Tingkir lor dan Tingkir tengah. Dengan pusat kota berada pada

Kelurahan Salatiga.Seperti yang ditunjukan pada Gambar 3 dalam peta

administratif dan kepadatan penduduk tahun 2013/2014 Kota Salatiga berdasarkan

data dari badan pusat statistika kota Salatiga.

Gambar 3 Peta Administratif dan Kepadatan Penduduk Kota Salatiga

7

Pemetaan Gangguan Jaringan Speedy Salatiga

Untuk tahap awal penelitian, dari data gangguan jaringan speedy Salatiga

PT.Telkom Salatiga yang telah dikelompokkan dan memenuhi kriteria dengan

kondisi dimana kecamatan dan kelurahan terjadinya gangguan pada data

gangguan jaringan speedy termasuk kedalam area Salatiga akan dipetakan

menggunakan bahasa R untuk mengetahui gambaran dari penyebaran gangguan.

Dan berikut adalah hasil pemetaan dari penyebaran gangguan jaringan data

Telkom speedy area Salatiga pada tahun 2014, dengan kondisi jumlah gangguan

berada dibawah 15 gangguan perbulan dikategorikan kedalam kategori rendah,

gangguan dengan jumlah gangguan dibawah 30 gangguan perbulan berada dalam

kategori sedang dan diatas 30 gangguan perbulan berada pada kategori tinggi.

Dalam pemetaan menggunakan R untuk gangguan jaringan speedy Kota

Salatiga menunjukkan bahwa pada bulan Januari 2014, jumlah gangguan dengan

kategori tinggi terjadi di Kelurahan Salatiga dan Sidorejo lor. Pada bulan Februari

jumlah gangguan tinggi terjadi di Kelurahan Salatiga, Sidorejo lor, Mangunsari,

Dukuh, Kalicacing, Tegalrejo dan Kutowinangun. Pada bulan Maret, jumlah

gangguan tinggi terjadi di Kelurahan Salatiga dan Dukuh. Pada bulan April, Mei

dan Juni jumlah gangguan tinggi hanya terjadi di Kelurahan Salatiga. Kemudian

untuk penyebaran gangguan jaringan speedy pada bulan Juli, dimana pada mulai

bulan ini rata-rata gangguan pada setiap wilayah mulai mengalami penurunan

jumlah gangguan yang dibandingkan pada periode bulan-bulan sebelumnya, tapi

untuk Kelurahan Salatiga, dan Sidorejo lor, masih berada pada kategori gangguan

yang tinggi.. Untuk penyebaran gangguan pada bulan Agustus, gangguan tertinggi

terjadi di Kelurahan Salatiga, dalam kategori jumlah gangguan yang sedang. Pada

bulan September, jumlah gangguan mengalami peningkatan dari bulan Agustus,

dengan Kelurahan Salatiga dan Sidorejo lor kembali berada pada katehori jumlah

gangguan tinggi. Pada bulan Oktober, gangguan dengan jumlah tinggi terjadi di

Kelurahan Sidorejo lor dan Mangunsari.

Gambar 4 Pemetaan Gangguan Jaringan Speedy Salatiga Dalam Bulan

8

Pada bulan November, semua wilayah mengalami penurunan jumlah

gangguan, dimana untuk semua kelurahan pada bulan ini berada pada kategori

jumlah gangguan rendah. Pada bulan Desember, jumlah gangguan kembali

meningkat, dengan gangguan dalam kategori tinggi kembali terjadi di Kelurahan

Salatiga dan Sidorejo lor. Dari pemetaan ini, didapatkan informasi bahwa selama

tahun 2014 gangguan tertinggi pada bulan Februari dan gangguan terendah terjadi

pada bulan November, dimana jumlah terjadinya gangguan mulai mengalami

penurunan pada enam bulan terakhir, dari bulan Juli sampai Desember bila

dibandingkan dengan jumlah gangguan pada enam bulan awal.

