Perpustakaan Digital ITB

Prediksi coverage jaringan seluler yang akurat merupakan tantangan penting di area urban yang kompleks. Penelitian ini menganalisis secara komprehensif pengaruh clustering berbasis jarak terhadap performa model Ensemble Learning untuk prediksi sinyal seluler. Metodologi penelitian mencakup pengumpulan data drive test dan operator, pra-pemrosesan data, serta rekayasa fitur. Data kemudian dikelompokkan berdasarkan jarak menggunakan metode Quantile Binning dan Interval Tetap. Beberapa model ensemble dievaluasi dalam tiga skenario pemodelan: model khusus per cluster, model global (baseline), dan model global dengan penambahan fitur cluster. Hasil penelitian secara konsisten menunjukkan bahwa pendekatan model global (baseline) memberikan performa paling akurat dan robust, dengan model Stacking mencapai kinerja terbaik (R2 = 0.80). Hipotesis awal yang menyatakan error prediksi akan meningkat seiring bertambahnya jarak secara definitif ditolak. Analisis mendalam menemukan bahwa error justru memuncak pada rentang jarak menengah (100-250 meter), yang disebabkan oleh fluktuasi sinyal aktual yang sangat tinggi akibat kondisi lingkungan lokal yang kompleks seperti urban canyon. Temuan ini membuktikan bahwa faktor-faktor lingkungan lokal yang tidak dimodelkan memiliki pengaruh lebih dominan terhadap kesulitan prediksi dibandingkan pelemahan sinyal akibat jarak semata. Penelitian ini menghasilkan sistem prediksi yang andal dan menyajikan temuan melalui dashboard Streamlit interaktif. Didapat wawasan bahwa fitur geospasial yang lebih rinci diperlukan untuk meningkatkan akurasi model di masa depan.