PREDIKSI PATHLOSS PADA KOMUNIKASI 4G LTE MENGGUNAKAN METODE SUPORT VECTOR
REGRESSION DI KOTA PALEMBANG
TUGAS AKHIR
Diajukan Untuk Melengkapi Salah Satu Syarat Memperoleh Gelar Sarjana Komputer
OLEH :
MUHAMMAD IQBAL 09011381722115
JURUSAN SISTEM KOMPUTER FAKULTAS ILMU KOMPUTER
UNIVERSITAS SRIWIJAYA
TAHUN 2021
ii
iii
iv
v
MOTTO DAN PERSEMBAHAN
“Berproses dalam melakukan setiap tindakan serta setiap waktu hingga tuhan mendengar dan mengabulkan niat dan tujuanmu hanya dengan
melihat dari proses usaha kerja kerasmu, bukan ucapanmu”
(Penulis, Muhammad Iqbal)
“Seperti kata pepatah, api paling terang menyala di kala paling sulit”
(Studio Ghibli, Howl Moving Castle 2004)
“So whenever guidance comes to you from Me, then whoever follows my guidance. Then there will neither be any fear on them nor will they grieve.”
(Al-Baqarah 2: Ayat 38)
Skripsi ini kupersembahkan untuk:
Orang tuaku tercinta.
Kakak Kandung, Kakak Ipar & Keponakanku.
Keluarga Besarku
Sahabat-Sahabatku.
Almamaterku Universitas Sriwijaya
vi
KATA PENGANTAR
Pujian dan rasa syukur penulis panjatkan kepada Allah SWT, atas berkah dan anugerah-Nya sehingga penulis dapat menyelesaikan penulisan Proposal Tugas Akhir ini yang berjudul “Prediksi Pathloss Pada Komunikasi 4G LTE Menggunakan Metode Support Vector Regression di Kota Palembang”.
Dalam laporan ini penulis menjelaskan mencari nilai Pathloss pada sebuah sinyal menggunakan Support Vector Regression untuk memprediksi nilai sebuah Pathloss dengan disertai data-data yang diperoleh penulis saat melakukan penelitian dan pengujian berbagai model. Penulis berharap agar tulisan ini dapat bermanfaat bagi orang banyak dan menjadi bahan bacaan bagi yang tertarik, terutama para peneliti yang berada di bidang jaringan dan telekomunikasi.
Pada kesempatan ini penulis ingin mengucapkan terima kasih kepada beberapa pihak atas ide dan saran serta bantuannya dalam menyelesaikan penulisan Proposal Tugas Akhir ini. Oleh karena itu, penulis mengucapkan rasa syukur kepada Allah SWT & Nabi Muhammad SAW serta Para Sahabat-Sahabatnya atas nikmat serta karunianya dan berterima kasih kepada yang terhormat :
1. Ayah saya Alm. Drs. H. Mustafa Kamal Djambak dan Ibu saya Hj.
Hasmiana Gustiningsih, S.H. yang sangat saya sayangi, yang telah membesarkan dan mendidik saya dengan kasih sayang dan selalu memberikan semangat dan motivasi dalam hidup penulis dan tidak lupa Ketiga kakak wanita saya Innaka Moulidya, S.E., Anisha Katarima, S.H., M.M., Fella Mitasari, S.H., Serta Kakak Iparku Ferry Rotinsulu dan Nugraha Ramadhan, S.H., Kakak Sepupuku M. Andri Reza Nagara, S.H., M.H., Moulya Halisyah Cempaka, S.Ked., dan Keponakan ku Kania, Khairo, Andrea, Kayla, Shanlotta dan Omar. I love you!
2. Bapak Jaidan Jauhari, S.Pd., M.T., selaku Dekan Fakultas Ilmu Komputer Universitas Sriwijaya.
3. Bapak Dr. Ir. H. Sukemi, M.T. selaku Ketua Jurusan Sistem Komputer Fakultas Ilmu Komputer Universitas Sriwijaya.
4. Bapak Deris Stiawan, M.T., Ph.D selaku dosen pembimbing 1 dan Bapak Ahmad Heryanto S.Kom., M.T. selaku dosen pembimbing 2 tugas akhir.
vii
5. Bapak Alm. DR. Reza Firsandaya Malik, M.T., Saya dedikasikan karena telah memberi saya kesempatan pengerjaan skripsi dengan beliau & Bapak Ahmad Heryanto S.Kom., M.T.selaku Dosen Pembimbing Akademik &
Dosen Pembimbing Tugas Akhir yang telah memberikan waktunya untuk menjadi penerus pembimbing penulis, memberikan saran dan motivasi serta bimbingan terbaik untuk penulis dalam menyelesaikan Tugas Akhir ini.
