OPTIMASI SISTEM SELULER

Susah Call, SMS delay, BBM tidak bisa, internet lemot dan entah ada berapa banyak lagi keluhan pelanggan seluler yang bisa ditemukan baik di surat-surat pembaca maupun di media-media online. Atau kalau kurang nylekit lagi, coba baca komentar – komentar di detikinet.com jika ada tulisan yang berisi berita sebuah operator seluler.

Salah satu penyebab yang terlintas di pikiran adalah penurunan tarif yang menjadi strategi hampir semua operator seluler seolah – olah tidak dibarengi dengan analisa kemampuan perangkat dalam memberikan layanan seluler. Akhirnya ketika terjadi overload, langkah tabrak sana – sini pun diambil.

Pada saat kuliah dulu, di salah satu Bidang Studi di Teknik Elektro terdapat satu mata kuliah Optimasi Sistem. Sementara di Bidang Studi yang lain juga terdapat mata kuliah Artificial Intelligence/Kecerdasan Buatan. Skripsi atau tugas-tugas akhir dari mahasiswa yang tertarik ke bidang ini sangat menarik. Mulai robotika, image recognition, text to speech atau sebaliknya, dynamic routing with genetic algorithm  sampai ada yang membuat optimasi sistem penerimaan zakat di suatu daerah tertentu. Nah lhoo, ternyata skripsinya tidak melulu soal teknis.

Bisakah ilmu – ilmu di atas mengatasi keluhan – keluhan layanan seluler ini? Jawaban saya, saya optimis bisa. Jika penerimaan zakat saja yang cenderung sosial dan abstrak saja bisa dioptimasi apalagi layanan seluler yang terdiri dari perangkat-perangkat dan perhitungan-perhitungan yang bisa dimodelkan.

Idenya sederhana. Setiap perangkat yang berhubungan dengan kapasitas layanan, seperti : Trx/Cell Unit, BTS, BSC, TRAU, MGW/MSC, SMSC dll dimodelkan dengan mengetahui parameter-parameter seperti kemampuan maksimal perangkat, kapasitas optimal, dll. Demikian juga dari sisi marketing, perkiraan harga perdana, jumlah pelanggan, tarif voice, SMS, GPRS, kondisi daerah dll juga dimodelkan.

Hasil pemodelan ini kemudian dimasukkan ke Sistem Optimasi yang berbasis Artificial Intelligence/AI. Dalam AI, terdapat dua bagian utama, yakni training/learning (pembelajaran) dan recognition (pengenalan).  Sedangkan metode/teori AI yang digunakan bisa bermacam-macam. Sistem AI ini secara singkat mengadopsi sifat manusia dalam mempelajari dan mengenali sesuatu untuk kemudian dijadikan dasar dalam mengambil keputusan. Misalnya, setelah kita tahu bahwa naik Kereta Api Surabaya – Jakarta via Jogja lebih jauh maka kita memutuskan akan naik yang via Semarang saja.

Hasil semua parameter yang telah dimodelkan tersebut kemudian akan di-training. Dalam training ini, setiap model akan diberikan input bervariasi, misalnya model Trx akan diberikan input mulai jumlah kapasitas terendah sampai tertinggi. Demikian juga model yang lain. Setiap proses training ini akan mensinergikan semua pemodelan, baik teknis maupun non teknis, menghasilkan suatu paramater hasil training yang kemudian akan di-recognize/kenali oleh sistem. Jika perlu, hasil recognition ini juga di-feedback-kan kembali ke input awal untuk kembali di-training.

Proses di atas berlangsung berulang – ulang. Semakin banyak data yang diberikan ke model untuk di-training akan mendapatkan hasil recognition yang semakin akurat.

Hasil akhirnya berupa beberapa parameter sehingga bisa diketahui misalnya untuk daerah A dengan tarif sekian serta perkiraan jumlah pelanggan sekian dan kapasitas jaringan sekian sudah membuat jaringan overload. Dan hasil ini bisa jadi berbeda di daerah B.

Jika bisa dibuat lebih spesifik, mungkin bisa diketahui sampai area per BTS atau bahkan per sektor BTS, misalnya di BTS A dengan kondisi daerah B dan tarif sekian ternyata sudah optimal sehingga usaha yang dilakukan adalah me-maintain pelanggan dan penambahan pelanggan agak di rem. Sementara di BTS C dengan kondisi berbeda dan tarif sama ternyata belum optimal sehingga di BTS ini perlu dipacu penambahan pelanggan.

Hasil optimal yang didapatkan adalah penerimaan operator naik, layanan ke pelanggan juga bagus dan diharapkan tidak ada kartu terbuang karena keluhan pelanggan atas pelayanan operator.