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