6. Bapak Bengawan Alfaresy, M.T. selaku Mahasiswa S3 dari Bapak Alm.
DR. Reza Firsandaya Malik, M.T. yang sudah senantiasa membantu proses penulisan ini.
7. Teman-Teman dari team Pathloss yang selalu memberikan bantuan dan saran untuk penulis.
8. Divo, Panca, dan Syafiq sebagai teman terbaik yang selalu memberikan motivasi semangat dan support bagi penulis dari hari pertama saya berada di jenjang perkuliahan hingga sekarang dan akan selalu berlanjut.
9. Teman – teman seperjuangan Sistem Komputer 2017 Khususnya Abdi, Syafiqr, Taufiq, Rizal, Agung.
10. Teman – teman seperjuangan dari SD hingga jenjang perkuliahan sampai saat ini teman grup Baiturahman Poligon yang penulis sayangi.
11. Serta mantan kekasih dan kekasih yang telah memberi support penulis.
12. Dan semua pihak yang telah membantu lainya yang tidak dapat disebut satu persatu.
Akhir kata dengan segala keterbatasan, Penulis menyadari bahwa laporan ini tidak dapat dikatakan sempurna, penulis berharap laporan ini dapat menghasilkan sesuatu yang bermanfaat, khususnya bagi Fakultas Ilmu Komputer Universitas Sriwijaya sebagai sumbangan pikiran dalam peningkatan mutu pembelajaran dan penelitian.
Palembang, Desember 2021 Penulis,
Muhammad Iqbal NIM. 09011381722115
viii
PATHLOSS PREDICTIONS IN 4G LTE
COMMUNICATIONS USING THE METHOD SUPPORT VECTOR REGRESSION IN PALEMBANG CITY
MUHAMMAD IQBAL (090113817115)
Computer Engineering Department, Computer Science Faculty, Sriwijaya University
E-mail : [email protected]
ABSTRACT
Pathloss is a reduction on a energy level in wireless telecommunications that is caused by refractions, diffractions, reflections, disseminations and absorption and also caused by interferences from the environment conditions which includes the contour of the propagation medium terrain, distance between transmitter and receiver, and the height and location of the antenna. Therefore, an accurate calculation is required to achieve maximum efficiency in telecommunication planning and optimal performance in wireless network. In this research, the prediction of pathloss is executed using the machine learning method Support Vector Regression (SVR) where a comparison and an analysis is will be done. The result of the acquired data is from the Drive Test that is done in 4G LTE Networks a particular area in Palembang City. The result of the data is continued with a comparison using different kernels on each tests which are linear kernel, radial basis function (RBF) and polynomial kernel. Those three kernels are to be re-compared to the same kernels but with the addition of the gridsearch algorithms to achieve optimal results. From the results that are obtained the best pathloss value is with the polynomial kernel using the root mean squred error (RMSE) validation parameter with the result of error of 4,4617 dan RBF kernel using the mean absolute error validation parameter with an error of 3.1885.
Keywords: Pathloss Predictions, Drive Test, Regression, Support Vector Regression, Gridsearch.
ix
PREDIKSI PATHLOSS PADA KOMUNIKASI 4G LTE MENGGUNAKAN METODE SUPPORT VECTOR
REGRESSION DI KOTA PALEMBANG
MUHAMMAD IQBAL (09011381722115)
Sistem Komputer, Fakultas Ilmu Komputer, Universitas Sriwijaya Email: [email protected]
ABSTRAK
Pathloss merupakan tingkatan penurunan suatu level daya dalam nirkabel pada telekomunikasi yang disebabkan oleh adanya refraksi, difraksi, refleksi, penyebaran serta absopsi dan juga dapat dipengaruhi oleh adanya gangguan dari kondisi lingkungan meliputi kontur medan medium propagasi, jarak antara pemancar dan penerima, juga tinggi dan lokasi antenna. Oleh maka itu diperlukan perhitungan akurat untuk mendapatkan efisiensi dalam perancangan telekomunikasi dan kinerja yang optimal dalam jaringan nirkabel. Pada penelitian ini dilakukan prediksi pathloss dengan menggunakan machine learning metode support vector regression (SVR) yang akan dilakukanya perbandingan dan analisa. Dari hasil data yang telah diambil dengan diolah dari data yang telah diambil datanya dari drive test di suatu daerah kota Palembang dalam jaringan 4G LTE. Hasil data tersebut dilakukan perbandingan nilai dengan menggunakan kernel yang berbeda pada tiap pengujianya yang dimana diantara lain digunakan kernel linear, radial basis function (RBF) dan polynomial. Ketiga kernel tersebut dibandingkan kembali dengan kernel yang sama dengan tambahan algoritma gridsearch untuk didapati hasil yang paling optimal. Berdasarkan hasil yang didapatkan nilai pathloss terbaik pada model kernel polynomial dengan menggunakan validasi root mean square error (RMSE) dengan hasil nilai error sebesar 4.4617 dan kernel RBF dalam penggunan validasi mean absolute error dengan hasil nilai error sebesar 3.1885.
