Perpustakaan Digital ITB

Power Domain–Non-Orthogonal Multiple Access (PD-NOMA) merupakan salah satu teknik akses jamak yang menjanjikan untuk sistem komunikasi nirkabel generasi mendatang, terutama karena kemampuannya meningkatkan efisiensi spektral melalui superposisi sinyal di domain daya dan penerapan Successive Interference Cancellation (SIC). Pada PD-NOMA, beberapa pengguna berbagi satu blok sumber daya secara bersamaan dengan level daya berbeda, sehingga jumlah pengguna yang dapat dilayani jauh melampaui batas yang ditetapkan oleh teknik akses jamak ortogonal konvensional. Namun, kinerja PD-NOMA sangat bergantung pada strategi pengelompokan pengguna yang efektif: pengguna dalam satu klaster harus memiliki kondisi kanal yang cukup berbeda agar SIC dapat memisahkan sinyal secara andal, dan semakin banyak pengguna dalam satu klaster, semakin tinggi risiko propagasi kesalahan yang menurunkan sum rate sistem. Penelitian sebelumnya telah mengeksplorasi pendekatan berbasis sektorisasi spasial statis, namun pendekatan ini tidak adaptif terhadap distribusi pengguna yang dinamis karena batas sektor yang tetap tidak dapat menyesuaikan diri dengan perubahan posisi pengguna secara real-time. Selain itu, metode pengelompokan yang ada umumnya mengabaikan informasi posisi spasial pengguna secara terpadu dan tidak mengintegrasikan batasan operasional SIC langsung ke dalam proses pembentukan klaster, sehingga klaster yang terbentuk belum tentu layak secara teknis untuk dekoding bertahap yang andal. Untuk mengatasi keterbatasan tersebut, penelitian ini mengusulkan metode pengelompokan pengguna dinamis berbasis unsupervised learning dengan menggabungkan hierarchical clustering dan optimisasi berbasis Differential Evolution (DE). Pendekatan ini dikembangkan melalui dua sub-tahap yang saling melengkapi. Pertama, constraint-driven hierarchical clustering yang mengintegrasikan batasan operasional SIC, yaitu maksimum 8 pengguna per klaster dan rentang sudut (angular span) maksimum 60°, langsung ke dalam loop penggabungan algoritma. Kedua, integrasi optimisasi DE untuk mencari vektor bobot fitur spasial w = (w_1, w_2, w_3) yang optimal secara adaptif, dengan menimbang tiga fitur utama, yaitu jarak, sudut relatif, dan penguatan kanal yang bertujuan untuk memaksimalkan sum rate sistem. Tidak separate metode konvensional, pendekatan yang diusulkan tidak memerlukan data latih dan dapat beradaptasi terhadap berbagai distribusi pengguna secara langsung. Hasil simulasi membuktikan bahwa pendekatan yang diusulkan secara konsisten menghasilkan sum rate yang lebih tinggi dibandingkan metode pembanding. Pengelompokan berbasis hierarchical clustering dengan batasan operasional mampu meningkatkan sum rate hingga 23% dibandingkan hierarchical clustering tanpa batasan pada kondisi 30 pengguna dan daya transmit 30 dBm. Integrasi optimisasi DE lebih lanjut meningkatkan rata-rata sum rate sebesar 29,4% dibandingkan hierarchical clustering standar pada rentang daya 30–50 dBm, dengan efisiensi per klaster optimal sebesar 44,14 Mbps pada konfigurasi 8 pengguna per klaster. Analisis juga menunjukkan bahwa konfigurasi optimal tercapai ketika ketiga fitur digabungkan, dan penggunaan 8 pengguna per klaster memberikan keseimbangan terbaik antara efisiensi spektral dan kompleksitas sistem. Temuan ini membuktikan bahwa integrasi hierarchical clustering dengan optimisasi DE menghasilkan strategi pengelompokan yang dinamis, adaptif, dan tidak bergantung pada data latih, sehingga sangat sesuai untuk lingkungan jaringan nirkabel yang berubah-ubah dan mendukung peningkatan sum rate PD-NOMA secara signifikan.