TUGAS :

1. Materi Sistem Pengambilan Keputusan

2. Team 2 mahasiswa
3. Ambil 1 jurnal tentang sistem pengambilan keputusan dari jurnal
yang sudah published dengan status ada ISSN dan Vol
4. Lakukan Review terhadap Jurnal tsb seperti contoh dibawah ini
5. Kumpulkan tgl 2 April 2020

REVIEW JURNAL
Nama 1, nama 2
Jurusan …., fak….., Universitas 17 Agustus 1945 Banyuwangi
E-mail :
Nim :

Judul :

Karya : Wenqian Xue, Hengzhi Zhang, Yong Li, Dong Liang, and Mugen Peng
Wireless Signal Processing and Network Lab, Key Laboratory of Universal Wireless
Communications, Ministry of Education,Beijing University of Posts & Telecommunications,
Beijing 100876, China

Identitas

Jurnal yang di review adalah sebuah jurnal internasional tentang antenna dan propagansi
yang ditulis oleh Wenqian Xue, Hengzhi Zhang, Yong Li, Dong Liang, and Mugen Peng dari
Wireless Signal Processing and Network Lab, Key Laboratory of UniversalWireless
Communications, Ministry of Education,Beijing University of Posts & Telecommunications,
Beijing 100876, China. Jurnal yang berjudul “Cell Outage Detection and Compensation in
Two-Tier Heterogeneous Networks “ ini diterbitkan pada tahun 2014 Hindawi Publishing
Corporation International Journal of Antennas and Propagation
Volume 2014, Article ID 624858, 9 pages
http://dx.doi.org/10.1155/2014/624858

Abstrak

1
 Jaringan heterogen (HetNets) dapat meningkatkan kapasitas jaringan melalui pemasangan
makro base station dengan node daya rendah, sementara belum pernah ditemukan
permasalahan sebelumnya dalam hal perencanaan, optimasi, dan pemeliharaan di HetNets,
deteksi outage sel dan mitigasi. Salah satu metode yang memiliki potensi untuk mengatasi
masalah ini adalah dengan Self Organizing Network (SON). Penelitian ini difokuskan pada
metode deteksi dan kompensasi outage sel dalam two-tier HetNets dimana macrocell dan
picocells posisinya sejajar. Algoritma klasifikasi K-Nearest Network (KNN) digunakan untuk
mendeteksi outage sel secara otomatis. Pertimbangannya adalah kemampuannya
meminimalkan terhadap kerusakan picocell karena mampu melakukan pengisian kembali dan
memberikan layanan macrocell yang tumpang tindih dengan vertical handover. Penyesuaian
daya pada setiap blok sumber daya dilakukan melalui algoritma optimasi Lagrange untuk
mengkompensasi kerusakan sel.

Latar Belakang

Peningkatan penggunaan lalu lintas data, didorong oleh bertumbuhnya generasi baru
bidang perangkat nirkabel, hal ini mendesak operator jaringan untuk melakukan peningkatan
kapasitas yang besar. Untuk memenuhi kebutuhan luar biasa ini diperlukan perancangan biaya
yang efektif, pergeseran paradigma dalam implementasi jaringan selular yang terjadi terhadap
jaringan heterogenitas, menciptakan apa yang disebut sebagai jaringan heterogen (HetNets)
melalui peningkatan kepadatan node dengan node daya rendah (LPNs), seperti Piko-, Femto-,
dan node estafet (M. Peng, Y. Liu, D. Wei, W. Wang, and H. Chen, 2011).
Pada LPNs yang baru ini biasanya menyediakan cakupan kecil dengan daya pancar mulai
dari 250 mW sampai 2 W, terdapat perbedaan yang mendasar dari daya tinggi macronode yang
memiliki daya pancar sekitar 40 W. Femtocell dimaksudkan digunakan dalam ruangan dengan
asosiasi terbatas, dan picocells cukup populer untuk wilayah hotspot (B. Han, W. Wang, Y. Li,
andM. Peng, 2013). Node relay dapat digunakan dengan ketentuan backhaul kabel tidak
tersedia. Topologi jaringan yang dinamis dan interaksi yang intens antara LPNs heterogen dan
macrocell akan menjadikan kompleksitas besar untuk operasi dan pemeliharaan jaringan. tips
tradisional untuk manajemen kesalahan adalah proses manual. Pertumbuhan kapasitas jaringan
dan meningkatnya kompleksitas membuat beban untuk menganalisis informasi yang sangat
besar. Oleh karena itu, untuk meminimalkan keterlibatan manusia dan memaksimalkan
efisiensi, maka jaringan cerdas diimplementasikan dengan tujuan untuk mengotomatisasi
sebagian besar prosedur jaringan agar menjadi lebih baik (R. Barco, P. Lazaro, and P.Munoz,
2012).