Kata Kunci: Prediksi Pathloss, Drive test, Regresi, Support Vector Regression, Gridsearch.
x
DAFTAR ISI
Halaman
HALAMAN JUDUL ... i
HALAMAN PENGESAHAN ... ii
HALAMAN PERSETUJUAN ... iii
HALAMAN PERNYATAAN... iv
MOTTO DAN PERSEMBEHAN ... v
KATA PENGANTAR ... vi
ABSTRACT ... viii
ABSTRAK ... ix
DAFTAR ISI... x
DAFTAR GAMBAR ... xiii
DAFTAR TABEL ... xiv
DAFTAR LAMPIRAN ... xv
BAB I PENDAHULUAN ... 1
1.1 Latar Belakang ... 1
1.2 Perumusan Masalah ... 2
1.3 Batasan Masalah ... 3
1.4 Tujuan Penelitian ... 3
1.5 Metodologi Penelitian ... 3
1.6 Sistematika Penelitian ... 4
BAB I Pendahuluan ... 5
BAB II Tinjauan Pustaka ... 5
BAB III Metode Penelitian... 5
BAB IV Perhitungan dan Analisa ... 5
BAB V Kesimpulan dan Saran... 5
BAB II TINJAUAN PUSTAKA ... 6
2.1 Perkembangan Telekomunikasi ... 6
2.1.1 Teknologi Gemerasi Pertama (1G)... 6
2.1.2 Teknologi Generasi Kedua (2G)...7
2.1.3 Teknologi Generasi Ketiga (3G)...7
2.1.4 Teknologi Generasi Keempat (4G)...7
2.2 Propagasi Radio ... 8
2.2.1 Model Propagasi Gelombang Radio Seluler...9
xi
2.2.2 Pathloss Model ... ...9
2.2.3 Free Space Pathloss ... ...10
2.2.4 Model Okumura Hatta ... ...10
2.2.5 Model Walfisch Ikegami ... ...11
2.3 Penjelasan Drive Test... 13
2.3.1 Parameter Drive Test ... ...14
2.4 Support Vector Regression (SVR) ... 15
2.5 Fungsi Kernel ... 17
2.6 Pathloss ... 18
2.7 Grid Search Optimization ... 18
2.8 Evaluasi Hasil Akhir Prediksi ... 19
2.8.1 RMSE ... ...20
2.8.2 MAE ... ...20
BAB III METODOLOGI PENELITIAN ... 21
3.1 Pendahuluan ... 21
3.2 Kerangka Kerja Penelitian ... 22
3.3 Kerangka Kerja Metode Penelitian ... 23
3.4 Persiapan Dataset ... 24
3.4.1 Input Dataset ... ...24
3.4.2 Preproccessing Dataset ... ...24
3.4.3 Data Map Dataset ... ...25
3.5 Validasi Hasil ... 25
3.5.1 Hyperparameter Skenario Kernel ... ...26
BAB IV HASIL DAN ANALISIS ... 28
4.1 Pendahuluan ... 28
4.2 Input dataset Pathloss dari hasil pengukuran ... 28
4.3 Preprocessing dataset ... 29
4.4 Visualisasi ... 30
4.4.1 Visualisasi LTE Serving Cell Distance - Pathloss...30
4.4.2 Visualisasi Tinggi Antena Tx - Pathloss ... ...31
4.4.3 Visualisasi Tinggi Antena Rx - Pathloss... ... ...32
4.4.4 Visualisasi Lebar Jalan - Pathloss ... ...32
4.4.5 Visualisasi Jarak Antar Gedung - Pathloss ... ...33
