KLASIFIKASI MODULASI QAM DENGAN DENSENET UNTUK SISTEM KOMUNIKASI 5G DAN SELANJUTNYA

Abstract

Optimalisasi penggunakan spektrum frekuensi sangat penting untuk dilakukan di teknologi 5G dan selanjutnya karena lonjakan perangkat yang terhubung ke jaringan komunikasi yang semakin besar. Teknologi Cognitive Radio merupakan salah satu sistem yang mampu melakukan hal tersebut dengan teknik Spectrum Sensing.

Pada saat penulisan penelitian ini, teknologi machine learning direkomendasikan untuk diterapkan pada bidang komunikasi generasi selanjutnya. Penelitian ini mencoba menerapkan model DenseNet untuk klasifikasi modulasi QAM. DenseNet merupakan model lanjutan dari CNN. Keuntungan dalam menggunakan model Densenet yaitu jumlah parameter yang sedikit. Tujuan dari penelitian ini yaitu mencoba mendapatkan akurasi yang lebih baik dari model CNN referensi. Proses pemodelan mengacu kepada referensi yang melakukan klasifikasi modulasi digital. Perhitungan peforma penelitian menggunakan metrik categorical crossentropy. Adapun hasil evaluasi model yang didapatkan akurasi sebesar 49% dan loss sebesar 0.95. Hasil akhir yang didapatkan model DenseNet dapat mendeteksi data dengan SNR diatas 0 lebih baik daripada model referensi CNN.