Perpustakaan Digital ITB

Pada era di mana teknologi komunikasi seluler sudah menjadi kebutuhan dalam kehidupan sehari-hari, kualitas sinyal 4G memainkan peran yang penting dalam memastikan konektivitas yang lancar dan handal. Pengguna mengandalkan layanan seluler untuk berbagai keperluan, mulai dari komunikasi dasar hingga streaming video, gaming online, dan aplikasi IoT. Namun, tantangan utamanya adalah bagaimana memprediksi cakupan sinyal yang optimal berdasarkan jarak dari menara pemancar, terutama di lingkungan yang bervariasi seperti perkotaan padat, pedesaan, dan daerah dengan topografi kompleks. Kebutuhan akan sinyal yang andal semakin meningkat dengan perkembangan teknologi 5G yang menjanjikan kecepatan lebih tinggi, latensi lebih rendah, dan kemampuan untuk mendukung lebih banyak perangkat terhubung secara simultan. Latar belakang penelitian ini didasarkan pada kesadaran akan pentingnya sinyal 5G yang andal dalam mendukung berbagai aktivitas, mulai dari komunikasi hingga penggunaan aplikasi berbasis internet serta teknologi baru yang dapat diimplementasikan. Kendala yang dihadapi berkaitan dengan penerapan dan optimasi jaringan 5G yang memerlukan prediksi cakupan jaringan yang akurat dan kuat. Oleh karena itu, penelitian ini dilakukan untuk memberikan Solusi baru dalam mengatasi masalah tersebut dengan mengembangkan model prediksi berbasis machine learning menggunakan data jaringan 4G yang sudah mapan, sehingga dapat digunakan pada teknologi 5G. Dengan pemahaman bahwa data historis dari jaringan 4G dapat memberikan informasi yang berharga untuk penerapan jaringan 5G, pendekatan ini menawarkan potensi besar dalam perencanaan dan optimasi jaringan seluler. Dengan teknologi baru seperti machine learning (ML), model prediksi cakupan sinyal akan semakin berkembang sehingga memungkinkan ML menjadi salah satu metode baru yang akurat untuk digunakan ke depannya. Metode yang digunakan dalam penelitian ini terdiri dari beberapa tahap. Pertama, dilakukan pengumpulan data drivetest untuk memperoleh informasi tentang kualitas sinyal di berbagai lokasi, seperti daerah urban dan suburban. Data ini kemudian dikombinasikan dengan data yang diperoleh dari operator seluler untuk memperkaya fitur yang ii dibutuhkan guna melakukan prediksi, meningkatkan akurasi, dan representasi secara keseluruhan. Data drivetest memberikan pengukuran lapangan yang real- time, sementara data dari operator seluler mencakup informasi teknis seperti lokasi menara, frekuensi operasi, dan konfigurasi antena. Selanjutnya, beberapa algoritma machine learning dalam supervised learning dipilih dan dilatih menggunakan data yang telah dikumpulkan. Dalam supervised learning, digunakan teknik seperti regresi, klasifikasi, dan ensemble learning. Metrik penilaian yang digunakan tetap berbasis regresi meskipun beberapa algoritma diambil dari teknik klasifikasi atau ensemble learning, karena algoritma tersebut tetap dapat diterapkan dalam konteks regresi. Model machine learning ini tidak hanya memperhitungkan jarak dari menara pemancar tetapi juga faktor-faktor lain seperti tinggi antena, tipe lingkungan (urban, suburban, rural), dan bahkan cuaca, yang semuanya dapat mempengaruhi kualitas sinyal. Proses pengembangan model machine learning ini mempertimbangkan berbagai faktor yang memengaruhi kualitas sinyal, salah satunya adalah jarak dari menara pemancar ke penerima. Dengan memanfaatkan pembelajaran dari data yang ada, model-model ini mampu menghasilkan prediksi yang lebih akurat tentang level sinyal berdasarkan jarak dari menara pemancar. Untuk meningkatkan akurasi prediksi, dilakukan perbandingan dengan metode konvensional seperti Okumura- Hata dan COST 231. Hal ini dilakukan untuk validasi prediksi yang dihasilkan oleh machine learning, karena kedua model konvensional ini masih mampu melakukan prediksi dengan cukup akurat pada jaringan 4G dan dapat dibandingkan dengan data aktual yang didapat dari drivetest. Perbandingan ini juga membantu mengidentifikasi kekuatan dan kelemahan dari model machine learning yang dikembangkan, serta memberikan wawasan untuk perbaikan lebih lanjut. Hasil penelitian ini diimplementasikan melalui pembuatan dashboard interaktif menggunakan platform Streamlit. Dashboard ini memungkinkan pengguna untuk berinteraksi dengan hasil penelitian, memilih area untuk pelatihan dan prediksi, serta mengunggah data csv untuk kedua proses tersebut. Setelah melakukan eksekusi, pengguna dapat melihat hasil seperti peta drivetest, perbandingan metrik antara machine learning dan model konvensional, serta plot grafik yang membandingkan prediksi level sinyal. Dengan menggunakan pendekatan ini, penelitian ini berhasil mengembangkan model prediksi sinyal 4G yang mampu memberikan estimasi cakupan sinyal berdasarkan jarak dari menara pemancar ke penerima dengan tingkat akurasi yang tinggi. Penelitian ini tidak hanya memberikan kontribusi signifikan dalam peningkatan kualitas layanan seluler saat ini tetapi juga membangun fondasi yang kuat untuk pengembangan dan optimasi jaringan di masa depan. Selain itu, model prediksi yang dikembangkan dapat digunakan sebagai referensi untuk penelitian lebih lanjut dalam bidang optimasi jaringan, terutama dalam era teknologi yang terus berkembang dengan cepat.