Perpustakaan Digital ITB

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.