Perpustakaan Digital ITB

Vehicular Ad-hoc Network (VANET) hadir sebagai solusi untuk tantangan kepadatan lalu lintas dengan memungkinkan komunikasi Vehicle-to-Vehicle (V2V) secara real-time, namun efektivitasnya sangat bergantung pada kemampuan mengelola Channel Busy Ratio (CBR) dan menjaga Signal-to-Interference-plus-Noise Ratio (SINR) dalam kondisi yang dinamis. Penggunaan parameter komunikasi statis seperti power transmission dan data rate terbukti tidak efisien, sehingga penelitian ini mengatasi celah dalam literatur dengan melakukan optimasi gabungan antara data rate (melalui Modulation Coding Scheme - MCS) dan power transmission, sebuah masalah optimasi non-konveks yang kompleks. Untuk mengatasi masalah ini, penelitian ini mengimplementasikan algoritma Deep Reinforcement Learning (DRL), khususnya Soft Actor-Critic (SAC), yang dipilih karena kemampuannya dalam eksplorasi dan stabilitas pembelajaran. Sebuah sistem simulasi lengkap dibangun menggunakan Python, terdiri dari subsistem mobilitas dan algoritma, di mana agen RL secara dinamis menyesuaikan power transmission dan data rate berdasarkan state jaringan (Power transmission, MCS, CBR, SINR, jumlah tetangga) untuk memaksimalkan fungsi reward yang menyeimbangkan efisiensi kanal dan keandalan sinyal. Hasil pengujian menunjukkan bahwa sistem baseline dengan parameter statis mengalami kegagalan performa signifikan saat kepadatan lalu lintas meningkat, sementara agen SAC menunjukkan proses pembelajaran yang sukses dengan kurva loss yang konvergen dan perolehan reward kumulatif yang terus meningkat. Dengan demikian, penelitian ini berhasil mengimplementasikan sistem optimasi gabungan untuk data rate dan power transmission pada komunikasi V2V menggunakan algoritma SAC, yang menawarkan solusi cerdas dan adaptif untuk menjaga stabilitas dan keandalan jaringan VANET dalam lingkungan dinamis, sehingga memberikan kontribusi penting bagi pengembangan aplikasi keselamatan jalan raya dan sistem transportasi otonom di masa depan.