Perpustakaan Digital ITB

Jaringan 5G merupakan generasi internet yang menjanjikan konektivitas lebih cepat dibandingkan jaringan 4G. Jaringan 5G memiliki frekuensi spektrum dan jangkauan jaringan yang lebih pendek dibandingkan jaringan 4G di setiap sel, sehingga terjadi lebih banyak proses handover saat perpindahan antar sel. Dalam proses handover tersebut, terkadang terdapat situasi di mana algoritma tradisional kesulitan untuk memilih sel handover target karena kondisi yang tidak ideal. Masalah ini dapat diatasi dengan menggunakan machine learning untuk meningkatkan kinerja keberhasilan handover. Machine learning diimplementasikan pada Near RT-RIC (near-Real-Time Radio Intelligent Controller) karena dapat memproses data jaringan di RAN dan beroperasi mendekati waktu sebenarnya. Dalam tugas akhir ini, simulasi handover untuk data pelatihan dan pengujian tidak dapat dilakukan secara langsung di eNB dengan n-RT RIC, melainkan dilakukan dengan NS3 (Network Simulator 3). Untuk data pelatihan, informasi seperti RSRP (Reference Signal Received Power), RSRQ (Reference Signal Received Quality), dan keberhasilan unduhan dikumpulkan. Data pengujian menggunakan parameter tambahan dari data pelatihan, termasuk sel target untuk handover tradisional. Model machine learning dibuat menggunakan Long Short-Term Memory Network (LSTM), dirancang untuk meningkatkan tingkat keberhasilan unduhan dari sebuah jaringan dibandingkan dengan algoritma handover tradisional. Untuk meningkatkan kinerja model, dilakukan eksplorasi hiperparameter seperti epoch, hidden nodes, dan dropout rate. Berdasarkan hasil eksplorasi, peningkatan epoch berkorelasi dengan peningkatan tingkat keberhasilan unduhan. Dropout rate pada dropout layer memiliki pengaruh minimal terhadap kinerja model. Perubahan hidden nodes pada dense layer menunjukkan korelasi pada epoch = 50, sementara untuk epoch >= 100, peningkatan nilai hidden nodes tidak signifikan terhadap tingkat keberhasilan unduhan. Secara keseluruhan, eksplorasi parameter dropout layer dan dense layer menunjukkan bahwa keduanya memiliki pengaruh minimal terhadap kinerja model. Hal ini mengindikasikan bahwa lapisan LSTM memiliki pengaruh terbesar dalam menentukan prediksi handover dan tingkat keberhasilan unduhan. Tingkat keberhasilan unduhan untuk handover dengan algoritma tradisional adalah 86,2%, dan hal ini ditingkatkan menjadi 93,27% dengan model machine learning LSTM. Hasil dari eksplorasi model machine learning dikembangkan dalam bentuk situs web.