Pesatnya perkembangan teknologi dan meningkatnya kebutuhan konektivitas
masyarakat menuntut akses jaringan internet yang sangat cepat dan stabil.
Dalam beberapa tahun terakhir, operator seluler berlomba untuk
meluncurkan layanan 5G, yang memerlukan model kanal yang akurat untuk
mengestimasi path loss, sebagai komponen penting dalam desain sistem 5G
dan sistem komunikasi seluler di masa depan. Path loss mengacu pada
hilangnya kekuatan sinyal yang ditransmisikan dalam jarak jauh, sehingga
diperlukan perhitungan estimasi path loss yang lebih rinci dan akurat.
Berbagai model telah diusulkan, termasuk model empiris konvensional,
namun metode ini sering kali terlalu sederhana dan hanya memberikan solusi
one-shot yang kurang adaptif.
Sebagai alternatif, machine learning, khususnya deep learning, telah terbukti
memberikan hasil yang lebih cepat dan akurat dalam komunikasi nirkabel.
Penelitian sebelumnya yang menggunakan arsitektur VGG tanpa fitur
tambahan menunjukkan korelasi rendah: 0.091 pada 2.6 GHz, 0.156 pada 28
GHz, dan 0.116 pada 38 GHz, serta tidak mampu menangkap perubahan path
loss terhadap jarak dengan baik. Untuk mengatasi keterbatasan ini, kami
mengusulkan tiga arsitektur baru: VGG+D, VGG+DFC, dan VGG+EM,
yang dikembangkan untuk frekuensi sub-6 GHz dan mmWave. Hasil
penelitian menunjukkan bahwa arsitektur VGG+EM, yang mengintegrasikan
data empiris dengan output CNN, menunjukkan kinerja terbaik dengan
korelasi 0.617 pada 2.6 GHz, 0.593 pada 28 GHz, dan 0.621 pada 38 GHz,
jauh melampaui arsitektur lainnya.
Penelitian ini menegaskan bahwa arsitektur VGG+EM tidak hanya unggul
dalam hal korelasi dan akurasi prediksi dibandingkan dengan model deep
learning lain, tetapi juga lebih efektif daripada model empiris tradisional.
Dengan demikian, arsitektur ini menawarkan solusi yang lebih andal dan
adaptif untuk perencanaan dan optimalisasi jaringan 5G, khususnya pada
frekuensi mmWave.