4.4.6 Visualisasi Sudut Horizontal RX Mainbeam TX . ...34
4.4.7 Visualisasi Sudut Vertical RX Mainbeam TX ... ...35
4.5 Analisa Menggunakan Support Vector Regression (SVR) ... 36
xii
4.6 Pembagian Data Uji dan Latih ... 37
4.7 Hasil Percobaan ... 37
4.7.1 Hasil Pemodelan Dengan Regresi Kernel Linear . ...37
4.7.2 Hasil Pemodelan Dengan Regresi Kernel RBF ... ...38
4.7.3 Hasil Pemodelan Dengan Regresi Kernel Polynomial...40
4.7.4 Hasil Pemodelan Dengan Gabungan Kombinasi Kernel... 41
BAB V KESIMPULAN DAN SARAN ... 43
5.1 Kesimpulan ... 43
5.2 Saran ... 43
DAFTAR PUSTAKA ... 44
xiii
DAFTAR GAMBAR
Halaman
Gambar 2.1 Konsep Support Vector Regression ... 16
Gambar 2.2 Ilustrasi penggunaan 5-Fold Cross Validation ... 19
Gambar 3.1 Kerangka kerja penelitian ... 22
Gambar 3.2 Kerangka kerja metode penelitian ... 23
Gambar 3.3 Tampilan dataset ... 24
Gambar 3.4 Visualisasi Data Longitude & Latitude... 25
Gambar 4.1 Preprocessing Dataset Pathloss ... 29
Gambar 4.2 Distribusi Pathloss terhadap jarak ... 30
Gambar 4.3 Distribusi Pathloss terhadap Tinggi Antena TX ... 31
Gambar 4.4 Distribusi Pathloss terhadap Tinggi Antena RX ... 32
Gambar 4.5 Distribusi Pathloss terhadap Lebar Jalan ... 32
Gambar 4.6 Distribusi Pathloss terhadap jarak antar gedung ... 34
Gambar 4.7 Distribusi Pathloss terhadap Sudut Horzontal RX dari TX ... 35
Gambar 4.8 Distribusi Pathloss terhadap Sudut Vertical RX dari TX ... 36
Gambar 4.9 Visualisasi Hasil Pengukuran SVR Kernel Linear ... 37
Gambar 4.10 Visualisasi Hasil Pengukuran SVR Kernel Linear dengan Gridsearch ... 38
Gambar 4.11 Visualisasi Hasil Pengukuran SVR Kernel RBF ... 39
Gambar 4.12 Visualisasi Hasil Pengukuran SVR Kernel RBF dengan Gridsearch ... 39
Gambar 4.13 Visualisasi Hasil Pengukuran SVR Kernel Polynomial ... 40
Gambar 4.14 Visualisasi Hasil Pengukuran SVR Kernel Polynomial Gridsearch ... 41
Gambar 4.15 Visualisasi Hasil Pengukuran SVR Kernel Kombinasi ... 41
xiv
DAFTAR TABEL
Halaman
Tabel 2.1 Fungsi Kernel ... 17
Tabel 3.1 Hyperparameter ... 26
Tabel 4.1 Hasil Pengukuran ... 28
Tabel 4.2 Hasil Nilai Perhitungan SVR Pada Tiap Kernel ... 42
Tabel 4.3 Hasil Nilai Perhitungan SVR Pada Tiap Kernel dengan Gridsearch ... 42
xv
DAFTAR LAMPIRAN
Lampiran 1. Data Mahasiswa ...
Lampiran 2. Hasil Check Plagiarisme ...
Lampiran 3. Hasil USEPT ...
