ANALISIS PERFORMANSI ALGORITMA TRADITIONAL REINFORCEMENT LEARNING DALAM PEMILIHAN KANAL PADA JARINGAN COGNITIVE RADIO

YUDI KURNIA ADI PUTRA

Informasi Umum

Kode

20.04.858

Klasifikasi

621.384 - Radio and Radar, Broadcasting stations, Engineering works on radio and television, on Wireless Communication

Jenis

Karya Ilmiah - Skripsi (S1) - Reference

Subjek

Cognitive Radio Networks

Dilihat

348 kali

Informasi Lainnya

Abstraksi

Cognitive Radio Network (CRN) merupakan jaringan yang memanfaatkan kanal celah spektrum dari jaringan lain. CRN dapat dibangun melalui Software Defined Radio (SDR) yang memungkinkan untuk mengatasi kebutuhan mendadak pada jaringan komunikasi. Salah satu yang membutuhkan jaringan komunikasi praktis adalah penanganan bencana. Pada wilayah terdampak bencana, infrastuktur jaringan komunikasi seringkali rusak. Maka dari itu CRN dapat menjadi solusi kebutuhan jaringan darurat di wilayah bencana. Tugas Akhir ini menganalisis performansi Quality of Services (QoS) dari penggunaan Algoritma Traditional Reinforcement Learning (TRL) dalam pemilihan kanal pada CRN. QOS yang diukur yaitu throughput, packet delivery ratio, serta delay dengan parameter yang meliputi perubahan learning rate, jumlah primary users dalam jaringan serta jenis propagasi pada jaringan. Hasil pengujian TRL menunjukkan karakteristik TRL, dimana semakin tinggi learning rate maka agent akan semakin tepat untuk menentukan pemilihan rute. Hal ini dikarenakan jumlah Q-Value yang semakin tinggi, mencapai 0.8323 saat nilai learning rate 0.9. Pada skenario USRP, Network Simulator 2 (NS2) dan perhitungan aplikasi Matlab, TRL memiliki performansi yang tinggi dengan throughput hingga 740 Kbps saat data rate 1 Mbps, delay hingga 161.8 ms dan packet delivery ratio(PDR) mencapai 100%. Hasil pengujian dan perhitungan menujukkan TRL cocok diterapkan pada CRN untuk mengatasi kebutuhan jaringan darurat di wilayah bencana.

Kata Kunci: Cognitive Radio, Software Defined Radio, Traditional Reinforcement Learning, Quality of Services ?