Electronic Theses and Dissertation

Teknologi generasi 6g merupakan teknologi masa depan diharapkan agar dapat melanjutkan perkembangan 5g yang bertujuan untuk memberikan konektivitas yang lebih cepat, kapasitas yang lebih besar, serta mendukung teknologi multiple input multiple output (mimo) masif. teknologi mimo masif merupakan salah satu jenis teknik diversitas spasial yang menggunakan beberapa antena untuk mengirimkan beberapa data atau informasi secara bersamaan dan dapat terhubung dengan beberapa terminal dalam waktu frekuensi yang sama. pada teknologi mimo masif ini, untuk meningkatkan kecepatan data dibutuhkan spektrum yang lebih besar dan frekuensi yang tinggi. sedangkan ketersediaan spektrum pada sistem komunikasi 6g mimo masif yang terbatas serta penggunaan frekuensi yang tinggi dapat menyebabkan penurunan kualitas sinyal karena interferensi. maka diperlukan adanya sebuah sistem untuk mengoptimalkan kinerja dari mimo masif. selain itu, mimo masif juga memiliki kompleksitas yang tinggi karena memanfaatkan antena yang sangat banyak sehingga dapat menurunkan kinerja sistem. deep neural network (dnn) adalah sebuah algoritma yang dapat mengatasi data-data yang lebih komplek serta dapat meningkatkan kinerja sebuah sistem. oleh karena itu, pada penelitian ini menganalisis dan membandingkan parameter kinerja berupa signal-to-interference plus noise ratio (sinr) dan efisiensi spektral pada sistem komunikasi 6g mimo masif dengan menggunakan metode dnn dan konvensional. nilai sinr yang dihasilkan menggunakan metode dnn ini lebih tinggi dibandingkan dengan metode konvensional. sistem dnn ini memperoleh nilai se yang lebih stabil dan lebih optimal jika dibandingkan dengan menggunakan mimo masif konvensional sebesar 82,8% serta sedikit lebih stabil dibandingkan dengan menggunakan metode deep reinforcement learning (drl). metode dnn sedikit lebih baik dalam mengatasi kompleksitas karena waktu respon yang dihasilkan relatif konstan sepanjang epoch dibandingkan dengan metode drl mengalami peningkatan seiring bertambahnya epoch.

6G technology is a future-generation technology expected to build upon the advancements of 5G, offering faster connectivity, higher capacity, and robust support for Massive Multiple-Input Multiple-Output (MIMO). Massive MIMO is a spatial diversity technique that utilizes multiple antennas to transmit multiple data streams simultaneously, enabling connections with multiple terminals within the same frequency band. To enhance data rates, Massive MIMO systems require larger bandwidths and higher frequencies. However, limited spectrum availability in 6G MIMO systems and the use of high frequencies can lead to degraded signal quality due to interference. Therefore, a system is needed to optimize the performance of Massive MIMO. Additionally, Massive MIMO systems are highly complex due to the use of numerous antennas, which can degrade system performance. Deep neural network (DNN) are algorithms capable of handling complex data and improving system performance. This research analyzes and compares the performance parameters of signal-to-interference plus noise ratio (SINR) and spectral efficiency in 6G Massive MIMO systems using both DNN and conventional methods. The SINR obtained using the DNN method was higher compared to conventional methods. The DNN system achieved a more stable and optimal spectral efficiency, improving it by 83.1% compared to conventional Massive MIMO and exhibiting slightly better stability than Deep Reinforcement Learning (DRL). The DNN method demonstrated a slight advantage in handling complexity, as their response time remained relatively constant throughout epochs, while DRL experienced an increase in response time with where response time increases with the number of epochs.