Alokasi Sumber Daya Radio pada Komunikasi Underlay
Device-to-Device Menggunakan Algoritma Genetika
Salma Pratiwi
1, Arfianto Fahmi
2, Vinsensius Sigit
31,2,3
S1 Teknik Telekomunikasi, Telkom University, Bandung
1
salmapratiwi32@gmail.com,
2arfiantof@telkomuniversity.co.id,
3
vinsensiusvsw@telkomuniversity.ac.id
Abstrak
Jumlah pengguna layanan telekomunikasi berbasis jaringan bergerak seluler terus meningkat, seiring ketergantungan masyarakat untuk bisa berkomunikasi dimana saja. Hal ini menyebabkan semakin padatnya trafik komunikasi dalam jaringan seluler. Solusi dari permasalahan tersebut yaitu teknologi komunikasi Device-to-Device (D2D). Teknologi ini menjanjikan latensi yang rendah dan mampu meningkatkan efisiensi spektral. Namun, komunikasi D2D memberikan dampak interferensi ke komunikasi seluler. Sehingga diperlukan suatu algoritma untuk memitigasi interferensi. Dengan adanya permasalahan tersebut, penelitian ini melakukan pemodelan dan simulasi menggunakan algoritma Genetika dalam alokasi sumber daya radio sehingga dapat meminimalkan interferensi namun juga tetap bisa menjaga efisiensi energi yang terjadi pada sistem. Hasil yang didapatkan dari penelitian ini yaitu dimana Algoritma Genetika memberikan trade-off dimana efisiensi energi rata-rata sistem yang tinggi namun sum-rate sistem sangat rendah jika dibanding dengan algoritma pembandingnya yakni 17,038 Mbps/W dan 36,7925 Mbps. Hal ini terjadi karena penggunaan Algoritma Genetika dan power control pada inisiasi algoritma yang memberikan sistem kemampuan agar terdapat lebih banyak pengguna D2D dengan tetap menjamin tercapainya SINR minimum pengguna seluler.
Kata Kunci: Komunikasi Device-to-Device (D2D), Algoritma Genetika, Efisiensi Energi, Sum-rate, Underlay
1. Pendahuluan
Jumlah pengguna layanan telekomunikasi sistem komunikasi mobile terus meningkat di Indonesia. Jika membandingkan pengguna layanan seluler dengan populasi masyarakat Indonesia yaitu 133% [1]. Hal ini menimbulkan permasalahan yakni semakin padatnya trafik komunikasi dalam jaringan seluler. Salah satu solusi permasalahan tersebut yaitu teknologi komunikasi Device-to-Device (D2D) yang akan ada pada jaringan nirkabel 5G. Komunikasi ini memungkinkan komunikasi secara langsung User
Equipment (UE) tanpa melalui evolved Node B (eNB) dengan menggunakan frekuensi
yang sama pada pengguna seluler (CU). Teknologi ini menjanjikan latensi yang rendah, mampu meningkatkan efisiensi spektral juga mengefisiensikan energi, sebab pada teknologi 5G dimana konsumsi daya yang rendah sehingga dapat mengefisiensikan energi akan menjadi isu yang menantang. Sayangnya, komunikasi D2D memberikan dampak interferensi ke komunikasi seluler. Interferensi timbul akibat pengguna seluler dan pasangan D2D menggunakan resource block (RB) yang sama. Sehingga diperlukannya suatu algoritma untuk memitigasi interferensi tersebut.
Alokasi sumber daya radio pernah diteliti menggunakan Algoritma Heuristic. Berdasarkan penelitian ini dimana Algoritma Heuristic memberikan hasil data rate,
fairness, dan efisiensi energi yang baik sehingga cocok digunakan ketika tingkat complexity tinggi [2]. Alokasi sumber daya radio berdasarkan Algoritma Genetika juga
pernah diteliti. Algoritma ini mampu memaksimalkan efisiensi spektral jaringan namun tetap dapat menjaga nilai minimum Signal to Interference plus Noise Ratio (SINR) pengguna seluler akibat komunikasi D2D. Penelitian ini menggunakan metode prediksi
kanal serta menggunakan pencarian global maksimum yaitu pencarian jalan yang berbeda untuk pencarian ruang secara bersamaan [3].
