MAKALAH

REKAYASA TRAFIK
TRAFFIC FORECASTING

Disusun oleh:
Ilham Azhari 1431130012
Latifa Dwi A.N. 1431130005
Layla Fariza 1431130004
Lazuardi S. 1431130088
Ludfi Wahyu H. 1431130084
Lukman Jefri A. 1431130072

POLITEKNIK NEGERI MALANG

JURUSAN TEKNIK ELEKTRO
PROGRAM STUDI TEKNIK TELEKOMUNIKASI
2016

BAB I
PENDAHULUAN
1.1

Latar Belakang

Rekomendasi ini adalah Rekomendasi yang pertama dari serangkaian Rekomendasi yang
mencakup Rekomendasi Forecasting Telekomunikasi Internasional. Dalam operasi dan
administrasi jeringan telepon internasional, tepat dan sukses pembangunan tergantung untuk
tingkat besar pada perkiraan untuk masa depan. Dengan demikian, untuk perencanaan peralatan
dan penyediaan sirkuit dan investasi tanaman telepon, Administrasi perlu memperkirakan lalu
lintas jaringan yang akan dibawa. Mengingat investasi modal yang berat dalam jaringan
internasional.

1.2
1.2.1
1.2.2

Tujuan
Memberikan bimbingan pada beberapa persyaratan untuk lalu lintas forecast
telekomunikasi Data base Internasional.
Memberikan bimbingan bukan hanya lalu lintas dan panggilan data tetapi juga
ekonomi,sosial dan Data demografi.

BAB II

ISI
2.1 Base Data untuk Forecasting
Output dari proses trafik forecasting internasional adalah perkiraan jumlah sirkuit
diperlukan untuk setiap periode dalam perkiraan garis horizon. Untuk mendapatkan nilai
nilai ini, teknik rekayasa trafik yang diterapkan untuk forecast. Erlangs, ukuran trafik.
Gambar 1/E.506 menguraikan dua pendekatan yang berbeda untuk menentukan Erlangs.
Dua strategi yang berbeda untuk Forecast adalah strategi langsung dan strategi
komposit. Pertama langkah dalam proses baik untuk mengumpulkan data mentah, data
mentah ini disesuaikan, dan akan menjadi basis data yang digunakan untuk menghasilkan
perkiraan trafik. Data berdasarkan mungkin per jam, harian, bulanan, triwulanan, atau
tahunan, kebnayakan Administrasi menggunakan data akuntansi bulanan untuk tujuan
Forecast.
Dengan strategi langsung, trafik yang dilakukan di Erlangs, atau diukur penggunaan
untuk setiap relasi akan dianggap sebagai Base data dalam pertumbuhan trafik Forecast,
Data ini dapat sebagai regenerasi (lihat Rekomendasi.500).
Gambar 1/E/506

Strategi Langsung dan Komposit

Dalam kedua strategi (lansung dan komposit) perlu mengkonversi trafik pembawa ke
trafik yang ditawarkan. Erlangs, Rumus konversi dapat ditemukan dalam Rekomendasi
E.501 untuk strategi langsung dan dalam hal ini rekomendasi untuk strategi komposit

Forecast Komposit menggunakan data akuntansi internasional catatan trafik bulanan,

menit dibayar sebagai Base data. Data tersebut dapat disesuaikan oleh sejumlah factor,
baik sebelum atau setelah proses Forecast, yang digunakan untuk mengkonversi menit
dibayar atas Base data akuntansi ke dalam perkiraan jam sibuk Erlangs.
Seperti yang terlihat pada Gambar 1/E.506, proses Forecast adalah sama untuk kedua
strategi langsung dan komposit. Namun, metode aktual atau model yang digunakan
dalam proses bervariasi. Forecast dapat dihasilkan, misalnya, menggunakan metode
matrik trafik (lihat 4), model ekonometrik model autoregressive (lihat 3, rekomendasi
E.507). Ada berbagai data lain yang input ke proses Forecast. Contoh dari ini adalah jelas
variable, informasi segmentasi pasar dan elastisitas harga.
Sebisa mungkin, baik strategi Forecast langsung dan komposit harus digunakan dan
dibandingkan. Perbandingan ini bisa menunjukkan penyimpangan tidak jelas dari
penggunaan hanya satu metode. Mana yang signifikan, khususnya dalam kasus jam
sibuk, penyebab perbedaan harus diidentifikasi sebelum hasil tersebut diadopsi Forecast.
Dalam permodelan ekonometrik khususnya, variabel penjelas yang digunakan untuk
trafik Forecast Internasional. Beberapa yang paling penting dari variabel variabel ini
adalah sebagai berikut:
- Ekspor
- Impor
- Tingkat Otomatisasi
- Kualitas Pelayanan
- Perbedaan Waktu antar Negara-Negara
- Tarif
- Indeks Harga Konsumen dan
- Bruto Produk Nasional
Variabel penjelas lainnya, seperti wisatawan bisnis asing dan warga yang tinggal di
Negara-negara lain, mungkin juga penting untuk dipertimbangkan. Disarankan bahwa
Base data untuk variabel penjelas harus sebagai komprehensif mungkin untuk
memberikan informasi lebih lanjut untuk proses Forecast.
Forecast didasarkan pada segmentasi pasar. Base data dapat tersegmentasi, misalnya,
bersama baris regional, dengan bisnis, non-bisnis, atau dengan jenis layanan. Harga
elastisitas juga harus diperiksa, jika mungkin, untuk mengukur dampak dari tarif data
Forecast
2.2 Strategi Komposit Langkah Konversi

