Perpustakaan Digital ITB

Infrastruktur jaringan seluler di Indonesia terus berkembang untuk menopang kemunculan aplikasi canggih seperti Artificial intelligence, Machine learning, dan Internet of Things. Teknologi 4G sudah hampir mencakup seluruh pemukiman di Indonesia, dengan implementasi 5G juga sudah mulai dikembangkan oleh beberapa operator seluler di Indonesia. Perkembangan ini menghadirkan tantangan baru, salah satunya adalah peningkatan frekuensi handover yang dialami kedua jaringan seluler. Penggunaan frekuensi yang semakin tinggi membuat jaringan 4G dan 5G rentan terhadap gangguan dan memiliki cakupan geografis yang lebih kecil sehingga terjadi peningkatan dalam frekuensi handover. Sebuah metode proaktif seperti prediksi mobilitas dibutuhkan untuk mencegah terjadinya penurunan kualitas sinyal akibat handover yang meningkat. Berbagai metode prediksi pergerakan pengguna telah dilakukan, salah satunya adalah dengan algoritma Long Short-Term Memory (LSTM). LSTM menunjukkan kemampuan baik dalam melakukan prediksi pada data time-series dengan sistem gerbang. Algoritma LSTM juga menyelesaikan masalah vanishing gradient yang telah lama dialami RNN, membuatnya menjadi pilihan dalam melakukan prediksi jangka panjang. Namun, arsitektur RNN baru yang bernama Gated Recurrent Unit (GRU) hadir dengan menunjukkan performa pelatihan yang lebih ringan dan cepat dibandingkan LSTM dengan memberikan kinerja yang sebanding dengan LSTM. Penelitian ini bertujuan untuk membandingkan performa LSTM dan GRU dalam menangani prediksi pergerakan pengguna secara multi-step-ahead yang akan mengambil 60 detik data historis dan memprediksi 10 detik data prediksi (x = 60, y = 10). Terdapat 8 variasi model yang dikembangkan untuk masing-masing algoritma, dimana setiap model akan dilatih dengan arsitektur yang sama untuk memperoleh hasil analisis murni terhadap algoritma yang digunakan. Analisis terhadap akurasi dilakukan menggunakan metrik loss, MAE, MSE, RMSE, dan rata-rata perbedaan dalam meter (avg_m_diff). Analisis terhadap efisiensi dilakukan menggunakan total waktu pelatihan (training_time), rata-rata beban CPU ii (avg_cpu_load), dan rata-rata beban memori (avg_mem_load). Hasil pelatihan model akan divisualiasikan pada web berbasis Flask bersama dengan simulasi prediksi trayektori setiap model yang divisualisasikan menggunakan peta interaktif dengan 3 trayek; trayek historis, trayek sebenarnya, dan trayek prediksi. Berdasarkan hasil penelitian, diperoleh bahwa model LSTM mengguguli GRU dalam segi akurasi, dengan model terbaik LSTM yaitu LSTM_16 memiliki Average Distance Error (ADE) 21,7594 meter, lebih kecil 12,86% dibanding model terbaik GRU yaitu GRU_32 dengan ADE 24,9725 meter. Dengan hanya mengorbankan 6-10% akurasi, model GRU mengungguli model LSTM dalam total waktu pelatihan, dimana model tercepat GRU yaitu GRU_16 menghabiskan waktu pelatihan sebanyak 38390 detik, sekitar 21,17% lebih cepat dari model tercepat LSTM yaitu LSTM_16 dengan waktu pelatihan 48703 detik. GRU juga menunjukkan efisiensi lebih dalam penggunaan CPU rata-rata, meskipun rata-rata beban memorinya lebih besar akibat arsitektur GRU yang hanya memiliki satu state untuk menyimpan memorinya. Penelitian ini membuktikan bahwa algoritma GRU berpotensi untuk meningkatkan efisiensi prediksi yang dihasilkan model LSTM dengan mempertahankan tingkat akurasinya. Hal ini membuat GRU dapat dijadikan pilihan untuk melakukan prediksi pergerakan pengguna secara cepat dan akurat untuk menangani masalah handover yang dimiliki 5G. Pada penelitian selanjutnya, akurasi dan efisiensi model dapat dikembangkan lebih lanjut dengan melatih model dengan lebih banyak iterasi, menggunakan teknik optimasi, dan penggunaan data dalam skala yang lebih besar.