23219302 Muhammad Arifiansyah Brahma Brata.pdf
PUBLIC Open In Flip Book Dessy Rondang Monaomi
Salah satu faktor penting yang mempengaruhi kinerja dari jaringan nirkabel adalah
level daya terima yang ditentukan oleh beberapa macam parameter. Salah satu
parameter tersebut ialah path loss yang nilainya bersifat acak dengan deviasi besar,
meskipun diukur pada jarak yang sama dari pemancar. Padahal, nilai path loss yang
akurat adalah krusial dalam perencanaan jaringan komunikasi nirkabel. Penentuan
nilai path loss berdasarkan model empiris sudah mempertimbangkan nilainya yang
fluktuatif dengan cara menambahkan variabel acak yang diasumsikan terdistribusi
log-normal. Akan tetapi, diperlukan kampanye pengukuran yang intensif, memakan
waktu, dan mahal untuk menghasilkan model path loss empiris. Selain itu, teknik
ray tracing untuk estimasi path loss memerlukan waktu komputasi yang tinggi
karena resolusi data terrain yang diperlukan harus berada pada skala yang
sebanding dengan panjang gelombang. Oleh karena itu, pada penelitian ini, kami
mengembangkan metode berbasis deep learning untuk mengestimasi nilai path loss
pada frekuensi sub 6 GHz dan frekuensi mmWave. secara spesifik, kami
menggunakan model convolutional neural network (CNN) dengan fine-tuning
untuk mendapatkan estimasi path loss yang akurat meskipun jumlah dataset citra
area propagasi terbatas. Hasil penelitian ini menunjukkan bahwa metode yang
diusulkan mampu memperbaiki galat prediksi dalam hal root mean squared error
(RMSE) dan mean absolute error (MAE) masing – masing sampai dengan 47.4141
% dan 47.8494 % bila dibandingkan dengan model empiris 3GPP 38.901 yang
digunakan sebagai benchmark pada penelitian ini. Penggunaan model CNN dengan
fine-tuning yang optimal juga mampu mengurangi durasi dari waktu training
model, yang ditunjukkan dengan konvergensi nilai loss minimum yang dicapai
pada saat epoch ke-1, sedangkan model CNN tanpa fine-tuning mencapai
konvergensi nilai loss minimum pada saat ke epoch ke-10.