Perpustakaan Digital ITB

Perkembangan teknologi telekomunikasi terus bergerak maju, dan salah satu terobosan signifikan adalah implementasi jaringan seluler 5G. Sinyal 5G menawarkan kecepatan dan kapasitas yang luar biasa, namun efektivitasnya tergantung pada penyebaran infrastruktur yang tepat. Masalah penting yang dihadapi dalam mengimplementasikan jaringan 5G adalah memprediksi cakupan sinyal dengan akusrasi tinggi untuk menetukan lokasi optimal pemasangan stasiun basis dan mengevaluasi efisiensi jaringan. Dengan meningkatnya kompleksitas lingkungan urban dan suburban, termasuk interferensi bangunan, topografi yang beragam, dan variasi kepadatan populasi, penting untuk mengembangkan metode prediktif yang dapat mengatasi tantangan ini. Hal ini sangat penting untuk memastikan ketersediaan layanan jaringan 5G yang andal dan berkualitas di berbagai area cakupan. Penelitian ini bertujuan untuk mengembangkan algoritma machine learning model regresi yang efektif untuk memprediksi cakupan sinyal pada jaringan seluler, mengidentifikasi kinerja algoritma machine learning model regresi terbaik dalam memprediksi cakupan sinyal pada jaringan seluler dan menganalisis kinerja algoritma machine learning model regresi dalam memprediksi cakupan sinyal di area urban dan suburban. Algoritma-algoritma regresi yang digunakan dalam penelitian ini meliputi Linear Regression, Ridge Regression, Lasso Regression, Decision Tree Regression, Random Forest Regression (dengan akurasi tertinggi), Gradient Boosting Regression, Support Vector Regression, K-Nearest Neighbors Regression dan XGBoost Regression. Penelitian ini menggunakan dataset lapangan yang dikumpulkan secara drive test menggunakan G-Net Track Pro dan data operator seluler. Data ini akan mencakup berbagai informasi seperti kekuatan sinyal, tinggi antena pemancar, jarak antena pemancar dan penerima (m), frekuensi, altitude, sudut elevasi, tilting offset angel, azimuth offset angel, LTERSSI (LTE Reference Signal Received Power), dan Qual. Model regresi akan dikembangkan dengan memanfaatkan data tersebut untuk memprediksi coverage pada jaringan seluler di berbagai lokasi. Evaluasi kinerja model akan dilakukan menggunakan metode relevan, seperti Mean Absolute Error (MAE), Root Mean Squared Error (RMSE) dan R-squared (R2 ), untuk menentukan algoritma machine learning model regresi yang paling akurat dalam memprediksi cakupan sinyal. Hasil penelitian menunjukan bahwa algoritma machine learning model regresi terbaik yang digunakan adalah adalah Random Forest Regression, dengan nilai RMSE dan MAE paling kecil, yaitu masing-masing sebesar 2.728740 dBm dan 1.724648 dBm, menunjukkan bahwa Random Forest Regression memiliki kemampuan yang luar biasa dalam meminimalisir kesalahan prediksi. Selain itu, Random Forest Regression juga memiliki nilai R2 terbaik sebesar 0.9182 menegaskan bahwa model ini dapat menjelaskan 91,82% variasi dalam data, yang merupakan pencapaian tertinggi dibandingkan model-model lainnya. Setelah proses Hyperparameter Tuning, Random Forest Regression tetap menjadi model unggulan dengan nilai RMSE dan MAE terbaik, yaitu masing-masing menjadi 2.737140 dBm dan 1.728487 dBm, serta nilai R2 sebesar 0.917675. Meskipun terdapat penurunan kecil dalam nilai R2 setelah Tuning, model ini menunjukkan stabilitas dan akurasi yang konsisten, menegaskan posisinya sebagai pilihan utama dalam memprediksi cakupan sinyal pada jaringan seluler. Dalam penelitian ini, Random Forest Regression terbukti menjadi algoritma machine learning model regresi terbaik dengan nilai yang signifikan dalam memprediksi coverage pada jaringan seluler. Penyesuaian Hyperparameter juga memperkuat stabilitas dan akurasi model, meskipun ada penurunan kecil dalam nilai R2. Keunggulan Random Forest Regression terletak pada kemampuannya untuk menangani data dengan kompleksitas tinggi dan variasi besar, serta adaptasinya yang baik terhadap perubahan dalam data input. Keberhasilan Random Forest Regression dalam penelitian ini menawarkan dasar yang kuat bagi penelitian dan pengembangan lebih lanjut dalam bidang telekomunikasi, khususnya dalam meningkatkan kualitas dan jangkauan layanan jaringan. Dengan demikian, penelitian ini tidak hanya memberikan kontribusi signifikan terhadap pengetahuan yang ada tetapi juga menetapkan standar bagi studi mendatang dan aplikasi praktis di lapangan.