Gambar 4 adalah hasil pemetaan gangguan jaringan speedy dalam periode

bulan, dimana pola penyebarannya, dengan indikator warna biru muda, ke biru

gelap menuju ke hijau muda. Biru muda menandakan jumlah gangguan yang

rendah, biru tua menandakan jumlah gangguan yang cukup dan warna hijau muda

menandakan jumlah gangguan tinggi. Pada Gambar 4a menunjukkan pemetaan

gangguan pada bulan Februari, dimana pada bulan ini adalah periode bulan

dengan jumlah gangguan tertinggi, dengan rata-rata tiap kelurahan mengalami

gangguan tertinggi di bulan ini. Dan Gambar 4b adalah pemetaan pada bulan

November, dimana bulan ini adalah periode dengan jumlah gangguan terendah

untuk tiap kelurahan.

Gambar 5 Pemetaan Gangguan Jaringan Speedy Tahun 2014

Gambar 5 adalah hasil pemetaan gangguan jaringan speedy Kota Salatiga

selama satu tahun pada 2014. Dengan kondisi jumlah gangguan berada dibawah

120 gangguan pertahun berada dalam kategori rendah, gangguan dengan jumlah

gangguan dibawah 350 gangguan pertahun berada dalam kategori sedang dan

diatas 350 gangguan pertahun berada pada kategori tinggi. Dari pemetaan diatas

9

menggambarkan, dimana daerah dengan gangguan kategori tinggi terjadi di

Kelurahan Salatiga, Sidorejo lor, Mangunsari dan Dukuh.

Dari pemetaan yang telah dibangun, didapatkan informasi bahwa periode

rawan gangguan terjadi pada enam bulan awal, dengan jumlah gangguan tertinggi

terjadi pada bulan Februari. Dan juga tergambarkan bahwa pada tahun 2014

gangguan jaringan speedy di area Salatiga memiliki pola penyebaran terjadinya

gangguan yang bersifat mengelompok (cluster), dimana digambarkan seperti pada

gangguan kategori tinggi yang terlihat mengelompok pada daerah yang

berdekatan dengan Kelurahan Salatiga, yang merupakan lokasi dimana pusat

server Telkom di Kota Salatiga berada.

Gambar 6 Pseucode Pemetaan Total Gangguan

Untuk pseucode dari program pemetaan total gangguan ditunjukkan pada

Gambar 6. Diawali dengan memasukkan library untuk mapping dan plotting data.

Selanjutnya membaca file.shp dan .csv (Salatiga.shp dan speedytotal.csv)

Kemudian memanggil field dari speedytotal.csv, dimana data pada field ini yang

nantinya akan diplottingkan. Tahap selanjutnya membuat fungsi Map Interval

Color untuk proses pewarnaan sesuai interval yang digunakan. Dalam fungsi ini

diberikan masukan jenis warna yang akan digunakan sesuai pada library.

Kemudian membuat kondisi pewarnaan untuk interval data berdasarkan nilai data

pada field yang berisi jumlah gangguan dari speedytotal.csv, dengan kondisi jika

nilai data bernilai 0 sampai < 120 maka akan dicetak pada color 1. Jika nilai data

= 120 sampai < 350 maka akan diberikan color 2. Jika nilai data = 350 sampai <

900 maka akan diberikan color 3. Dengan tingkatan warna, color 1 adalah biru

muda, color 2 adalah biru tua dan color 3 adalah hijau muda. Berikutnya adalah

mencetak label yang merupakan legend dan text pada peta.

Untuk Library-library yang digunakan dalam membuat pemetaan dalam

penelitian ini diantaranya adalah library maptools yang dibutuhkan untuk

membaca dan mengolah file.shp, Library RColorBrewer sebagai penyedia warna

dalam pemetaan. Library classInt digunakan sebagai penyedia method agar dapat

membuat fungsi kelas interval dalam mapping. Library spdep digunakan untuk

mengolah data spasial, dan membuat spatial autocorrelation. Library lattice untuk

10

pengolahan data kedalam grafik, Library rgdal untuk mengimport pola vector

dalam file.shp agar bisa ditampilkan. Library sp, sebagai penyedia class dan

method untuk data spasial dan untuk menjalankan library rgdal. Dan Library

plotrix yang digunakan untuk melakukan plotting dan pelabelan dalam peta.

Uji Moran’s I

Setelah digambarkan dan diketahui pola spasial penyebaran gangguan

selama tahun 2014, tahap berikutnya adalah melakukan uji moran’s I. Tujuannya

adalah untuk mengidentifikasi koefisien autokorelasi secara lokal (LISA) atau

menemukan hubungan korelasi spasial pada setiap daerah sesuai pada data gangguan.

