Perpustakaan Digital ITB

Perkembangan teknologi menyebabkan bisnis jaringan 5G mengalami perubahan. Perubahan ini ditandai adanya tren komunikasi ke arah Machine Type Communication (MTC) dimana puluhan miliar perangkat pintar akan menggunakan kemampuan komunikasi tertanam dan sensor yang terintegrasi untuk bertindak di lingkungan lokal masing – masing. 5G bekerja dengan jumlah pengguna yang besar, berbagai macam divais dan juga layanan yang beragam. Salah satu kasus penggunaan pada 5G adalah massive internet of things, yang meliputi massive Machine Type Communication (Mmtc), yaitu Wireless Sensor Network (WSN). Tantangan dari 5G adalah bagaimana memodelkan arsitektur/topologi untuk mendukung mMTC biaya rendah, area cakupan yang luas dan daya yang rendah; bagaimana mengatur penggunaan bersama medium untuk intracluster mMTC dan bagaimana mengurangi interferensi di uplink dari cluster head (CH) ke node sink untuk mMTC. Untuk menjawab tantangan ini, maka digunakan platform High Altitude Platforms (HAP) yang terintegrasi dengan WSN untuk aplikasi mMTC dengan menggunakan algoritma energy-aware clustering, intracluster protokol Medium Access Control (MAC) dan teknik multiple access yang sesuai. Penelitian ini bertujuan menghasilkan mMTC wireless berbasis HAP. Sistem dibuat dengan menggunakan platform HAP untuk menggantikan Base Station sebagai node sink pada area urban, algoritma energy-aware clustering, intracluster protokol Medium Access Control (MAC) dan teknik multiple access PD NOMA berbasis deep learning. Algoritma energy-aware clustering dikembangkan untuk mengatasi keterbatasan daya dari node sensor. Algoritma tersebut mendukung jumlah node yang banyak dan mempertimbangkan pergerakan vertikal, horizontal dan inklinasi HAP, sehingga dapat memperkecil jumlah node sensor yang tidak terhubung ke jaringan. Intracluster protokol MAC dikembangkan untuk mengatur penggunaan bersama medium untuk intracluster mMTC dalam pengiriman informasi sensing, kejadian di node sensor ataupun informasi yang diminta oleh cluster head (CH). Sehingga dengan intracluster protokol MAC tersebut, collision dapat dicegah. Pada ii intracluster mMTC, prilaku node sensor dimodelkan dengan Model Markov, yang terdiri dari empat state, yaitu off, Round Robin, Interrupt dan Query. Teknik multiple access PD NOMA berbasis deep learning dikembangkan untuk mengatasi masalah interferensi uplink dari CH ke HAP untuk mMTC. Teknik multiple access yang dikembangkan tersebut mengimplementasikan Convolutional Neural Network (CNN), untuk menggantikan proses Successive Interference Cancellation (SIC) di penerima. Tahapan pada penelitian ini, adalah mengembangkan model mMTC dengan platform HAP; algoritma energy-aware clustering yang dapat mendukung jumlah node yang banyak dan mempertimbangkan pergerakan HAP; intracluster protokol MAC yang mengatur pengiriman informasi dari node sensor ke CH dan teknik multiple access PD NOMA berbasis deep learning yang mengatur pengiriman informasi dari CH ke HAP dengan pendekatan simulasi menggunakan Matlab dan Phyton. Kemudian, menguji kinerja algoritma energy-aware clustering, intracluster protokol MAC dan teknik multiple access PD NOMA berbasis deep learning yang dikembangkan untuk mMTC khususnya WSN berbasis HAP dan teknologi 5G, indikator kinerja yang diuji dari masing-masing kinerja adalah jumlah node sensor yang tidak terhubung, efisiensi jaringan dan Bit Error Rate (BER). Terakhir adalah simpulan, yang dilakukan dengan melihat hasil simulasi dan analisis kinerja mMTC, khususnya WSN berbasis HAP dan teknologi 5G dengan menggunakan algoritma energy-aware clustering, intracluster protokol MAC dan teknik multiple access PD NOMA berbasis deep learning yang dikembangkan. Hasil dari penelitian ini adalah model mMTC wireless berbasis HAP dengan pendekatan machine learning PD NOMA. Dari penelitian ini terlihat bahwa mMTC berbasis HAP menggunakan algoritma energy-aware clustering yang dikembangkan dapat mendukung 250000 node sensor dan dapat mengantisipasi pergerakan HAP. Di samping itu, intracluster protokol MAC yang dikembangkan dapat mendukung 350000 node sensor. Dan juga, teknik multiple access PD NOMA dan Orthogonal Frequency Division Multiple Access (OFDMA) PD NOMA yang dikembangkan dengan mengimplementasikan CNN dapat menggantikan proses SIC untuk menangani sinyal NOMA tanpa pemrosesan sinyal secara konvensional. Teknik multiple access uplink OFDMA PD NOMA dengan menggunakan CNN mempunyai kinerja yang lebih baik untuk 11 pengguna dibandingkan uplink OFDMA PD NOMA konvensional dan uplink PD NOMA baik yang konvensional maupun menggunakan CNN.