Penelitian ini menggunakan pemodelan dan simulasi sistem seperti yang telah diusulkan penulis [3]. Beberapa kelebihan model sistem ini yaitu tidak membatasi banyaknya pengguna D2D (DU) yang saling berbagi resource block dengan pengguna seluler juga hasil pencarian merupakan global maksimum. Perbedaan penelitian ini dengan penelitian [3] yaitu penggunaan Channel State Information (CSI) dan pada parameter pengujian.
2. Metodologi Penelitian
2.1. Model Sistem
Model sistem penelitian ini mengadopsi model sistem dari referensi 3. Simulasi penelitian ini menggunakan karakteristik sistem seperti pada Tabel 1. Model sistem ini mengamati sebuah sel seluler dengan satu BTS berada ditengah dimana CU dan DU tersebar random disekitar eNB pada kondisi uplink seperti pada Gambar 1. Pada komunikasi D2D, ketika CU berkomunikasi melalui eNB dan pengguna D2D berkomunikasi dengan pengguna lain disekitarnya maka akan saling memberikan dampak interferensi. Pada kondisi uplink, pengguna seluler 1 (U1) yang akan mengirimkan sinyal ke eNB akan memberikan dampak interferensi pada penerima D2D2 dan ketika Pemancar D2D2 mengirimkan sinyal data ke Penerima D2D2 akan memberikan dampak interferensi pula pada eNB. Kondisi ini terjadi pada saat berada di RB yang sama.
Tabel 1. Karakteristik Sistem
Karakteristik Sistem Nilai
Radius sel 500 m
Model kanal COST-231 Hata
Fading Rayleigh Random
Shadowing Random
Frekuensi carrier 1,8 GHz
Bandwidth RB 180 kHz
Jarak maksimum antara pasangan D2D 10 m
Daya maksimum D2D Transmitter 23 dBm
Daya maksimum CU 23 dBm
Daya minimum -40 dBm
Noise -174 dBm/Hz
Setelah semua komponen pada desain sistem sudah disebar, kemudian mencari jarak antara eNB dengan pengguna seluler, eNB dengan pasangan D2D, dan pasangan D2D dengan pengguna seluler dalam satuan meter. Jika jarak antar perangkat sistem sudah ditemukan, maka selanjutnya mencari pemodelan kanal untuk mengetahui Gain saluran dan pathloss antar perangkat.
2.2. Model SINR
Pemilihan mode, alokasi kanal dan kontrol daya secara bersama-sama dipertimbangkan untuk memaksimalkan throughput sistem secara keseluruhan juga agar memunuhi SINR dari komunikasi seluler dan komunikasi D2D [4]. SINR tidak hanya mencakup daya derau termal, tetapi juga kekuatan interferensi dari sumber lain, seperti pembawa (sub) frekuensi yang berdekatan. SINR merupakan penggambaran yang lebih deskriptif karena memperhitungkan efek interferensi lain yang biasa terjadi pada sistem
broadband nirkabel terrestrial [5]. SINR minimum untuk LTE dimana kualitas sinyal
terima sangat buruk yaitu 0 dB. SINR pada komunikasi ke-i pada RB ke-r diekspresikan pada persamaan berikut [3]:
𝑆𝐼𝑁𝑅𝑖, 𝑟 =𝑎𝑖,𝑟. 𝑝𝑖,𝑟. 𝑔𝑖,𝑗 ,𝑟 𝜎2 + 𝐼𝑖𝑟
(1)
Keterangan:
ai,r = bernilai 1 jika user ke-i menggunakan RB ke-r dan bernilai 0 jika RB ke-r tidak
digunakan user ke-I
pi,r = daya transmisi dari node i pada RB ke r dengan satuan dBm
gi,j,r = penguatan kanal diantara transmitter node i dengan receiver node j pada RB ke
r dengan satuan dB σ2
= daya noise
𝐼𝑖𝑟
= inferensi total dari node lain ke node i.
