Perpustakaan Digital ITB

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.