Metode

Pada tahap deteksi, pertama-tama dengan membangun database pelatihan dan kemudian
memproses database pengujian sebagai masalah dalam metode klasifikasi. Algoritma untuk
deteksi outage diberikan untuk mendukung metode klasifikasi (W. Xue, M. Peng, Y.Ma et al
,2014) , kriteria evaluasi mengenai akurasi klasifikasi juga dirancang. Karena masalahnya

2
adalah memaksimalkan throughput untuk pengguna di picocells kompensasi, maka perlu
pembatasan masalah nonconvex, menemukan solusi optimal untuk NP hard. Dengan
demikian, tahap kompensasi diusulkan melibatkan dua langkah, yaitu melakukan realokasi
RBs dan optimasi daya RB.
Cell Outage Detection Stage

𝐾 – nearest neighbour ( KNN ) adalah algoritma pembelajaran terkontrol yang melibatkan

dua langkah : pelatihan konstruksi model dan label pengujian data. Di sini, data pelatihan
dikumpulkan dalam simulasi referensi yang diberi label secara berkala dan RLF -like , di mana
sampel RLF yang dianggap sebagai anomali. Setelah konfigurasi outage dilakukan,data
pengujian dikumpulkan dan diklasifikasikan dengan memeriksa kemungkinan perbandingan
terbaik terhadap data training.

Hasil dan Pembahasan

Untuk simulasi, menggunakan sistem alat simulasi yang digunakan sesuai dengan
spesifikasi 3GPP. Berdasarkan model sistem digambarkan dalam Bagian 2, macrocell0 dan
picocell23 dikonfigurasi sebagai sel yang rusak dan picocell19-picocell22 diambil sebagai sel
kompensasi dari macrocell0 peluruhan . Parameter simulasi rinci tercantum dalam Tabel 1.
Simulasi dimulai pada keadaan operasional yang tepat dengan shadow fading yang
ditambahkan. matrik kinerja berkala dan sejumlah kecil data RLF-pemicu dilaporkan untuk
membangun sebuah model pelatihan. Pada titik tertentu dalam simulasi, daya pancar dari
macrocell0 dan picocell23 diatur menurun ke 40dBm untuk mensimulasikan kegagalan
hardware. Kinerja dalam sel outage kemudian mengalami kerusakan yang besar: angka RLF
terjadi perubahan, dan sebagian besar data berkala yang dikumpulkan dalam sel outage saat ini
mulai menunjukkan indikasi peluruhan . Setelah penemuan outage macrocell , picocell19-
picocell22 akan mengalokasikan RBs kosong dan mengoptimalkan daya per RB untuk
melayani pengguna baru mereka, sehingga kinerja yang terdegradasi akan dikembalikan.

Tabel 1. Konfigurasi parameter simulasi

3
Gambar 1: Hasil klasifikasi dengan klasifikasi KNN pada simulasi berbeda : (a) hasil
reference simulasi dan (b) hasil problematic simulasi

