Penerapan Deep Reinforcement Learning untuk Optimasi Penggunaan Spektrum Adaptif pada Jaringan 5G di Area Kota Medan
Keywords:
Jaringan 5G, Reinforcement Learning, Spektrum Adaptif, Medan, Alokasi KanalAbstract
Peningkatan lalu lintas data secara signifikan di kota-kota besar seperti Medan telah menimbulkan tantangan baru dalam pengelolaan spektrum frekuensi jaringan 5G. Sistem alokasi spektrum tradisional yang statis tidak lagi mampu memenuhi kebutuhan dinamis dari lingkungan urban yang padat. Penelitian ini mengkaji penerapan algoritma Deep Reinforcement Learning (DRL) dalam mengoptimalkan penggunaan spektrum adaptif pada jaringan 5G di wilayah perkotaan. Dengan menggunakan simulasi berbasis Python dan TensorFlow, model pelatihan DRL diuji dalam kondisi padat pengguna untuk mengevaluasi efisiensi alokasi kanal, latensi, dan throughput. Hasil penelitian menunjukkan bahwa pendekatan ini mampu meningkatkan efisiensi penggunaan spektrum hingga 38% dibandingkan metode konvensional. Hal ini menunjukkan bahwa integrasi AI dalam pengelolaan spektrum merupakan solusi potensial dalam mendukung performa jaringan 5G di area seperti Kota Medan.
References
Eason, G., Noble, B., & Sneddon, I. N. (1955). On certain integrals of Lipschitz-Hankel type involving products of Bessel functions. Phil. Trans. Roy. Soc. London, A247, 529–551.
Hidayat, T., & Purnomo, F. (2024). Adaptive Network Intelligence dalam Optimalisasi Spektrum untuk Jaringan Masa Depan. Jurnal Sains dan Teknologi Telekomunikasi, 11(1), 1–9.
Jacobs, I. S., & Bean, C. P. (1963). Fine particles, thin films and exchange anisotropy. In Magnetism (Vol. III, pp. 271–350). Academic Press.
Lestari, D. P., & Wibowo, S. (2019). Analisis Kinerja Dynamic Spectrum Access pada Lingkungan Perkotaan. Jurnal Teknik ITS, 8(2), B107–B111.
Li, Z., Chen, L., & Yu, F. R. (2020). Deep reinforcement learning for dynamic spectrum access in wireless networks. IEEE Wireless Communications, 27(3), 110–117.
Maxwell, J. C. (1892). A Treatise on Electricity and Magnetism (3rd ed., Vol. 2). Oxford: Clarendon Press.
Nugroho, H. A., & Setiawan, A. (2020). Evaluasi Efisiensi Spektrum pada Jaringan Seluler Menggunakan Metode Adaptive Spectrum Sharing. Jurnal Telekomunikasi dan Komputer, 14(1), 33–41.
Pramono, A., & Santoso, E. (2021). Reinforcement Learning untuk Manajemen Sumber Daya Spektrum di Jaringan Mobile. Jurnal Teknologi dan Sistem Komputer, 9(4), 333–341.
Rachmawati, Y., & Darmawan, R. (2021). Penerapan Machine Learning untuk Optimalisasi Alokasi Spektrum Frekuensi pada Jaringan 5G. Jurnal Teknologi Informasi dan Komputer, 7(2), 145–152.
Rahmawati, N., & Mulyadi, R. (2023). Studi Penerapan Kecerdasan Buatan dalam Sistem Komunikasi Bergerak Generasi Kelima. Jurnal Informatika dan Sistem Informasi, 12(1), 22–29.
Ramadhan, A., & Yusuf, M. (2018). Efisiensi Kanal dengan Teknik Dynamic Allocation di Jaringan LTE dan Implementasi Menuju 5G. Jurnal Teknologi Informasi dan Komunikasi, 6(1), 58–64.
Surya, D., & Hidayatullah, A. (2022). Implementasi Algoritma Q-Learning untuk Dinamika Alokasi Kanal di Jaringan 5G. Jurnal Elektro dan Telekomunikasi Terapan, 10(3), 201–210.
Wulandari, S., & Saputra, D. (2020). Simulasi Alokasi Spektrum Menggunakan Deep Reinforcement Learning pada Jaringan Berbasis IoT. Jurnal Ilmiah Elektro dan Komputer, 15(2), 75–82.
Yu, J., & He, H. (2021). Multi-armed bandit-based spectrum access in cognitive radio networks. IEEE Transactions on Cognitive Communications and Networking, 7(2), 256–268.
Zhang, Y., Wang, Y., & Liu, J. (2019). Dynamic Spectrum Allocation in Cognitive Radio Networks: A Survey. IEEE Communications Surveys & Tutorials, 21(1), 123–140.
Downloads
Published
How to Cite
Issue
Section
License
Copyright (c) 2025 Teknologi Rekayasa Jaringan Telekomunikasi
This work is licensed under a Creative Commons Attribution-ShareAlike 4.0 International License.
