Perpustakaan Digital ITB

Komunikasi satelit Low Earth Orbit (LEO) menawarkan solusi konektivitas global dengan latensi rendah, namun dihadapkan pada tantangan optimasi yang kompleks akibat pergerakan satelit yang cepat dan keterbatasan daya. Frekuensi handover yang tinggi dan alokasi daya yang tidak efisien dapat menurunkan kualitas layanan (QoS) dan performa jaringan. Penelitian ini menganalisis penerapan Deep Q­Network (DQN), sebuah algoritma deep reinforcement learning, untuk mengatasi masalah optimasi gabungan antara keputu.san handover dan alokasi daya secara dinamis. Sebuah lingkungan simulasi dikembangkan untuk meniru sistem komunikasi satelit LEO yang terdiri dari 5 pengguna dan memvariasikan jumlah satelit dalam area seluas 1000 x 1000 km. Agen DQN dirancang untuk memproses state yang merepresentasikan kondisi jaringan mencakup posisi, kecepatan satelit, posisi pengguna, pathloss dan menghasilkan action yang menentukan satelit tu.juan, level daya transmisi, dan keputu.san handover. Fungsi reward diformulasikan untuk memaksimalkan data rate jaringan, sekaligus memberikan penalti untuk penggunaan daya yang berlebihan dan kegagalan dalam memenuhi target data rate m1n1mum. Kinerja agen DQN dievaluasi dan dibandingkan dengan dua metode dasar best signal baseline yang secara agresif memilih satelit terkuat dengan daya maksimum, dan random baseline yang bertindak tanpa strategi. Hasil pengujian menunjukkan bahwa agen DQN berhasil mempelajari kebijakan yang seimbang dan efisien. Meskipun Best Signal Baseline mencapai rata-rata data rate yang lebih tinggi, agen DQN menunjukkan keunggulan signifikan dalam metrik: yang lebih krusial. Analisis efisiensi daya menunjukkan DQN menghasilkan throughput per Watt yang jauh lebih tinggi. Selain itu, pada metrik pemenuhan QoS, agen DQN terbukti paling andal dalam memastikan setiap pengguna mendapatkan layanan di atas ambang batas minimum. Sehingga DQN dapat dikatakan efektif untuk optimasi handover dengan mempertimbangkan power alokasi dan data rate.