1
BAB I
PENDAHULUAN
1.1 Latar Belakang
Propagasi gelombang radio memiliki peran penting dalam dunia nirkabel sistem komunikasi, Pathloss merupakan sebuah pengurangan densitas daya atau disebut atenuasi gelombang elektromagnetik saat merambat melalui sebuah ruang[1]. Pathloss merupakan hal utama untuk dalam sebuah penelitian yang dimana digunakan untuk menganalisis serta mendesain link budget pada sebuah sistem dunia telekomunikasi. Seringkali istilah ini digunakan dalam sebuah komunikasi nirkabel serta juga propagasi sinyal. Kekuatan sinyal nirkabel berkurang seriring jarak antara pemancar dan penerima. Selain itu juga, beberapa faktor dalam perambatan elektromagnetik secara umum dapat diklafisikasikan sebagai reflection, diffraction, dan scattering, namun juga hilangnya jalur juga bisa terjadi karena akibat kontur medan, lingkungan di sebuah daerah perkotaan atau perdesaan, area hutan, media propagasi di udara kering ataupun lembab, serta juga ketinggian dan lokasi antenna. Dalam sebuah lingkungan propagasi yang kompleks terdapat masalah dalam prediksi kekuatan sinyal yang diterima menjadi masalah yang sangat sulit. Pathloss digunakan untuk menggambarkan redaman gelombang elektromagnetik pada saat merambat dalam melalui sebuah ruang[1].
Perkembangan komunikasi pada saat ini bergerak cukup sangat pesat, karena memungkinkan adanya penyebaran teknologi di saat ini. Kebutuhan kualitas pelayanan yang tinggi dan jaringan kapasitas tinggi telah menjadi sebuah hal yang sangat penting. Oleh maka itu dalam pengukuran kekuatan sinyal harus dieperhitungkan sebaik mungkin dan di desain sangat akurat dari jaringan selular modern untuk mendapatkan cakupan area pelayanan yang efisien dan dapat diandalkan oleh semua orang[2]. Model empiris cukup sederhana karena beberapa parameter yng di perlukan dan model persamaan menjadi ringkas. Namun juga parameter model empiris diekstraksi dari data yang sudah terukur. Pada saat yang
2
sama, model empiris hanya dapat mewakili statistik dari Pathloss pada jarak tertentu.
Machine Learning merupakan sebuah metode yang didasarkan pada kumpulan data yang luas dan arsitektur model yang fleksibel untuk membuat sebuah prediksi. Akhir-akhir ini metode berbasis Machine Learning digunakan pada self-driving pilot, computer vision, speech recognition, data mining dan hal lainya. Dari yang disebutkan tadi dapat diklasifikasi kan sebagai Supervised Learning dan Unsupervised Learning. Tujuan dari Supervised Learning digunakan untuk mempelajari secara umum dab fungsi akurat antara Input dan Output, yang dimana dapat menyelesaikan permasalahan klasifikasi dan regresi. Di sisi lainya algoritma Unsupervised Learning ditujukan untuk menjelaskan struktur yang tersembunyi dari sebuah data yang tidak berlabel[3]. Dalam sebuah prediksi Pathloss merupakan sebuah masalah Supervised Regression, sehingga dapat juga diselesaikan oleh algoritma Supervised Machine Learning seperti Artificial Neural Network (ANN), Support Vector Regression (SVR), dan juga Decision Tree. Dapat di asumsikan model yang berbasis Machine Learning Models jauh lebih akurat daripada model empiris dan juga lebih efisien dalam komputasi daripada yang deterministik. Pada penelitian ini akan membahas tentang pemodelan dalam propagasi dengan menggunakan metode Support Vector Regression (SVR) untuk mendapati nilai akurasi yang sesuai dengan karakteristik di kota Palembang.
Support Vector Regression (SVR) merupakan metode yang baik digunakan untuk dalam penyelesaian masalah Regression yang berdasarkan konsep memaksimalkan Hyperplane guna untuk mendapatkan data yang menjadi Support Vector. Pemilihan metode ini didasari dari tingkat Root Mean Square Error (RMSE) yang lebih rendah dari metode Neural Network[4].
1.2 Perumusan Masalah
Dalam Penilitian ini ditujukan pemodelan dalam propagasi sederhana untuk memprediksi Pathloss dengan menggunakan metode Support Vector Regression (SVR) untuk mendapat nilai hasil pada kondisi yang Real dan juga akurat.
3 1.3 Batasan Masalah
Beberapa Batasan masalah dalam struktur dan perancangan sistem pada penelitian ini adalah:
1. Pengukuran sinyal dan pengumpulan data pada sinyal 4G LTE di daerah Kota Palembang.
2. Metode yang digunakan penulis pada penelitian ini menggunakan metode Support Vector Regression.
3. Pengolahan data pada penelitian ini menggunakan software yang bekerja dalam Bahasa Phyton.
1.4 Tujuan Penelitian
Adapun pada penelitian ini memiliki beberapa tujuan yakni sebagai berikut:
1. Implementasi metode Support Vector Regression untuk mengolah dari data yang digunakan agar bisa dapat memprediksi nilai Pathloss.
