Perpustakaan Digital ITB

Integrasi High Altitude Platform Station (HAPS) dengan jaringan terrestrial menjadi salah satu pendekatan yang menjanjikan untuk mengatasi keterbatasan coverage pada Terrestrial Network (TN), khususnya di wilayah terpencil dan kondisi pascabencana. Namun, integrasi ini memunculkan permasalahan baru pada mekanisme handover (HO) vertikal antara sel HAPS dan gNodeB (gNB), karena perbedaan karakteristik kanal dan dinamika koneksi antarkedua domain jaringan yang heterogen. Mekanisme HO konvensional berbasis threshold statis seperti A3-event bersifat reaktif, sehingga keputusan HO baru diambil setelah terjadi degradasi kualitas sinyal, yang berpotensi menimbulkan kegagalan HO, ping-pong effect, dan late HO, terutama pada skenario mobilitas tinggi dan kondisi kanal yang dinamis. Tugas akhir ini bertujuan merancang dan mengimplementasikan mekanisme prediksi HO vertikal otomatis berbasis Artificial Intelligence (AI) pada jaringan terintegrasi HAPS dan 5G TN, dengan fokus pengembangan pada subsistem AI menggunakan arsitektur Bidirectional Long Short-Term Memory (BiLSTM). Model ini dilatih untuk memprediksi keberhasilan HO menuju sel target secara proaktif berdasarkan pola temporal parameter sinyal historis, sehingga keputusan HO dapat diambil sebelum penurunan kualitas kanal benar-benar terjadi. Metode penelitian diawali dengan simulasi jaringan heterogen menggunakan NS-3, yang terdiri atas satu HAPS pada ketinggian 20.000 m dan tiga gNB terrestrial, dengan satu UE dinamis yang bergerak bolak-balik pada overlap zone. Simulasi dijalankan sebanyak 500 run independen untuk menghasilkan dataset sintetik berisi 15.000 sampel dengan panjang sekuens 50 timestep per sampel dan interval pengukuran ????? = 100 ms, menggunakan model kanal 3GPP UMa NLoS TR 38.901 untuk link UE-gNB dan ITU-R FSPL LoS untuk link UE-HAPS, dilengkapi model blockage difraksi dengan atenuasi maksimum 70 dB sebagai pemicu HO vertikal. Label ground truth HO diperoleh dari mekanisme A3-event dengan hysteresis 4 dB dan Time-to-Trigger 256 ms. Fitur masukan model terdiri atas nilai RSRP dan RSRQ untuk keempat sel kandidat, beserta fitur turunan berupa delta temporal antarparameter dan one-hot encoding sel target, menghasilkan 19 fitur per-timestep. Hasil model kemudian diintegrasikan ke dalam dashboard berbasis web untuk visualisasi dan validasi hasil prediksi secara real-time. ii Hasil pengujian menunjukkan bahwa dataset yang dihasilkan merepresentasikan kondisi jaringan heterogen secara valid, dengan distribusi label yang didominasi kelas Stay (72,91%) dan HO (27,09%), serta tingkat keberhasilan HO tertinggi menuju HAPS (69,1%) dibandingkan gNB lain yang sebagian terhalang blockage. Model BiLSTM yang dikembangkan berhasil mencapai akurasi sebesar 90,8%, F1-score sebesar 84,6%, F1-macro sebesar 89,0%, precision sebesar 85,0%, dan recall sebesar 84,0% pada data pengujian, tanpa indikasi overfitting yang signifikan setelah pelatihan berhenti otomatis melalui mekanisme early stopping pada epoch ke-13. Model menunjukkan kemampuan deteksi yang sangat baik pada kelas HO gagal (recall 94%), meskipun pada evaluasi khusus skenario HO menuju HAPS, recall kelas gagal masih relatif rendah (39,2%), mengindikasikan ruang perbaikan pada deteksi kegagalan HO untuk sel HAPS secara spesifik. Pengujian Download Successful Rate (DSR) pada 50 skenario independen menunjukkan bahwa pendekatan HO proaktif berbasis AI menghasilkan peningkatan DSR sebesar 18,0 poin persentase dibandingkan mekanisme A3 reaktif konvensional, terutama karena kemampuan model mengeksekusi HO lebih awal sebelum penurunan sinyal signifikan terjadi. Pengujian sistem terintegrasi juga menunjukkan bahwa seluruh subsistem, mulai dari simulasi, dashboard, hingga model AI, berhasil beroperasi sesuai rancangan dengan tingkat kelengkapan data parameter kritis sebesar 100%. Penelitian ini menunjukkan bahwa pendekatan prediksi HO berbasis AI mampu meningkatkan keandalan jaringan heterogen HAPS-TN secara signifikan dibandingkan pendekatan reaktif konvensional, serta berkontribusi sebagai platform eksplorasi penerapan machine learning pada manajemen mobilitas jaringan generasi mendatang.