Tabel 1 Pengujian Moran’s I

No Kelurahan Ii E(i) var(i) Zhit Pvalue

1 Kecandran -2.562 -0.1904 3.156 -1.3351 0.909

2 Kumpul rejo -1.051 -0.1904 3.156 -0.4845 0.686

3 Tingkir lor 0.678 -0.1904 3.156 0.4892 0.3123

4 Sidorejo kidul 0.483 -0.238 3.94 0.3632 0.3582

5 Kalibening 1.461 -0.1904 3.156 0.9296 0.1762*

6 Tingkir tengah 0.295 -0.0952 1.574 0.3116 0.3776

7 Kutowinangun 0.457 -0.0952 4.72 0.3419 0.3661

8 Ledok 0.681 -0.2857 4.72 0.4453 0.328

9 Cebongan 2.027 -0.2857 4.72 1.0647 0.1434*

10 Noborejo 0.957 -0.2857 1.574 0.8387 0.2007

11 Kauman kidul 0.177 -0.0952 1.574 0.2176 0.4138

12 Dukuh -0.717 -0.1428 2.367 -0.3733 0.6455

13 Pulutan -0.745 -0.1428 2.367 -0.3916 0.6523

14 Blotongan -0.042 -0.1428 2.367 0.0651 0.474

15 Bugel -4.093 -0.238 3.94 -1.9423 0.9739

16 Salatiga 6.122 -0.238 3.94 3.2039 0.0006*

17 Sidorejo lor 2.679 -0.2857 4.72 1.3645 0.0861*

18 Randuacir 0.926 -0.238 3.94 0.5867 0.2786

19 Tegalrejo -0.081 -0.238 3.94 0.0789 0.4685

20 Mangunsari 3.987 -0.3333 5.495 1.8431 0.0326*

21 Kalicacing -0.347 -0.2857 4.72 -0.0282 0.5112

22 Gendongan -2.025 -0.238 3.94 -0.9005 0.816

Berdasarkan pengujian terhadap adanya autokorelasi dengan menggunakan

indeks moran’s pada Tabel 1, menunjukan bahwa pada tahun 2014 terdapat

kelurahan yang memiliki autokorelasi spasial yaitu Kelurahan Salatiga, Kelurahan

Sidorejo lor, Kelurahan Mangunsari, Kelurahan Kalibening dan Kelurahan

Cebongan dimana kelima kelurahan tersebut memiliki autokorelasi spasial positif

dan terdapat kelurahan dengan tingkat signifikasi lebih dari 5%, dimana

mengindikasikan kedekatan lokasi tidak hanya bersinggungan antar tepi batas

wilayah tapi juga ada indikasi dipengaruhi oleh tingkat mobilitas penduduk pada

11

kelurahan-kelurahan tersebut. Dengan kondisi autokorelasi spasial positif

menunjukkan bahwa pada daerah yang saling berdekatan memiliki nilai atribut

yang hampir sama, hal ini sesuai pada analisis sebelumnya yang menyatakan

bahwa pola penyebaran terjadinya jumlah gangguan jaringan speedy di Salatiga

yang bersifat mengelompok (cluster), dimana kondisi yang mengelompok

menggambarkan adanya kemiripan atau angka gangguan yang terjadi antar

kelurahan tersebut hampir sama. Kemudian berdasarkan data pada pengujian

indeks moran’s akan dibentuk grafik moran’s scatterplot yang berfungsi untuk

melihat hubungan antara nilai pengamatan yang sudah distandarisasi dengan nilai

rata-rata daerah tetangga yang telah distandarisasi.

Gambar 7 Grafik Scaterplot Gangguan Speedy 2014

Pada grafik scatterplot Gambar 7, menunjukan bahwa titik pencar pada

kuadran 1 menunjukan kelurahan yang memiliki angka gangguan tinggi berada

diantara kelurahan yang angka gangguannya tinggi (high-high). Kuadran 2,

menunjukkan kelurahan yang memiliki angka gangguan rendah berada diantara

kelurahan dengan angka gangguan tinggi (low-high). Kuadran 3, menunjukkan

kelurahan yang memiliki angka gangguan rendah berada diantara kelurahan

dengan angka gangguan rendah (low-low). Dan Kuadran 4, menunjukkan

kelurahan yang memiliki angka gangguan tinggi berada diantara kelurahan dengan

angka gangguan rendah (high-low). Dari grafik scatterplot tersebut dapat

disimpulkan bahwa pada tahun 2014, sebagian besar daerah yang mengalami

gangguan jaringan speedy menyebar berada di kuadran 2 (low-high) dan kuadran

3 (low-low).

