Analisis Prediksi Hotspot Berbasis Convolutional Neural Network (CNN) Untuk Virtual Small Cell (VSC)

Abstract

Pengelolaan trafik pada area dengan
kepadatan pengguna tinggi menjadi salah satu tantangan
dalam jaringan 5G. Salah satu pendekatan yang digunakan
untuk mengatasi hal ini adalah penerapan Virtual Small Cell
(VSC), yang memungkinkan pembentukan cell virtual secara
dinamis tanpa infrastruktur fisik tambahan. Dalam
penelitian ini, VSC dikombinasikan dengan teknik
beamforming untuk mengarahkan sinyal ke area-area
potensial (hotspot) secara lebih efisien. Kanal adaptif
diterapkan guna menyesuaikan parameter transmisi
terhadap kondisi kanal yang berubah secara real-time. Untuk
memaksimalkan efektivitas strategi ini digunakan metode
prediksi pergerakan pengguna berdasarkan data heatmap
jaringan. Convolutional Neural Network (CNN) dipilih karena
kemampuannya dalam mengekstraksi pola spasial dan
temporal dari data trafik, sehingga mampu memetakan dan
memprediksi distribusi pengguna secara akurat. Hasil
eksperimen menunjukkan bahwa model CNN-GRU yang
dilatih hingga 500 epoch mampu menghasilkan prediksi
SINR, RSSI, dan efisiensi bandwidth dengan deviasi kecil
terhadap data aktual. Rata-rata selisih masing-masing
parameter adalah 3,6 dB untuk SINR, 0,16 dBm untuk RSSI,
dan 1,08 bps/Hz untuk efisiensi bandwidth. Temuan ini
menunjukkan bahwa CNN dapat digunakan secara efektif
dalam sistem prediksi kanal untuk mendukung penerapan
beamforming adaptif pada VSC.
Kata kunci— Virtual Small Cell, Hotspot Prediction, 5G,
Beamforming, Convolutional Neural Network (CNN)