Trafik dibayar-menit bulanan diubah menjadi sibuk jam Erlangs untuk dimensioning
tujuan oleh penerapan sejumlah faktor konversi lalu lintas terkait untuk setiap kategori
layanan, konversi dilakukan sesuai dengan rumus:
A Mdh/60e
Dimana
A = adalah perkiraan rata-rata trafik di jam sibuk,
M = adalah bulanan dibayar/menit,
d = adalah rasio sehari/bulan,
h = adalah rasio sibuk jam/hari, dan
e = adalah faktor efisiensi.

(3.1)

Rumus dijelaskan secara rinci dalam lampiran Annex A

2.3Pengenalan
Untuk menggunakan trafik matrik point to point, mungkin akan mengikuti
beberapa prosedur ini
-

Kemungkinan point to point langsung

Metode Kruithors
Metode Perpanjangan Kruihofs
Metode pengurangan kotak

Itu juga dapat memungkinkan untuk mengembangkan model filter

kalman untuk trafik point to point menuju ke kemungkinan terbaik. Tu dan
Pack mendeskripsikan beberapa model di [16]
Prosedur ini juga memungkinkan untuk menghasilkan kemungkinan
inter dari trafik dengan beberapa grup Negara, contohnya, Negara Nordic.
Aplikasi lain juga menghasilkan kemungkinan untuk Negara sendiri dalam
dalam tingkatan dan variasi yang bermacam macam.
2.4Pemilhan model.
Untuk menghasilkan beberapa kemungkinan objek digunakan trafik
digunakan antar Negara. Prosedur yang paling bijaksana adalah trafik antar Negara
tidak boleh terlalu kecil, jadi kemungkinan mungkin menjadi akurat. Metode tipe ini
biasanya dilambangkan bawah atas.
Alternativnya, saat ada jumlah yang kecil dalam trafik antar Negara, lebih
baik memulai dengan kemungkinan grup trafik antar Negara lebih besar.
Kemungkinan ini sering digunakan untuk basis kemungkinan trafik untuk setip
Negara. Ini sudah selesai, hanya perlu mengoreksi prosedur untuk mendeskripsikan
aga lebih detail. Metode ini biasa disebut atas bawah. Beberapa komentar sangat
penting dalam metode metode yang lain.

MODELS FOR FORECASTING INTERNATIONAL TRAFFIC

1. Membangun model forecasting

Prosedur ini dapat mudah digambarkan sebagai empat langkah berturut-turut.
- Langkah pertama terdiri dalam menemukan kelas model untuk menggambarkan situasi
yang sebenarnya. Contoh kelas seperti model sederhana, model smoothing, model
autoregressive, autoregressive terintegrasi moving average (ARIMA) model atau
model ekonometrik. Sebelum memilih kelas model, pengaruh variabel eksternal harus
dianalisis. Jika variabel eksternal khusus memiliki dampak yang signifikan terhadap
permintaan trafik, salah satu harus memasukkan mereka dalam model peramalan,
cukup tersedia data historis yang tersedia.
- Langkah berikutnya adalah untuk mengidentifikasi satu model tentatif di kelas model
yang telah dipilih. Jika kelas terlalu luas dengan mudah dipasang langsung ke data,
metode kasar untuk mengidentifikasi subclass dapat digunakan. Seperti itu metode
identifikasi model menggunakan data dan pengetahuan sistem untuk menyarankan
subclass model yang lebih tepat. Prosedur identifikasi juga, dalam beberapa
kesempatan, digunakan untuk menghasilkan awal estimasi parameter dalam model.
Maka model tentatif dilengkapi data dengan memperkirakan parameter. Biasanya,
estimator maksimum atau setidaknya estimator persegi yang digunakan.
- Langkah selanjutnya adalah untuk memeriksa model. Prosedur ini sering disebut
pemeriksaan diagnostik. Tujuannya adalah untuk menemukan seberapa baik model
sesuai dengan data dan, dalam kasus perbedaan tersebut dinilai tidak terlalu parah,
untuk menunjukkan kemungkinan. Hasil dari langkah ini sehingga mungkin
penerimaan model dapat diterima. Jika di sisi lain tidak memadai, itu adalah indikasi
bahwa model tentatif baru pada gilirannya diperkirakan dan dikenakan pemeriksaan
diagnostik.
Dalam Gambar 1 / E.507 diilustrasikan langkah-langkah dalam prosedur
pembentukan model.

