Analisis Faktor-faktor Yang Mempengaruhi Penggunaan Modulasi 64QAM Pada Jaringan Long-Term Evolution Dengan Menggunakan Metode Random Forest

Jainul, Mochammad (2021) Analisis Faktor-faktor Yang Mempengaruhi Penggunaan Modulasi 64QAM Pada Jaringan Long-Term Evolution Dengan Menggunakan Metode Random Forest. Masters thesis, Institut Teknologi Sepuluh Nopember.

Text 09211950055009-Master_Thesis.pdf Restricted to Repository staff only Download (1MB) | Request a copy

Abstract

Saat ini pengguna internet/data jaringan telekomunikasi seluler meningkat dengan sangat pesat. Performansi jaringan seluler LTE (Long-Term Evolution) yang bagus merupakan hal yang sangat penting bagi setiap operator telekomunikasi untuk menjaga kepuasan pelanggannya. Performansi jaringan yang buruk juga dapat mengakibatkan pelanggan berpindah ke operator lain. Salah satu variabel indikator dalam mengamati kualitas radio jaringan seluler 4G/LTE adalah Penetrasi penggunaan Modulasi 64QAM. Modulasi 64QAM dapat mengirimkan bitrate yang lebih tinggi dengan penggunaan daya yang lebih rendah. Modulasi 64QAM akan digunakan jika kondisi Channel Quality Index (CQI) sangat bagus yakni nilai CQI≥10. Peningkatan kualitas jaringan dapat di lakukan dengan menambah BTS baru atau mengoptimalkan BTS yang sudah ada. Penambahan BTS baru akan meningkatkan coverage, quality, dan capacity, akan tetapi CAPEX dan OPEX yang dikeluarkan cukup besar dan dibutuhkan waktu yang lama dalam membangun BTS. Peningkatan kualitas jaringan dengan cara mengoptimalkan BTS bisa dilakukan dengan melakukan pembelian fitur-fitur LTE dan biaya yang dikeluarkan masih tergolong rendah.
Peningkatan penetrasi penggunaan modulasi 64QAM membutuhkan analisis terhadap variabel-variabel jaringan Long-Term Evolution (LTE). Prosedur yang digunakan saat ini masih menggunakan cara yang kurang efisien dari segi waktu, tenaga dan juga membutuhkan seorang yang ahli dan profesional dalam bidangnya akan tetapi sering kali tidak akurat. Untuk mengatasi masalah ini, digunakan metode machine learning random forest untuk menganalisis hubungan antara variabel-variabel KPI. Dengan mengetahui variabel-variabel yang berpengaruh secara signifikan terhadap kualitas jaringan, maka biaya modal yang dikeluarkan operator seluler untuk peningkatan kualitas jaringan akan menjadi lebih efektif dan efisien karena biaya modal yang diinvestasikan hanya berfokus terhadap variabel-variabel yang berpengaruh. Dari hasil penelitian didapatkan ketepatan klasifikasi yang sangat baik yaitu nilai akurasi 92,23% dan nilai AUC 0,981. Pengujian performansi berdasarkan k-fold stratified sampling didapatkan nilai rata-rata akurasi 91,28% dan nilai rata-rata AUC 0,976. Pada penelitian ini disusun rekomendasi untuk meningkatkan penetrasi pengguna modulasi 64QAM yaitu dibuat diagram alir peningkatan nilai CQI berdasarkan delapan variabel yang mempunyai nilai gini importance tertinggi. Delapan variabel yang mempunyai nilai gini importance tertinggi yaitu MIMO, PDCCH_CCE_Agg_8, SE_3, sinr_pusch, sinr_pucch, _125__PL__130_, _130__PL__135_, DL_PRB_Utilization.

Item Type:	Thesis (Masters)
Uncontrolled Keywords:	LTE, machine learning, Channel Quality Index, CQI, Random forest, Base Transceiver Station, BTS, Modulasi, QPSK, 16QAM, 64QAM, AUC.
Subjects:	T Technology > T Technology (General) > T57.5 Data Processing
Divisions:	Faculty of Creative Design and Digital Business (CREABIZ) > Technology Management > 61101-(S2) Master Thesis
Depositing User:	Mochammad Jainul
Date Deposited:	13 Jan 2021 04:36
Last Modified:	21 May 2025 01:45
URI:	http://repository.its.ac.id/id/eprint/82446

Actions (login required)

View Item