Sedangkan perhitungan interferensi total berdasarkan persamaan berikut [3]:
𝐼𝑖𝑟 = 𝑎𝑗 ,𝑟. 𝐼𝑖𝑟 𝑉+𝐾 𝑗 =1,𝑗 ≠𝑖 = 𝑎𝑗 ,𝑟. 𝑝𝑗 ,𝑟. 𝑔𝑗 ,𝑖,𝑟 𝑉+𝐾 𝑗 =1,𝑗 ≠𝑖 (2) Keterangan:
V = total jumlah pengguna seluler
K = total jumlah pengguna D2D
aj,r = bernilai 1 jika user ke-j menggunakan RB ke-r dan bernilai 0 jika RB ke-r tidak
digunakan user ke-j
pj,r = daya transmisi dari node j pada RB ke r.
gj,i,r = penguatan kanal diantara transmitter node j dengan receiver node i pada RB ke
r.
Nilai SINRi,r akan mempengaruhi nilai maksimum efisiensi spektral jaringan yang nantinya akan menjadi nilai fitness value algoritma sesuai persamaan 1 [3] berikut, dimana Q adalah banyaknya RB:
𝑆𝑒𝑛𝑒𝑡𝑤𝑜𝑟𝑘 = 𝑙𝑜𝑔2(1 + 𝑆𝐼𝑁𝑅𝑖,𝑟) 𝑄 𝑟=1 𝑉+𝐾 𝑖=1 . (3) 2.3. Algoritma Genetika
Algoritma Genetika dimulai dengan seperangkat input kromosom. Sebuah kromosom menyajikan daya dan RB untuk komunikasi. Selain itu, setiap kromosom harus memenuhi kendala masalah optimisasi. Pasangan kromosom disebut generasi. Generasi-generasi berubah secara iteratif. Pada tiap repetisi, kromosom dari Generasi-generasi saat ini dipilih untuk menjadi parent dan mengasilkan anak (offspring) untuk generasi selajutnya. Pemilihan kromosom dalam hal efisiensi spektral, memiliki peluang lebih tinggi untuk dipilih sebagai parent. Setelah serangkaian iterasi, generasi berevolusi menuju kromosom optimal.
Mula-mula 5 kromosom yang dibangkitkan secara random di set agar nilai daya D2D dan CU ke daya maksimum dan SINR pengguna seluler ke SINR minimum, sehingga RB bisa menampung lebih banyak pengguna D2D. Daya dari satu pengguna D2D tiap RB yang terpilih dioptimalkan untuk memaksimalkan efisiensi spektral. Kemudian melakukan perhitungan daya pengguna seluler tiap RB. Jika pada RB hanya ada 1 komunikasi, maka pengguna seluler mengunakan nilai daya transmit maksimum. Kemudian menghitung nilai efisiensi spektral kromosom dan pembentukan resource
vector daya pengguna pada tiap RB. Perhitungan efisiensi spektral kromosom dilakukan
untuk mendapatkan nilai fungsi kecocokan (fchromosom). Jika semua nilai sudah didapatkan maka nilai tersebut dijadikan input untuk menjalankan Algoritma Genetika.
Algoritma bekerja dengan tiga operator untuk membentuk generasi baru berdasarkan generasi saat ini, diantaranya seleksi proporsional, crossover, dan mutasi [2]. Ketiga operator ini masuk kedalam fungsi select and reproduce. Operator seleksi proporsional akan memilih dua kromosom dengan nilai kecocokan paling tinggi untuk menjadi parents bagi generasi berikutnya. Crossover merupakan proses penggabungan dua parent dan menghasilkan offspring untuk generasi berikutnya. Pada algoritma ini selanjutnya untuk keluar dari solusi optimal lokal, algoritma Genetika menambahkan perubahan acak ke kromosom dengan probabilitas 0,2. Penerapan perubah acak dalam kromosom yaitu memilih dua pengguna seluler dari offspring secara acak dan ditukar.
