Penerapan Aplikasi Machine Learning Untuk Optimasi Key Perfomance Indicator (KPI) Pada Layanan Jaringan LTE

Authors

DOI:

https://doi.org/10.34818/eoe.v9i6.19008

Abstract

Abstrak—Saat ini kebutuhan akan informasi dan komunikasi terus berkembang pesat dari waktu ke waktu. Dalam dunia industri telekomunikasi, proses optimasi jaringan yang dilakukan oleh RF engineer saat ini masih memakan waktu proses dalam pengambil keuputusan untuk meningkatkan perfomansi jaringan karena kurangnya tools untuk menganalisa suatu jaringan. Dengan adanya permasalahan tersebut dirancanglah sebuah sistem machine learning yang dapat memprediksi KPI jaringan seluler LTE berdasarkan pada KPI yang memiliki hubungan yang kuat. Penelitian ini ditunjukan untuk membuat sebuah sistem berbasis web untuk memprediksi KPI throughput dan utilization. Dengan inputan prediksi dari KPI yang berdasarkan relasi tinggi terhadap KPI yang akan diprediksi. Metode algoritma yang digunakan untuk memprediksi KPI dalam sistem ini adalah Random Forest. Keluaran sistem ini berupa nilai prediksi dari KPI Throughput dan Utilization. Sistem yang dibuat menghasilkan Mean Squared Error yang sebesar 0,066 untuk model Throughput dan 0,841 untuk model Utilization dan nilai R-Squared sebesar 0,984 untuk model Throughput dan 0,986 untuk model Utilization. Keywords— machine learning, random forest, throughput, utilization.

Downloads

Download data is not yet available.

References

[1]. T. D. Sector, "Quality of service Regulation

Manual," January 2017. [Online]. Available:

https://www.itu.int/dms_pub/itu-d/opb/pref/DPREF-BB.QOS_REG01-2017-PDF-E.pdf.

[Accessed 8 12 2021].

[2]. R. Kreher and K. Gaenger, "Key Performance

Indicators and Measurements for LTE Radio

Network Optimization," LTE Signaling:

Troubleshooting and Performance Measurement,

pp. 267-336, 2015.

[3]. U. K. Usman, G. Prihatmoko, D. K. Hendraningrat

and S. D. Purwanto, Fundamental Teknologi Seluler

LTE, Bandung: Rekayasa Sains, 2012.

[4]. Sibro, "ThinkCorp Indonesia: Jenis-jenis Optimasi

RF," Training & Workshop, 30 September 2021.

[Online]. Available:

https://www.thinkcorpindonesia.com/jenis-jenisoptimasi-rf/. [Accessed 16 Desember 2021].

[5]. H. Elsherbiny, H. M. Abbas, H. Abou-zeid, H. S.

Hassanein and A. Noureldin, "4G LTE Network

Throughput Modelling and Prediction," IEEE

Global Communications Conference, 2021.

[6]. J. W. G. Putra, Pengenalan Konsep Pembelajaran

Mesin Dan Deep Learning, Tokyo: Tokyo Institute

of Technology, 2018.

[7]. M. Dios Kurniawan, Pengenalan Machine Learning

dengan Python, Jakarta: PT Elex Media

Komputindo, 2020.

[8]. A. NG, Machine Learning Yearning Techinal

Strategy for AI Engineers, In the Era of Deep

Learning, 2018.

[9]. L. Breiman, "Random forest," vol. 45, no. 1, pp. 5-

32, 2001.

[10]. N. Stepanov, . D. Alekseeva, A. Ometov and E. S.

Lohan, "Applying Machine Learning to LTE Traffic

Prediction: Comparison of Bagging,Random Forest,

and SVM," International Congress on Ultra Modern

Telecommunications and Control Systems and

Workshops (ICUMT), no. 12, 2020.

[11]. C. N. Dengen, K. and E. T. Luthfi, "Penentuan

Association Rule Pada Kelulusan Mahasiswa

Menggunakan Algoritma Apriori," JURTI, vol. 3,

no. 1, pp. 20-22, 2019.

[12]. A. Sani, "Penerapan Metode K-Means Clustering

Pada Perusahaan," Jurnal Ilmiah Teknologi

Informasi, pp. 1-7, 2018.

[13]. H. Priyatman, F. Sajid and D. Haldivany,

"Klasterisasi Menggunakan Algoritma K-Means

Clustering Untuk Mmprediksi Waktu Kelulusan

Mahasiswa," JEPIN (Jurnal Edukasi dan Penelitian

Informatika), vol. V, no. 1, pp. 62-64, April 2019.

[14]. M. Nasri and M. Hamdi, LTE QoS Parameters

Prediction Using Multivariate Linear Regression

Algorithm, Ariana: Carthage University, 2019.

Downloads

Published

2022-12-01

Issue

Pages

3370-3376

Section

Program Studi S1 Teknik Telekomunikasi

How to Cite

Arif, F. M., Hanuranto, A. T., & Ginting, I. (2022). Penerapan Aplikasi Machine Learning Untuk Optimasi Key Perfomance Indicator (KPI) Pada Layanan Jaringan LTE. EProceedings of Engineering, 9(6), 3370-3376. https://doi.org/10.34818/eoe.v9i6.19008