Electronic Theses and Dissertation

Teknologi komunikasi nirkabel telah berkembang pesat hingga mencapai generasi keenam (6g), yang menawarkan konektivitas lebih cepat, kapasitas lebih besar, dan kinerja jaringan yang lebih baik. salah satu teknologi pendukung 6g adalah massive multiple input multiple output (massive mimo), yang memungkinkan penggunaan banyak antena untuk meningkatkan throughput dan efisiensi energi. namun, peningkatan jumlah antena juga berdampak pada konsumsi daya yang tinggi. untuk mengatasi tantangan ini, penelitian ini menganalisis dan membandingkan efisiensi energi sistem massive mimo 6g menggunakan metode deep neural network (dnn) dan tanpa dnn. penelitian dilakukan melalui simulasi menggunakan matlab dengan skenario satu base station (bs) yang dilengkapi 128 dan 256 antena serta melayani empat pengguna. hasil menunjukkan bahwa algoritma dnn secara signifikan meningkatkan efisiensi energi dibandingkan tanpa dnn. hasil simulasi menunjukkan bahwa penggunaan dnn menghasilkan efisiensi energi yang jauh lebih tinggi dibandingkan metode konvensional tanpa dnn pada kedua konfigurasi antena. untuk sistem dengan 128 antena, efisiensi energi rata-rata meningkat secara substansial dari 0,2963 mbps/w menjadi 5,8524 mbps/w, sementara untuk 256 antena meningkat dari 0,1923 mbps/w menjadi 3,5664 mbps/w. selain itu, data rate juga menunjukkan peningkatan yang sangat signifikan, mencapai rata-rata 4518,11 mbps (128 antena) dan 4582,48 mbps (256 antena) dengan dnn, dibandingkan 228,75 mbps (128 antena) dan 246,93 mbps (256 antena) tanpa dnn. hasil ini menunjukkan potensi besar dnn dalam meningkatkan performa sistem massive mimo 6g.

Wireless communication technology has rapidly evolved, reaching the sixth generation (6G), which offers faster connectivity, greater capacity, and improved network performance. One of the key enabling technologies for 6G is Massive Multiple Input Multiple Output (Massive MIMO), which utilizes a large number of antennas to enhance throughput and energy efficiency. However, increasing the number of antennas also leads to higher power consumption. To address this challenge, this study analyzes and compares the energy efficiency of 6G Massive MIMO systems using Deep Neural Network (DNN) methods and without DNN. The research was conducted through simulations in MATLAB, using a scenario with a single base station (BS) equipped with 128 and 256 antennas serving four users. The results show that the DNN algorithm significantly improves energy efficiency compared to the system without DNN. The simulation results demonstrate that the use of DNN yields much higher energy efficiency than conventional methods in both antenna configurations. For the system with 128 antennas, the average energy efficiency increased substantially from 0.2963 Mbps/W to 5.8524 Mbps/W, while for 256 antennas it rose from 0.1923 Mbps/W to 3.5664 Mbps/W. Furthermore, the data rate also showed a remarkable increase, reaching an average of 4518.11 Mbps (128 antennas) and 4582.48 Mbps (256 antennas) with DNN, compared to 228.75 Mbps (128 antennas) and 246.93 Mbps (256 antennas) without DNN. These findings highlight the significant potential of DNN in enhancing the performance of 6G Massive MIMO systems.