2. Menganalisa hasil dari simulasi yang dilakukan pada program yang dirancang untuk memprediksi Pathloss menggunakan Software yang menggunakan Bahasa Phyton.
1.5 Metodologi Penelitian
Metodologi dalam penulisan tugas akhir ini melalui beberapa tahan yakni sebagai berikut:
a. Tahapan Pertama (Studi Pustaka)
Tahap ini merupakan tahapan mencari dan memahami informasi yang diperlukan dalam penelitan ini dari beberapa sumber sepertti jurnal ilmiah, buku, artikel serta informasi dari internet yang dapat digunakan dalam melakukan penelitian Tugas Akhir.
b. Tahapan Kedua (Perancangan Sistem)
4
Tahap ini meliputi dalam merancang suatu sistem yang dilakukan untuk melakukan prediksi Pathloss menggunakan Support Vector Regression dengan bahasa pemrograman Phyton.
c. Tahapan Ketiga (Pengujian dan Pengambilan Data)
Pada tahap ini berisi pemberlakuan pengambilan data dari lapangan yang dilakukan oleh teknisi senior dari suatu perusahaan dan proses pengolahan data berdasarkan metode yang sudah ditetapkan untuk mengetahui performa dari sistem yang dirancang.
d. Tahapan Keempat (Hasil dan Analisa)
Tahap ini dari setelah mendapatkan data dari proses pengujian, maka dilakukan pengolahan data serta analisis berdasarkan metode yang ditetapkan untuk mendapatkan dan mengetahui performa dari sistem yang telah dirancang.
e. Tahapan Kelima (Kesimpulan dan Saran)
Pada tahap ini merupakan hasil dari dilakukanya pengambilan data dan analisa berdasarkan algoritma pemrograman penelitian Pathloss yang digunakan, serta menyajikan data akurasi dan hasil proses testing yang dilakukan, dan hasilnya digunakan untuk menggambarkan performa dari sistem yang digunakan pada penelitian serta memberikan saran yang membangun untuk penelitian selanjutnya.
1.6 Sistematika Penulisan
Adapun juga sistematika Penulisan yang dipakai dalam penelitian tugas akhir ini untuk memperjelas isi setiap bab yang dibuat yang dimana akan melewati beberapa tahapan sebagai berikut:
5 BAB I Pendahuluan
Pada bab 1 terdapat berisikan tentang latar belakang, perumusan masalah, tujuan rumusan masalah, batasan masalah, penelitian, metodologi penelitian dan sistematika penulisan.
BAB II Tinjauan Pustaka
Pada bab II ini mencakup tentang teori-teori secara umum perkembangan jaringan telekomunikasi, jaringan 4G LTE, pencobaan Drive Test, Support Vector Regression (SVR) dan lain-lain.
BAB III Metode Penelitian
Pada bab ini berisikan tentang waktu pengerjaan penulisan tugas akhir, tempat penelitian, alat dan bahan, metodologi penelitian, dan juga diagram Fish Bone.
BAB IV Perhitungan dan Analisa
Pada bab ini berisikan mecakup tentang pengolahan data, pengukuran Pathloss pada wilayah kota Palembang menggunakan Support Vector Regression (SVR), Analisa dengan Aplikasi yang menggunakan bahasa pemrograman Phyton.
BAB V Kesimpulan dan Saran
Bab ini berisikan tentang kesimpulan dan beberapa saran yang disampaikan guna untuk perbaikan dalam penyusunan karya ilmiah selanjutnya.
44
DAFTAR PUSTAKA
[1] Y. Zhang, J. Wen, G. Yang, Z. He, and J. Wang, “Path loss prediction based on machine learning: Principle, method, and data expansion,” Appl.
Sci., vol. 9, no. 9, 2019, doi: 10.3390/app9091908.
[2] M. Ulfah, “Perhitungan Pathloss Teknologi 4G Long Term Evolution (Lte),” J. Ecotipe (Electronic, Control. Telecommun. Information, Power Eng., vol. 3, no. 2, pp. 1–9, 2016, doi: 10.33019/ecotipe.v3i2.19.
[3] R. Sathya and A. Abraham, “Comparison of Supervised and Unsupervised Learning Algorithms for Pattern Classification,” Int. J. Adv. Res. Artif.
