Perpustakaan Digital ITB

Sejak peluncuran pertama jaringan 5G pada tahun 2018, teknologi ini telah berkembang pesat dan kini mencakup sekitar 40% populasi dunia. 5G menawarkan bandwidth yang lebih tinggi, konektivitas lebih cepat, dan latensi yang lebih rendah dibandingkan dengan 4G. Untuk mencapai bandwidth tinggi ini, 5G beroperasi pada frekuensi lebih tinggi, yang meski membawa lebih banyak data, memiliki jangkauan lebih kecil dan mudah terhalang. Hal ini menyebabkan pengguna 5G mengalami lebih banyak handover dibandingkan 4G, sehingga performa handover menjadi penting dalam sebuah jaringan 5G. Salah satu cara untuk meningkatkan performa dan efisiensi handover adalah dengan melakukan prediksi pergerakan pengguna dengan algoritme 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). Perkembangan dalam algoritma LSTM terus membuktikan bahwa algoritma ini sangat baik untuk memprediksi data yang berkaitan dengan waktu. Karena itu, algoritma LSTM dapat menjadi algoritma yang cukup efisien untuk membuat prediksi pergerakan pengguna untuk kepentingan handover. Karena itu, tujuan dari penelitian ini adalah membuat suatu model LSTM yang dapat digunakan untuk prediksi multi-step-ahead yang akan mengambil 60 detik data historis dan memprediksi 10 detik data prediksi (x = 60, y = 10). Model ini akan didesain untuk memiliki rata-rata jarak dari data sebenarnya dan data prediksi kurang dari 20 meter dan latensi kurang dari 100 ms. Untuk membuat model ini, akan digunakan subsistem tampilan berupa Plotly dan TensorBoard untuk menampilkan hasil peta dan metrik-metrik pelatihan model. Sementara itu, dataset yang digunakan oleh pelatihan model ini adalah dataset Grab-Posisi dan framework yang digunakan untuk membangun model machine learning yang digunakan adalah framework TensorFlow, dimana keduanya merupakan bagian dari subsistem prediksi. Kombinasi subsistem ini dipilih karena simplisitas dalam implementasinya dan efisiensi dari masing-masing subsistem ini. ii Terdapat 6 variasi model yang dibangun dan dilatih, yakni: model dengan 16 unit dalam 1 layer, 32 unit dalam 1 layer, 64 unit dalam 1 layer, 128 unit dalam 1 layer, 32 unit dalam 2 layer (32 + 32), dan 64 unit dalam 2 layer (64 + 64). Semua variasi ini dilatih sebanyak 1000 epoch, namun terdapat pula satu variasi model dengan 16 unit yang dilatih sebanyak 3106 epoch. Metrik-metrik MAE, MSE, RMSE, dan rata-rata perbedaan dalam meter (avg_m_diff) dari setiap model lalu diukur untuk mendapatkan model dengan performa terbaik. Selain itu, hasil model juga akan dipetakan untuk memvisualisasi trayek pengguna yang diprediksi model dan dibandingkan dengan trayek pengguna nyata. Dari hasil pengujian, didapatkan bahwa model dengan 16 unit yang dilatih sebanyak 3106 epoch (model_16_lr001_v2) merupakan model yang paling akurat dalam melakukan prediksi. Model ini mencapai akurasi sebesar 16,99 meter dengan latensi 31 ms. Penelitian ini membuktikan bahwa metode LSTM dapat digunakan untuk memprediksi pergerakan pengguna dengan cukup akurat dan cepat untuk digunakan dalam penanganan handover pada sebuah jaringan 5G. Ke depannya, akurasi dari model dapat ditingkatkan dengan menaikkan jumlah epoch pelatihan dari tiap variasi model. Model dengan 32 neuron dan 64 neuron dipercaya memiliki potensial yang sama atau lebih besar dibandingkan dengan model dengan 16 neuron jika dilatih dalam epoch yang lebih besar.