Hasil Deteksi Outage cell

Database pelatihan yang mendefinisikan karakteristik dari dua kategori yang berbeda
dibangun dari 136 RLF-trigger titik data dan 1.260 titik data berkala. KNN diadopsi untuk
melakukan tugas pengujian pelabelan data. Sebagai perbandingan, tidak hanya menguji data
tetapi juga data referensi berkala diberi label. Pada Gambar 1 (a), kita dapat melihat bahwa
beberapa data yang normal berkala diberi label sebagai RLF yang disebabkan oleh shadow
fading. Sementara, pada Gambar 1 (b), dua kelompok yang berbeda akan ditampilkan dalam
pengujian lebih lanjut dan data berkala melakukan hal yang sama seperti yang RLF-trigger,
karena mengirimkan outage energi.
Analisis Kritis
Jaringan komunikasi nirkabel mobile masa depan akan tampil sebagai jaringan
heterogenitas dalam usahanya untuk meningkatkan kinerja jaringan dan meningkatkan
pengalaman pengguna. Hal ini dilakukan untuk penyesuaian yang lebih baik menghadapi
tantangan jaringan melalui kompleksitas dan kerentanan, teknik deteksi outage sel, bagian
jaringan cerdas yang menjanjikan pada self-organizing networks (SON), telah menarik
perhatian yang cukup besar untuk menangani kesalahan jaringan yang tak terduga (W. Xue,
M. Peng, Y.Ma et al, 2014). Berdasarkan pengamatan metrik kinerja dalam domain waktu,
maka penggunaan algoritma klasifikasi yang disebut K- Nearest Network (KNN) mampu
mencapai deteksi anomali secara otomatis. Dengan beberapa asumsi yang wajar dan LTE-A
simulator sistem, percobaan numerik bisa diterapkan untuk menunjukkan efisiensi dari
algoritma yang diusulkan. lokalisasi untuk data anomali dan evaluasi kinerja selanjutnya
dilakukan untuk memvalidasi akurasi klasifikasi.
Visi Self-Organizing Networks (SON) menarik perhatian yang cukup besar sebagai
parameter untuk pengembangan jaringan masa depan. Sebagai fungsi penting dalam SON,
deteksi sel outage dikembangkan untuk mendeteksi secara mandiri macrocells atau femtocell
yang tidak berfungsi dan tidak dapat memberikan layanan dengan baik (W. Wang, J. Zhang,
and Q. Zhang, 2013). Pendekatan deteksi Outage sel sebelumnya difokuskan pada macrocells

4
sedangkan masalah pemadaman yang muncul di jaringan femtocell kurang dibahas. Namun,
karena dua-tier arsitektur jaringan makro-Femto dan sifat cakupannya kecil femtocell, menarik
untuk mengaktifkan fungsi deteksi outage dalam jaringan femtocell. Korelasi spasial antara
pengguna dapat diekstraksi untuk mengatasi tantangan ini, Cooperative femtocell Outage
Detection (COD) arsitektur yang terdiri dari tahap pemicu dan tahap deteksi. Pada tahap
pemicu, dilakukan perancangan mekanisme pemicu yang memanfaatkan informasi korelasi
melalui kolaboratif filtering yang secara efisien memicu prosedur deteksi tanpa komunikasi
antar-sel. Pada tahap deteksi, untuk meningkatkan akurasi deteksi, maka dipergunakan paduan
aturan deteksi berurutan untuk memproses statistik pengguna spasial dan temporal berkorelasi.
Masalah deteksi diformulasikan sebagai masalah pengujian hipotesis sekuensial, dan hasil
analisis terhadap kinerja deteksi berasal. Studi numerik untuk berbagai penyebaran femtocell
dan konfigurasi menunjukkan bahwa COD melebihi skema yang ada pada bagian biaya
overhead komunikasi dan akurasi deteksi.
Kesimpulan
Proses self-healing ( pemulihan diri ) dalam jaringan heterogen macropico melalui kerja
indikator kinerja utama menggunakan data yang dikumpulkan secara periodik dan RLF-
trigger, metode klasifikasi K-Nearest Network (KNN) telah berhasil di implementasikan untuk
mendeteksi macrocell outage dan picocell. Faktanya pengguna di picocell dapat
mengembalikan layanan yang terdegradasi dengan handover yang halus , hanya outage pada
macrocell dianggap sebagai kinerja kompensasi. Empat picocells yang terletak di outage
macrocell digunakan sebagai sel kompensasi. RBs mengalokasikan empat picocells yang
adalah milik macrocell outage untuk pengguna yang terkena dan masih menggunakan fungsi
Lagrange untuk mengoptimalkan daya per RB. Untuk mengurangi gangguan Intercell, maka
konsep baru "kompensasi timeslot" diperkenalkan. Akhirnya, verifikasi untuk KNN classifier
berdasarkan f-measurement dan mekanisme kompensasi dalam hal keuntungan kompensasi
sudah di ilustrasikan.