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)