2. Berbagai model forecasting

Tujuannya adalah untuk memberikan gambaran singkat dari model forecating yang
paling penting.
2.1 model kurva
Dalam model trafik diekstrapolasi dengan menghitung nilai-nilai parameter beberapa
fungsi yang diharapkan untuk mengkarakterisasi pertumbuhan trafik dari waktu ke
waktu . Perhitungan numerik beberapa model kurva dapat dilakukan dengan
menggunakan metode kuadrat terkecil .
Berikut ini adalah contoh model kurva secara umum yang digunakan untuk traffic
forecasting

Dimana , Yt adalah trafik pada waktu t ,

a , b , c adalah parameter ,
M adalah parameter yang menggambarkan tingkat kejenuhan .

2.2
smoothing model
Dengan menggunakan proses smoothing dalam kurva, untuk
menghitung parameter dari model sesuai saat data yang sangat
baik tetapi belum tentu data yang diperoleh dari data yang sudah
ada .
Proses smoothing paling dikenal adalah bahwa dari rata-rata
bergerak . Tingkat smoothing dikendalikan oleh jumlah dari
pengamatan yang paling baru termasuk dalam rata-rata . Semua
pengamatan termasuk dalam rata-rata memiliki tingkat yang sama.
Model yang paling umum adalah :
- eksponensial smoothing sederhana
- smoothing ganda eksponensial ,
- Diskon regresi ,
- Metode Holt , dan
- Model musiman Holt - Winters ' .
2.3
autoregressive model
Jika permintaan traffic, Xt , pada waktu t dapat dinyatakan sebagai kombinasi
linear dari pengamatan berjarak sama sebelumnya permintaan traffic masa
lalu , proses tersebut merupakan proses autoregressive .

dimana,
at adalah white noise pada waktu t ;
Fk , k = 1 , ... p adalah parameter autoregressive .
Model ini dilambangkan dengan AR ( p ) sejak urutan model adalah p .
3. Penilaian spesifikasi model
a. Umum
Pada bagian ini metode yang digunakan untuk menguji parameter dan
metode untuk menghitung disajikan dalam beberapa cara. Berikut
merupakan model dari eksponensial

z t=aebt . ut . jika rumus tersebut

ditransformasikan ke bentuk linear maka menjadi

atau

ln z t=ln a+bt+ln ut

Y t = 0+ 1 X t + a1

b. Autokorelasi
Sebuah model forecasting yang baik harus mengarah ke residu
autokorelasi kecil. Untuk memeriksa kesalahn yang berkorelasi maka
digunakan fungsi autokorelasi rk. Rk adalah perkiraan autokorelasi
residual pada lag k. Untuk mendeteksi autokorelasi diantara residual
menggunakan cara merencanakan fungsi autokorelasi dan tes Durbin
Watson. Berikut merupakan rumus dari tes Durbin Watson :

c. Pengujian signifikansi parameter

Cara menguji signifikansi parameter yaitu memperhitungkan distribusi
dari estimators. Koefisien korelasi ganda (atau koefisien determinasi)
dapat digunakan sebagai kriteria dari persamaan tersebut.
Koefisien korelasi ganda diberikan oleh R2, yaitu :

d. Interval kepercayaan
Dalam bentuk linear, interval ini mengandalkan koefisien regresi, ukuran
varian residu, dan nilai dari variabel. Interval yang digunakan untuk
menghitung YN + 1 adalah

Dimana

Y N (1)

adalah perkiraaan satu langkah di depan dan

adalah

standard error dari perkiraan.

4. Perbandingan dari alternatif model forecasting
a. Diagnostik cek evaluasi model
Pengecekan diagnostik merupakan elemen dasar untuk melakukan
pembentukan suatu model. Kualitas dari suatu model ditandai dengan
adanya residual. Model forecasting yang baik harus mengarah ke
autokorelasi yang kecil sehingga nilai dari residual harus nol atau
mendekati nol.
b. Perkiraan tingkat dibandingkan perkiraan perubahan
Untuk menghindari adanya masalah multikolinearitas dan menghasilakn
koefisien sesuai dengan patokan maka harus mengadakan perubahan
pada variabel(perbedaan log pertama yang setara dengan perubahan
persen).
c. Ex-post forecasting
Ex-post forecasting adalah generasi dari forecast yang lebih dati satu sub
sampel data yang dimulai dari pengamatan pertama dan berakhir
beberapa periode sebelum pengamatan berakhir. Tujuan dari ex-post
forecasting adalah untuk mengevaluasi kinerja model forecasting dengan
membangdingkan nilai yang diperkirakan dengan periode setelah akhir
sub-sampel untuk pengamatan terakhir. Dengan ex-post forecasting,
seseorang dapat menilai akurasi perkiraan dalam hal :

Persen penyimpangan dari nilai yang diperkirakan dengan nilai

yang sebenarnya
Balik titik kinerja
Perilaku penyimpangan yang sistematis