Dari hasil moran’s scatterplot dan LISA memberikan informasi bahwa pada

Kelurahan Salatiga, Sidorejo lor, Mangunsari, Kalibening dan Cebongan memiliki

hubungan autokorelasi spasial positif, dengan kondisi dimana Kelurahan Salatiga,

Sidorejo lor dan Mangunsari terindeks kedalam daerah yang mengalami gangguan

tinggi dengan kondisi gangguan pada daerah disekitarnya juga tinggi (high-high),

serta Kelurahan Kalibening dan Cebongan yang terindeks kedalam daerah dengan

12

gangguan rendah yang berada di sekitar daerah dengan gangguan tinggi (low-

high). Dan berikut pada Gambar 8 adalah hasil visualisasi kedalam peta LISA.

Gambar 8 Peta LISA Distribusi Gangguan Speedy Salatiga 2014

Gambar 9 Pseucode Uji Moran’s I

Gambar 9 adalah pseucode untuk uji moran’s i. Diawali dengan melakukan

pendeklarasian untuk library-library yang dibutuhkan, menentukan file.shp

(Salatiga.shp) dan file.csv (speedytotal.csv) yang dibutuhkan. Kemudian

memanggil poly2nb dari library (spdep) untuk mendefinisikan hubungan

ketetanggaan / autokorelasi dari setiap wilayah pada peta vector Salatiga.shp.

13

Setelah itu membuat baris standarisasi dan non standarisasi dari tiap-tiap

neighbours dengan nblistw. Berikutnya memanggil field yang berisi data jumlah

gangguan dari speedytotal.csv. Kemudian membuat global moran kedalam

randomisasi dan normalisasi data dengan perintah moran.test. Yang akan

menghasilkan nilai moran’s normalisasi dan standarisasi dari data gangguan.

Baris berikutnya adalah membuat kondisi untuk menentukan daerah yang

memiliki hubungan autokorelasi spasial dengan menggunakan tiga tahap kondisi.

Kondisi awal dengan melakukan pengujian terhadap parameter indeks moran (Ii)

menggunakan dua hipotesis diantaranya jika H0:Ii = 0 (tidak ada autokorelasi

spasial) dan H1:Ii ≠ 0 (terdapat autokorelasi spasial). Untuk nilai indeks moran (Ii) sendiri berkisar antara -1 sampai 1. Kemudian akan dibandingkan dengan nilai

ekspektasi moran (𝐸(𝐼𝑖)). Jika nilai Ii > 𝐸(𝐼𝑖) dan bernilai positif maka mengindikasikan adanya autokorelasi spasial positif, dan mengindikasikan adanya

autokorelasi spasial negatif jika kondisi sebaliknya. Kemudian ditambahkan kondisi

dari dua hipotesis awal tadi menggunakan statistik uji berdasarkan pada persamaan

(1), yang akan didapatkan tambahan kondisi jika |𝑍ℎ𝑖𝑡| > 𝑍𝛼/2 maka H0 ditolak atau mengindikasikan bahwa terdapat daerah yang memiliki hubungan

auokorelasi. Dan tahap kondisi yang terakhir adalah, jika nilai Pvalue tiap wilayah

(lokal) tidak melebihi nilai Pvalue dari semua wilayah (global) maka dapat

menolak H0 atau mengindikasikan adanya autokorelasi spasial. Dalam

perhitungan dengan R, pada data gangguan jaringan speedy didapatkan nilai untuk

Pvalue secara global sebesar 0,19 dengan nilai deviasi 1,15. Dari pengkondisian

diatas, maka dapat diambil keputusan bahwa H0 ditolak dan didapatkan informasi

bahwa Kelurahan Salatiga, Kelurahan Sidorejo lor, Kelurahan Mangunsari,

Kelurahan Kalibening dan Kelurahan Cebongan memiliki hubungan autokorelasi

spasial positif.

.

