Perpustakaan Digital ITB

Konstelasi satelit Low Earth Orbit (LEO) berskala besar berpotensi menimbulkan interferensi terhadap terminal Geostationary Earth Orbit (GEO) pada pita Ku karena beroperasi pada rentang frekuensi yang sama pada layanan Fixed Satellite Service (FSS). International Telecommunication Union–Radiocommunication Sector (ITU-R) menetapkan parameter Equivalent Power Flux Density (EPFD) sebagai acuan evaluasi interferensi melalui Article 22 Radio Regulations, dengan metodologi simulasi sesuai ITU-R S.1503-3. Evaluasi EPFD secara konvensional dilakukan melalui propagasi orbit berbasis data Two-Line Element (TLE) menggunakan model Simplified General Perturbations 4 (SGP4) untuk menghasilkan parameter geometri satelit LEO dan GEO. Perhitungan EPFD secara konvensional memerlukan iterasi kontribusi individual, sehingga beban komputasi meningkat seiring jumlah satelit yang harus dijumlahkan kontribusinya pada konstelasi berskala besar, sehingga diperlukan pendekatan yang lebih efisien untuk memprediksi nilai EPFD secara kontinu. Tugas akhir ini mengembangkan sistem prediksi interferensi downlink satelit LEO terhadap terminal GEO pada pita Ku menggunakan Machine Learning (ML) berbasis Random Forest, dengan studi kasus konstelasi Starlink dan satelit Telkom-3S yang terminalnya berlokasi di Klapanunggal, Bogor. Sistem yang dikembangkan terdiri atas tiga subsistem, yaitu subsistem pemrosesan data orbit, subsistem model prediksi dan analisis, serta subsistem visualisasi dan antarmuka pengguna. Himpunan data (dataset) dibangun melalui propagasi orbit SGP4 selama 32 hari dengan interval 1 menit, menghasilkan 46.080 baris data yang memuat parameter geometri orbit dan nilai EPFD hasil perhitungan mengacu pada ITU-R S.1503-3 dan Article 22 Radio Regulations, serta model gain antena ITU-R S.1428-1. Model Random Forest dilatih menggunakan 16 fitur masukan yang terdiri atas fitur dasar geometri orbit, fitur lag, dan fitur delta, dengan pembagian data latih (training set) dan data uji (testing set) sebesar 75:25 tanpa pengacakan agar evaluasi dilakukan secara forward-looking. Konfigurasi hiperparameter (hyperparameter) terbaik ditentukan melalui GridSearchCV menggunakan metrik Mean Absolute Percentage Error (MAPE). Selain itu, model Long Short-Term Memory (LSTM) yang dikembangkan oleh anggota kelompok turut diintegrasikan sebagai pembanding performa prediksi. ii Hasil pengujian menunjukkan bahwa model Random Forest mampu memprediksi nilai EPFD dengan tingkat akurasi yang tinggi, ditunjukkan oleh nilai MAPE sebesar 0,2850% dan koefisien determinasi (R2) sebesar 0,9753 pada testing set. Hasil tersebut menunjukkan bahwa model mampu merepresentasikan hubungan antara parameter geometri orbit dan nilai EPFD dengan baik. Analisis tingkat kepentingan fitur (feature importance) menunjukkan bahwa kontribusi EPFD dari satelit dominan dan sudut separasi minimum merupakan faktor yang paling berpengaruh terhadap hasil prediksi, sementara kontribusi fitur lag dan delta relatif kecil. Hasil tersebut konsisten dengan karakteristik EPFD yang lebih dipengaruhi oleh kondisi geometri orbit suatu waktu dibandingkan ketergantungan terhadap nilai pada waktu-waktu sebelumnya. Sistem yang dikembangkan berhasil diintegrasikan ke dalam dasbor (dashboard) berbasis Streamlit yang menyediakan visualisasi hasil prediksi, status interferensi, serta fasilitas ekspor data, dan telah diuji baik pada periode dalam rentang dataset maupun di luar rentang dataset menggunakan propagasi orbit secara real-time. Hasil tugas akhir menunjukkan bahwa model ML berbasis Random Forest dapat menjadi alternatif yang efisien untuk memprediksi nilai EPFD secara kontinu berdasarkan parameter geometri orbit, sehingga proses evaluasi interferensi dapat dilakukan tanpa menghitung ulang EPFD untuk setiap satelit pada periode simulasi. Hal ini memberikan alternatif yang lebih efisien dibandingkan metode konvensional yang menghitung kontribusi EPFD setiap satelit secara berulang pada setiap waktu simulasi. Hasil tugas akhir juga menunjukkan bahwa Random Forest mampu menghasilkan akurasi yang tinggi dengan kompleksitas implementasi dan kebutuhan komputasi yang rendah. Kontribusi penelitian ini diharapkan dapat mendukung pengembangan sistem pemantauan interferensi satelit yang lebih cepat dan praktis, khususnya untuk skenario interferensi NGSO-GSO.