Intell., vol. 2, no. 2, 2013, doi: 10.14569/ijarai.2013.020206.
[4] D. Jap, M. Stöttinger, and S. Bhasin, “Support vector regression,” no. May, pp. 1–8, 2015, doi: 10.1145/2768566.2768568.
[5] A. J. Smola and B. Sch, “Smola, Schölkopf - 2004 - Statistics and Computing - A tutorial on support vector regression.pdf,” Stat. Comput., vol. 14, no. 3, pp. 199–222, 2004.
[6] T. Joachims, “UNIVERSIT AT DORTMUND Fachbereich Informatik Lehrstuhl VIII K unstliche Intelligenz Making Large-Scale SVM Learning Practical LS { 8 Report 24,” no. October 1999, 2018, doi:
10.17877/DE290R-5097.
[7] C.-W. Hsu, C.-C. Chang, and C.-J. Lin, “Technique - ML - A Practical Guide to Support Vector Classification,” no. 1, pp. 1–16, 2010.
[8] E. M. Priliani, A. T. Putra, and M. A. Muslim, “Forecasting Inflation Rate Using Support Vector Regression (SVR) Based Weight Attribute Particle Swarm Optimization (WAPSO),” Sci. J. Informatics, vol. 5, no. 2, pp. 118–
127, 2018, doi: 10.15294/sji.v5i2.14613.
[9] C. S. Wahyu Widayati, “Komparasi Beberapa Metode Estimasi Kesalahan Pengukuran,” J. Penelit. dan Eval. Pendidik., vol. 13, no. 2, pp. 182–197,
45 2013, doi: 10.21831/pep.v13i2.1409.
[10] W. Wang and Y. Lu, “Analysis of the Mean Absolute Error (MAE) and the Root Mean Square Error (RMSE) in Assessing Rounding Model,” in IOP Conference Series: Materials Science and Engineering, Apr. 2018, vol.
324, no. 1, doi: 10.1088/1757-899X/324/1/012049.
[9] M. Ulfah and N. Djamal, “Perhitungan Pathloss Teknologi Long Term Evolution (LTE) Berdasarkan Parameter Jarak E Node-B Terhadap Mobile Station di Balikpapan,” J. Nas. Tek. Elektro, vol. 5, no. 3, 2016, doi:
10.20449/jnte.v5i3.315.
[10] Z. Nadir and M. I. Ahmad, “Pathloss determination using Okumura-Hata model and cubic regression for missing data for Oman,” Proc. Int.
MultiConference Eng. Comput. Sci. 2010, IMECS 2010, vol. II, no. 1, pp.
804–807, 2010.
[11] K. Zhang, B. Li, X. Tang, D. Wang, and L. Wei, “Path loss measurement and modeling for industrial environment,” IEEE Int. Conf. High Perform. Switch.
Routing, HPSR, vol. 2019-May, no. 1, pp. 1–5, 2019, doi:
10.1109/HPSR.2019.8808124.
[12] D. Cama-Pinto, M. Damas, J. A. Holgado-Terriza, F. Gómez-Mula, and A.
Cama-Pinto, “Path loss determination using linear and cubic regression inside a classic tomato greenhouse,” Int. J. Environ. Res. Public Health, vol.
16, no. 10, 2019, doi: 10.3390/ijerph16101744.
[13] R. A. Becker et al., “A tale of one city: Using cellular network data for urban planning,” IEEE Pervasive Comput., vol. 10, no. 4, pp. 18–26, 2011, doi:
10.1109/MPRV.2011.44.
[14] Y. Cai, Z. Qin, F. Cui, G. Y. Li, and J. A. McCann, “Modulation and Multiple Access for 5G Networks,” IEEE Commun. Surv. Tutorials, vol. 20, no. 1, pp.
629–646, 2018, doi: 10.1109/COMST.2017.2766698.
46
[15] C. S. Wahyu Widayati, “Komparasi Beberapa Metode Estimasi Kesalahan Pengukuran,” J. Penelit. dan Eval. Pendidik., vol. 13, no. 2, pp. 182–197, 2013, doi: 10.21831/pep.v13i2.1409.
[16] W. Wang and Y. Lu, “Analysis of the Mean Absolute Error (MAE) and the Root Mean Square Error (RMSE) in Assessing Rounding Model,” in IOP Conference Series: Materials Science and Engineering, Apr. 2018, vol.
324, no. 1, doi: 10.1088/1757-899X/324/1/012049.