Gambar 10 Pseucode Visualisasi Peta LISA

14

Gambar 10 adalah pseucode program untuk visualisasi kedalam peta LISA,

setelah dibentuk moran’s scatterplot dan data uji moran’s I. Diawali dengan

membuat fungsi untuk plotting dalam peta moran, kemudian dibuat variabel untuk

memanggil perhitungan lokal moran dari fungsi sebelumnya dengan nama

variabel x. Selanjutnya membuat variabel untuk membuat operasi perhitungan dari

data gangguan ditiap wilayah dikurangi dengan nilai mean/rata-rata gangguan

disemua wilayah dengan variabel nama v. Dan pembuatan variabel untuk operasi

perhitungan nilai dari variabel x dikurangi nilai mean/rata-rata dari variabel x itu

sendiri dengan nama variabel y.

Kemudian dibuat pengkondisian untuk menentukan terletak pada kuadran

mana Kelurahan Salatiga, Kelurahan Sidorejo lor, Kelurahan Mangunsari,

Kelurahan Kalibening dan Kelurahan Cebongan pada visualisasi peta LISA.

Kondisi pertama jika nilai v dan y lebih besar dari 0, maka berada pada kuadran

high-high (tinggi-tinggi) dengan warna 1 pada peta. Kondisi kedua jika nilai v dan

y lebih kecil dari 0, maka berada pada kuadran high-low (tinggi-rendah) dengan

warna 2 pada peta. Kondisi ketiga jika nilai v lebih kecil dari 0 dan y lebih besar

dari 0, maka berada pada kuadran low-high (rendah-tinggi) dengan warna 3 pada

peta. Kondisi keempat jika nilai v lebih besar dari 0 dan y lebih kecil dari 0, maka

berada pada kuadran low-low (rendah-rendah) dengan warna 4 pada peta. Kondisi

terakhir adalah kondisi untuk kelurahan yang tidak memiliki hubungan

autokorelasi spasial yaitu terletak pada kuadran not significant pada peta. Dari

pengkondisian tersebut terindikasi bahwa untuk Kelurahan Salatiga, Sidorejo lor

dan Mangunsari berada pada kuadran tinggi-tinggi yang menandakan bahwa

kelurahan-kelurahan tersebut merupakan kelurahan dengan gangguan tinggi yang

juga berada disekitar daerah dengan gangguan tinggi, sedangkan Kelurahan

Kalibening dan Cebongan berada pada kuadran rendah-tinggi menandakan bahwa

kelurahan-kelurahan tersebut merupakan kelurahan dengan gangguan rendah yang

berada disekitar daerah dengan gangguan yang tinggi,

Hubungan Jumlah Gangguan Jaringan Speedy Terhadap Jumlah Penduduk

Syarat utama dalam pemasangan layanan Telkom speedy ke pelanggan

adalah wilayah pelanggan harus sudah tercover jalur telepon dari Telkom. Dan

untuk daerah Salatiga pemasangan jalur telepon lebih banyak mengcover pada

area dengan jumlah penduduk yang tinggi dengan pusat server utama Telkom

terletak di Kecamatan Sidorejo, tepatnya pada Kelurahan Salatiga. Menurut data

dari badan pusat statistik Kota Salatiga (BPS) pada tahun 2013/14 dari total

kependudukan di Salatiga, Kecamatan Sidorejo merupakan kecamatan dengan

jumlah penduduk terbanyak, sebesar 54.074 jiwa atau 30,28% dari total penduduk

di Kota Salatiga, sedangkan untuk Kecamatan Sidomukti merupakan kecamatan

dengan tingkat pertumbuhan terbesar, sekitar 3.71%, dengan jumlah penduduk

sebesar 40.664 jiwa. Pada Kecamatan Sidorejo, jumlah penduduk tertinggi berada

pada Kelurahan Salatiga dan Sidorejo lor, dengan jumlah penduduk sekitar 17.130

jiwa di Kelurahan Salatiga dan 14.914 jiwa di Kelurahan Sidorejo lor. Sedangkan

pada Kecamatan Sidomukti, jumlah penduduk tertinggi berada di Kelurahan

Mangunsari, sekitar 16.380 jiwa dan secara langsung Kelurahan Mangunsari

15

berbatasan dengan Kelurahan Salatiga. Untuk kondisi jumlah penduduk Kota

Salatiga, tergambarkan seperti pada Gambar 3 dan Tabel 2.