Setelah simulasi Algoritma Genetika berhasil dilakukan, selanjutnya menghitung performansi sistem, diantaranya sum-rate sistem dan energi efisiensi sistem. Sum-rate merupakan penjulahan semua data rate komunikasi pada sistem, dimana data rate adalah waktu yang dibutuhkan untuk mentransmisikan sebuah data. Performansi efisiensi energi sistem menunjukkan berapa banyak data yang ditransmisikan dalam 1 Watt. Setelah data performansi pada Algoritma Genetika didapatkan, selanjutnya membandingkannya dengan hasil performansi pada Algoritma Greedy dan Random Allocation dengan seknario pengujian yang sama.
3. Hasil dan Pembahasan
3.1. Sum-rate Sistem
Skenario penelitian yaitu melakukan variasi pada jumlah pasangan D2D dari 4 hingga 10 pasangan dengan step 1, menggunakan 10 CU dan 10 RB, dengan jumlah repetisi sebanyak 1 pada algoritma Genetika, pengambilan data dilakukan sebanyak 1000 kali. Pengambilan data perlu dilakukan beberapa kali agar hasil simulasi konvergen. Hasil penelitian pada parameter pengujian sum-rate meningkat secara signifikan seiring bertambahnya jumlah pengguna D2D. Peningkatan sum-rate juga menunjukan kualitas sinyal yang semakin baik (SINR semakin tinggi). Dalam hal ini, algoritma Greedy memiliki nilai sum-rate paling tinggi yaitu 45,424 Mbps seperti yang ada pada Gambar 2. Hal ini dikarenakan algoritma Greedy mempertimbangkan data rate tertinggi tiap pengguna dalam proses alokasi penggunanya.
\Sum-rate terbaik selanjutnya dijuarai oleh algoritma RA yakni 37,376 Mbps. Hal
ini terjadi karena pengguna D2D ke-n akan dialokasikan ke RB-n dan akan melakukan
sharing resource tanpa mempertimbangkan kondisi kanal dari pengguna seluler. Sum-rate
paling rendah yaitu 36,7925 Mbps saat menggunakan algoritma Genetika. Hasil sum-rate Algoritma Genetika didapatkan hanya dari proses power control dan tanpa optimasi karena hanya menggunakan 1 repetisi juga karena pada 1 RB bisa terdapat lebih dari 1 komunikasi D2D, sedangkan pada Algoritma Greedy dan Algoritma RA hanya 1 D2D yang bisa ditempatkan pada tiap RB.
3.2. Efisiensi Energi Sistem
Pada parameter efisiensi energi, hasil tertinggi dimiliki oleh Algoritma Genetika yaitu 17,038 Mbps/W seperti data yang ada pada Tabel 2, hal ini dikarenakan total energi sistem Algoritma Genetika sangat rendah meskipun sum-rate sistem tidak terlalu tinggi. Efisiensi energi sistem merupakan rasio antara unit fungsional dan energi yang diperlukan. Peningkatan banyaknya pengguna D2D dari sebanyak 4 hingga 9 masih membuat efisiensi energi meningkat sedangkan setelah 9 pengguna D2D (19 komunikasi) maka akan menurunkan nilai efisiensi energi. Efisiensi energi sistem terbaik yang kedua yaitu pada Algoritma Greedy dimana memiliki nilai rata-rata 13,371 Mbps/W barulah yang terendah yaitu pada saat Algoritma RA yakni 11,038 Mbps/W.
