Penerapan Aplikasi Machine Learning Untuk Optimasi Key Perfomance Indicator (KPI) Pada Layanan Jaringan LTE
DOI:
https://doi.org/10.34818/eoe.v9i6.19008Abstrak
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.Unduhan
Referensi
[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.