Tabel 2 Data Kependudukan Berdasarkan Data Dari BPS Kota Salatiga, 2013/14

No Kelurahan Luas ( ) Jumlah Penduduk

(Jiwa)

1 Salatiga 2,020 17,130

2 Pulutan 2,371 3,913

3 Sidorejo Lor 2,715 14,914

4 Blotongan 4,238 11,592

5 Bugel 2,943 2,886

6 Kauman Kidul 1,958 3,639

7 Cebongan 1,381 4,443

8 Noborejo 3,322 5,326

9 Randuacir 3,776 5,153

10 Ledok 1,873 9,915

11 Tegalrejo 1,884 10,409

12 Kumpulrejo 6,290 6,887

13 Kecandran 3,992 5,319

14 Mangunsari 2,908 16,380

15 Dukuh 3,772 12,508

16 Kalicacing 787 6,907

17 Tingkir Lor 1,773 4,401

18 Kalibening 996 1,845

19 Sidorejo Kidul 2,775 5,398

20 Tingkir Tengah 1,378 4,976

21 Kutowinangun 2,938 19,961

22 Gendongan 659 5,142

Dengan kondisi yang demikian maka memungkinkan jika penyebaran

gangguan memiliki pola yang mengelompok, dengan jumlah gangguan yang

tinggi mengelompok pada wilayah yang berdekatan dengan Kelurahan Salatiga,

dan juga kondisi seperti Kelurahan Sidorejo lor dan Mangunsari yang berbatasan

langsung dengan Kelurahan Salatiga menjadi terindikasi memiliki kemiripan atau

hubungan autokorelasi spasial positif dengan Kelurahan Salatiga. Sedangkan

untuk wilayah di Kecamatan Argomulyo seperti pada Kelurahan Noborejo

tergambarkan jarang mengalami gangguan karena ada indikasi jika pada

kecamatan tersebut masih jarang ada yang memasang layanan speedy karena tidak

banyak tercover jalur telepon dari Telkom dikarenakan kondisi jumlah penduduk

dan lokasinya yang berada jauh dari Kelurahan Salatiga.

Fitting Sinusoids

Fitting sinusoids adalah metode pencocokan data dengan menggunakan

fungsi trigonometri (Sinus) untuk melakukan pendekatan pada kurva yang

dibentuk dari data aktual. Data gangguan yang akan dianalisis dengan fitting

16

sinusoids adalah pada kelurahan yang memiliki hubungan autokorelasi spasial

yang berada pada kuadran tinggi-tinggi, yaitu Kelurahan Salatiga, Mangunsari dan

Sidorejo lor. Pada analisis ini data akan dibagi kedalam periode mingguan (empat

minggu dalam sebulan) yang dimulai dari 1 Januari 2014 sampai 31 Desember

2014, sebanyak 48 data mingguan. Dengan fitting sinusoids akan didapatkan

informasi apakah kondisi jumlah gangguan perminggu masih tergolong besar,

dengan kondisi grafik yang lebih diperhalus naik turunnya dari grafik data aktual

yang bersifat fluktuatif.

Gambar 11 Fitting Sinusoids Gangguan di Kelurahan Salatiga

Grafik fitting dengan menggunakan pencocokan fungsi sinus untuk

gangguan di Kelurahan Salatiga ditunjukan pada Gambar 11. Dimana data

gangguan diplot kedalam periode mingguan, dan data pada grafik gangguan dari

data aktual menunjukkan bahwa data yang dibentuk bersifat fluktuatif. Dalam

pencocokan dengan fungsi sinus untuk gangguan di Kelurahan Salatiga, dari data

aktual dikembangkan berdasarkan persamaan (2), dengan diperoleh amplitudo

sebesar 8.01, periode tiap gelombang sebanyak 16π/2, nilai pergeseran horizontal

sebesar 6.67, dan nilai pergeseran vertical sebesar 22. Maka untuk Kelurahan

Salatiga didapatkan persamaan (4).

