Perpustakaan Digital ITB

Perkembangan sistem komunikasi di dunia melahirkan berbagai teknologi baru yang berkembang secara pesat seperti jaringan 5G yang diluncurkan pada tahun 2018. Peningkatan pesat penggunaan layanan data seluler menuntut pengelolaan jaringan yang lebih efisien. Masalah pun mulai bermunculan seiring meningkatnya pengguna layanan seluler dengan mobilitas tinggi, seperti kehilangan sinyal, internet lambat, hingga hilangnya jaringan secara total pada suatu daerah. Manajemen mobilitas pengguna layanan seluler menjadi bagian penting dari pelayanan terhadap pengguna dari segi kualitas sinyal yang konsisten, pengurangan interferensi, hingga layanan yang secara khusus disediakan berbasis lokasi. Untuk peningkatan layanan seluler, berbagai perusahaan penyedia layanan seluler menggunakan sistem manajemen mobilitas dan sumber daya. Sistem ini membantu pengalokasian sumber daya secara efisien dan dinamis, peningkatan kapasitas jaringan, hingga pembuatan layanan baru yang lebih kompleks berdasarkan lokasi. Maka dibutuhkan sebuah sistem yang bisa memprediksi pergerakan pengguna jaringan 5G untuk kepentingan penyediaan layanan yang terbaik. Sistem prediksi pergerakan akan menggunakan model machine learning dengan berbagai metode seperti Markov Chain, Hidden Markov Model, dan metode machine learning seperti Support Vector Machine (SVM), XGBoost, Deep Neural Network (DNN), dan Long Short-Term Memory (LSTM). LSTM adalah sebuah metode pembuatan model machine learning yang dapat memproses data dalam jumlah besar dan bersifat sekuensial, oleh karena itu ii algoritma LSTM sangat baik untuk kebutuhan sistem prediksi yang berkaitan dengan waktu. Pembuatan sistem dengan model LSTM dapat mempermudah prediksi pergerakan pengguna jaringan 5G untuk memastikan layanan yang diberikan selalu berada pada tingkat tinggi. Salah satu caranya adalah dengan alokasi sumber daya ke daerah yang padat dengan pengguna layanan. Penggunaan LSTM cukup rumit karena untuk menghasilkan model LSTM yang baik, banyak factor yang menentukan seperti jumlah neuron pada lapisan, jumlah epoch pelatihan, hingga jumlah data. Konfigurasi LSTM berubah-ubah tergantung berbagai factor yang memengaruhinya, sehingga dianggap sebagai model yang cukup sulit untuk mendapatkan hasil pelatihan yang akurat. Tujuan penelitian ini adalah untuk mengembangkan sebuah model machine learning berbasis LSTM yang dapat memprediksi pergerakan pengguna layanan seluler selama jangka waktu tertentu dengan akurat. Proses penyusunan model membutuhkan percobaan konfigurasi berbagai lapisan model untuk memastikan model yang digunakan adalah model yang paling akurat. Model yang dibuat akan menerima masukan sebanyak 50 titik koordinat dan akan mengeluarkan hasil prediksi sebanyak 10 titik pada satu waktu. Fokus utama adalah membuat model LSTM dengan konfigurasi yang tepat sehingga dapat memprediksi pergerakan dengan akurat dan membantu prediksi untuk manajemen alokasi sumber daya sel BTS pada daerah yang akan naik tingkat kepadatannya. Hasil penelitian yang akan ditampilkan berupa pemetaan trayek beserta koordinat hasil prediksi sebagai perbandingan tingkat akurasi prediksi model. Sistem pada penelitian ini akan terbagi menjadi 2, yaitu model prediksi dan tampilan hasil prediksi. Pelatihan model menggunakan dataset dari Grab-Posisi berupa jutaan titik koordinat yang berasal dari trayek perjalanan pengguna aplikasi ojek online Grab. Penelitian ini akan membuktikan bahwa penggunaan model dengan metode LSTM dapat memprediksi pergerakan pengguna layanan jaringan 5G secara cukup akurat dan dapat membantu Perusahaan penyedia layanan seluler dalam mitigasi pergerakan pengguna serta menurunnya kualitas layanan jaringan seluler.