Peningkatan jumlah D2D pada Algoritma Greedy dan RA akan menyebabkan penurunan efisiensi energi dikarenakan total energi sistem yang besar akibat tidak adanya
power control. Meskipun total energi sistem algoritma Greedy dan algoritma RA sama,
namun sum-rate algoritma Greedy sangat tinggi sehingga efisiensi energi sistem algoritma Greedy akan lebih tinggi dari efisiensi energi sistem algoritma RA.
Algoritma Greedy menunjukkan hasil sum-rate yang lebih unggul dibanding Algoritma Genetika dan Algoritma RA seperti pada data Tabel 3, sedangkan Algoritma Genetika memiliki keunggulan pada performansi efisiensi energi sistem. Penggunaan Algoritma Genetika dan power control pada alokasi sumber daya radio komunikasi D2D akan memberikan trade-off dimana penggunaan energi sistem yang rendah akan meningkatkan efisiensi energi sistem dengan jumlah RB yang lebih sedikit namun menurunkan performansi sum-rate sistem. penggunanya.
Tabel 2. Hasil Efisiensi Energi Sistem Jumlah
D2D
Efisiensi Energi (x 107 bps/W) Sum-rate (x 107 bps)
Genetika Genetika Greedy RA Greedy RA
4 1,5924 3,1561 3,6277 3,1514 2,7933 2,7933 5 1,6411 3,3137 3,9389 3,3584 2,9928 2,9928 6 1,6959 3,4929 4,2680 3,5546 3,1924 3,1924 7 1,7476 3,6833 4,5850 3,7355 3,3919 3,3919 8 1,7492 3,8603 4,8602 3,9242 3,5914 3,5914 9 1,7528 4,0267 5,1595 4,1229 3,7909 3,7909 10 1,7472 4,2213 5,3572 4,3162 3,9905 3,9905 Rata-rata 1,7038 3,67925 4,5424 3,7376 3,3919 3,3919
4. Kesimpulan
Pada tulisan ini, metode berbasis Algoritma Genetika digunakan untuk mengoptimalkan alokasi sumber daya radio. Bertentangan dengan algoritma alokasi sumber daya pada algoritma Greedy dan algoritma Random Allocation, algoritma disajikan sehubungan dengan jumlah yang fleksibel dari komunikasi D2D dan seluler. Sehingga, jumlah pengguna yang lebih banyak dapat diamati dengan jumlah blok sumber daya yang terbatas. Juga, SINR minimum dipertimbangkan untuk komunikasi seluler untuk menjamin kualitas layanan mereka. Dalam tulisan ini, penulis hanya
mempertimbangkan pengguna dalam satu sel. Berdasarkan hasil yang didapat dari penelitian ini, yaitu pertambahan jumlah komunikasi D2D pada sistem Algoritma Genetika, akan berdampak pada semakin meningkatnya efisiensi energi 21,5% jika dibandingkan dengan Algrotma Greedy dan 35,2% jika dibandingkan dengan Algoritma RA. Pada performansi sum-rate sistem, Algoritma Genetika memberikan nilai yang lebih rendah yakni 23,5% jika dibandingkan dengan Algoritma Greedy dan 1,6% lebih rendah dari Algoritma RA.
Daftar Pustaka
[1] C. D. Scott and R. E. Smalley, “Diagnostic Ultrasound: Principles and Instruments”, Journal of Nanosci. Nanotechnology., vol. 3, no. 2, (2003), pp. 75-80.
[2] We are Social: DIGITAL 2019: GLOBAL INTERNET USE ACCELERATES,
https://wearesocial.com/blog/2019/01/digital-2019-global-internet-use-accelerates, (diakses pada tanggal 17 September (2019).
[3] Yadita Priatama, "Pengelolaan Sumber Daya Radio dan Mitigasi Interferensi pada Komunikasi Device to Device yang Underlaying pada Jaringan 5G", (2019).
[4] H. Takshi, G. Dogan and H. Arslan, "Joint Optimization of Device to Device Resource and Power Allocation Based on Genetic Algorithm", IEEE Access, vol. 6, pp. 21173-21183, (2018), Available: 10.1109/access.2018.2826048.