𝑦 = 8.01 𝑠𝑖𝑛 16 (x − 6.67) + 22 ………………………(4)

Dari persamaan (4) dilakukan uji akurasi MAPE berdasarkan fungsi pada

persamaan (3), diperoleh nilai error sebesar 25. Nilai amplitudo pada model,

memberikan informasi bahwa pola gangguan akan berfluktuatif, dengan nilai

berkisar antara 0 – (8.01 x 2= 16.02) gangguan. Selain itu dari nilai periode 16π/2

dengan bentuk radian sebesar 25.6, memberikan informasi bahwa jumlah

gangguan akan berpeluang sama pada 25-26 periode kedepan. Informasi lainnya

adalah dari nilai vertical sebesar 22, diperoleh nilai minimum pada model

sebanyak 15 gangguan dan nilai maksimum sebanyak 30 gangguan perminggu.

Gambar 12 Fitting Sinusoids Gangguan di Kelurahan Sidorejo Lor

17


gangguan di Kelurahan Sidorejo lor ditunjukan pada Gambar 12. Dimana data



pencocokan dengan fungsi sinus untuk gangguan di Kelurahan Sidorejo lor, dari

data aktual dikembangkan berdasarkan persamaan (2), dengan diperoleh

amplitudo sebesar 7.51, periode tiap gelombang sebanyak 16π/2, nilai pergeseran

horizontal sebesar 8.15, dan nilai pergeseran vertical sebesar 19. Maka untuk

Kelurahan Sidorejo lor didapatkan persamaan (6).

𝑦 = 7.51 𝑠𝑖𝑛 16 (𝑥 − 8.15) + 19 ………………………(6)


persamaan (3), diperoleh error sebesar 24. Nilai amplitudo pada model,





adalah dari nilai vertical sebesar 19, diperoleh nilai minimum pada model

sebanyak 11 gangguan dan nilai maksimum sebanyak 26 gangguan perminggu.

Gambar 13 Fitting Sinusoids Gangguan di Kelurahan Mangunsari


gangguan di Kelurahan Mangunsari ditunjukan pada Gambar 13. Dimana data



pencocokan dengan fungsi sinus untuk gangguan di Kelurahan Mangunsari, dari

data aktual dikembangkan berdasarkan persamaan (2), dengan diperoleh

amplitudo sebesar 7.82, periode tiap gelombang sebanyak 9π/2, nilai pergeseran

horizontal sebesar 6.11, dan nilai pergeseran vertical sebesar 10. Maka untuk

Kelurahan Mangunsari didapatkan persamaan (5).

𝑦 = 7.82 𝑠𝑖𝑛 9 (x − 6.11) + 10 ………………………(5)


persamaan (3), diperoleh nilai error sebesar 47. Nilai amplitudo pada model,


18




adalah dari nilai vertical sebesar 7, diperoleh nilai minimum pada model sebanyak

3 gangguan dan nilai maksimum sebanyak 19 gangguan perminggu.

Berdasarkan analisis dengan fitting sinusoids yang dilakukan pada

Kelurahan Salatiga, Sidorejo lor dan Mangunsari dalam memperhalus grafik data

aktual yang bersifat fluktuatif, menghasilkan informasi bahwa pada Kelurahan

Salatiga terdapat peluang munculnya jumlah gangguan sebanyak 15 sampai 30

gangguan perminggu, Kelurahan Sidorejo lor terdapat peluang munculnya jumlah

gangguan sebanyak 11 sampai 26 gangguan perminggu dan Kelurahan

Mangunsari terdapat peluang munculnya jumlah gangguan sebanyak 3 sampai 19

gangguan perminggu.

5. Simpulan Dan Saran

Kesimpulan yang didapat dari penelitian ini adalah, rata-rata gangguan yang

tinggi terjadi pada periode enam bulan awal dari Januari sampai Juni, dengan

waktu terjadinya jumlah gangguan tertinggi terjadi pada bulan Februari. Terdapat

wilayah kelurahan yang terindikasi memiliki hubungan spasial diantaranya

Kelurahan Salatiga, Sidorejo lor dan Mangunsari yang berada pada kuadran

tinggi-tinggi, serta Kelurahan Kalibening dan Cebongan yang berada pada

kuadran rendah-tinggi, dimana semuanya membentuk autokorelasi spasial positif

yang berarti untuk wilayah yang berdekatan memiliki nilai yang hampir sama dan

cenderung berkelompok, hal tersebut mengindikasikan bahwa pola spasial yang

terbentuk adalah pola yang mengelompok (clustered), dengan jumlah gangguan

tinggi mengelompok pada wilayah dengan jumlah penduduk yang tinggi dan

berdekatan dengan Kelurahan Salatiga, yang merupakan lokasi dimana pusat

server Telkom di Kota Salatiga berada. Untuk jumlah gangguan pada Kelurahan

Salatiga, Sidorejo lor dan Mangunsari dalam periode mingguan dari grafik aktual

yang bersifat fluktuatif setelah diperhalus menggunakan konsep fitting ternyata

masih menunjukkan adanya jumlah gangguan yang tinggi dengan adanya periode

waktu yang menunjukkan terjadinya jumlah gangguan lebih dari 14 kali gangguan

perminggu (lebih dari 2 kali gangguan dalam sehari).

Saran yang dapat diberikan kepada pihak Telkom Salatiga adalah, pada

bulan Januari-Juni agar lebih sering terjun langsung kelapangan untuk mengecek

jalur installasi yang menuju ke server dari masing-masing kelurahan, dan juga

bisa menambahkan alternatif alamat DNS ke pelanggan. Selain itu jika pihak

Telkom berencana menambah pemasangan jalur installasi di area Salatiga, agar

lebih bisa mempertimbangkan pada area di Kecamatan Argomulyo, karena rata-

rata pada wilayah kelurahan di Kecamatan Argomulyo masih jarang mengalami

gangguan, dimana hal ini juga mengindikasikan bahwa pada kelurahan-kelurahan

tersebut masih jarang tercover jalur telepon dari Telkom, yang menjadi syarat

utama pemasangan layanan internet speedy dari Telkom.

19

6. Daftar Pustaka

[1] BAPPEDA Kota Salatiga., 2009. Master Plan Kesehatan Kota Salatiga,

Semarang: Primasetia.

[2] Telkom speedy, http://telkomspeedy.com/product-description, diakses pada

tanggal : 13 Januari 2015. [3] Lee J. and Wong S.W.D., 2001, Statistical Analysis with Arcview GIS, New York :

John Willey & Sons, Inc.

[4] Chapra, S.C. & Canale, R. P., Numerical Methods for Engineers, Sixth Edition,

New York : Mc Graw Hill.

[5] Widi, R. K., 2010. Asas Metodologi Penelitian, Graha Ilmu, Jakarta.

[6] R, Ajeng Herty, P., 2013. Arjuni Budi Pantjawati, Iwan Kustiawan. Analisis

Availability Sistem Penanganan Gangguan Jaringan Speedy di PT.

Telekomunikasi Indonesia, tbk. Program Studi Pendidikan Teknik Elektro. FPTK

UPI.

[7] Prihantini, R., 2014. Kombinasi Fitting Sinusoids dan Metode Dekomposisi

dalam Memprediksi Besar Permintaan Kredit (Studi Kasus : KSP X Salatiga,

Jawa Tengah). Salatiga : Universitas Kristen Satya Wacana.

[8] Hasbi Yasin, Ragil Saputra, 2013. Pemetaan Penyakit Demam Berdarah Dengue

dengan Analisis Pola Spasial di Kabupaten Pekalongan. Jurusan Statistika Dan

Informatika. FSM Undip.

[9] R untuk statistical computing, http://socs.binus.ac.id/2012/04/16/r-untuk-

statistical-computing/, diakses pada tanggal : 14 Januari 2015.

[10] Makridakis, S., Wright, S.C.W., dan Mc Gee V.1999. Alih Bahasa Suminto, H,Ir.

Metode dan Aplikasi Peramalan. Edisi Kedua. Binaputra Aksara. Jakarta.

[11] Taufik Heri Purwanto.S.Si., M.Si., 2013. Pola, Hubungan dan Arah

Perkembangan Minimarket di Kota Yogyakarta Melalui Analisis Statistik

Spasial. Yogyakarta.

[12] Statistik Kota Salatiga, http://salatigakota.bps.go.id/indeks.php?hal=publikasi,

diakses pada tanggal : 20 April 2015.

Documents

Analisis Pola Spasial Gangguan Jaringan Telkom Speedy Salatiga … · 2018. 7. 10. · Telkom Speedy is a product of the Internet services from PT.Telkom Indonesia, which is mostly