ARTIFICIAL INTELLIGENCE FOR SATELLITE

COMMUNICATION: A REVIEW

PENERBIT JURNAL : INTELLIGENT AND CONVERGED NETWORKS

(PUBLISHED BY TSINGHUA UNIVERSITY PRESS)

PENULIS : FARES FOURATI AND MOHAMED-SLIM ALOUINI

 1. LATAR BELAKANG MASALAH
• Layanan-layanan baru di berbagai bidang, dan pesatnya perkembangan
perangkat cerdas telah menyebabkan meningkatnya permintaan akan
sistem komunikasi satelit untuk melengkapi jaringan terestrial
konvensional untuk memberikan akses terhadap wilayah perkotaan
yang tidak terlindungi dan kurang terlindungi, daerah pedesaan, dan
pegunungan, serta laut.
• Ada tiga jenis satelit utama, termasuk orbit bumi geostasioner, juga
disebut sebagai orbit khatulistiwa geosynchronous (GEO), medium
bumiorbit (MEO), dan satelit orbit bumi rendah (LEO). Klasifikasi ini
bergantung pada tiga ciri utama, yaitu ketinggian, ukuran jejak sinar,
dan orbit.
• Penggunaan komunikasi satelit dapat dibagi menjadi tiga kategori: (1)
kontinuitas layanan, untuk menyediakan akses jaringan pada uncovered
dan under-covered area; (2 service ubiquity, untuk meningkatkan
ketersediaan jaringan jika terjadi pemadaman sementara atau
kehancuran jaringan darat akibat bencana; dan (3) skalabilitas
layanan, untuk memindahkan lalu lintas dari jaringan darat.
• Satelit memiliki beberapa tantangan. khususnya LEO satelit, memiliki
sumber daya yang terbatas dan bergerak cepat, membawa dinamika
tinggi pada akses jaringan.
• Mobilitas segmen ruang angkasa yang tinggi, dan heterogenitas yang
melekat antara lapisan satelit (GEO, MEO, LEO), lapisan udara,dan lapisan
tanah membuat pengendalian jaringan, keamanan jaringan , dan manajemen
spektrum yang menantang. Mobilitas yang tinggi mengakibatkan seringnya
handoff yang membuat routing yang aman lebih sulit direalisasikan,
sehingga membuatnya lebih rentan terhadap jamming. Efisiensi energi yang
tinggi untuk komunikasi satelit lebih menantang dibandingkanuntuk jaringan
terestrial.
• Sementara itu, minat terhadap kecerdasan buatan (AI) termasuk machine
learning (ML), deep learning (DL), and reinforcement learning (RL), dan
jaringan non-terestrial meningkat dalam beberapa tahun terakhir.
• Beberapa penelitian tentang penggunaan AI untuk satu atau beberapa
aspek komunikasi satelit telah dilakukan; Namun, survei ekstensif tentang
aplikasi AI dalam berbagai aspek komunikasi satelit belum dilakukan. Oleh
karena itu, jurnal ini bertujuan untuk memberikan pengenalan tentang AI,
diskusi tentang berbagai tantangan yang dihadapi oleh komunikasi satelit,
dan survei ekstensif mengenai potensi aplikasi berbasis AI untuk mengatasi
tantangan tersebut.
 2. PENGENALAN ARTIFICIAL INTELLIGENT
• ML (Machine Learning) , DL (Deep Learning), RL (Reinforcement Learning), dan
perpotongannya merupakan bagian dari AI, seperti dirangkum pada Gambar 2.
• AI bertujuan untuk membuat mesin menjadi lebih pintar, baik dengan mengikuti
beberapa aturan atau dengan memfasilitasi pembelajaran terpandu. Yang
pertama mengacu pada AI simbolis; yang terakhir mengacu pada ML.
• AI simbolik menunjukkan kemampuan untuk menyelesaikan tugas-tugas intelektual
kompleks yang biasanya memerlukan manusia seperti klasifikasi, regresi,
pengelompokan, deteksi, pengenalan, segmentasi, perencanaan,penjadwalan,
atau pengambilan keputusan.
• Meskipun AI simbolik ini cocok untuk banyak aplikasi, AI ini menunjukkan
berbagai keterbatasan untuk masalah tingkat lanjut yang menunjukkan lebih
banyak kompleksitas, lebih sedikit struktur, dan lebih banyak fitur tersembunyi
seperti tugas visi komputer dan pemrosesan bahasa. Untuk mengatasi
keterbatasan ini, peneliti beralih ke pendekatan pembelajaran yang dikenal
sebagai ML (Machine Learning).
 2.1 MACHINE LEARNING
• ML, yang mencakup DL dan RL, adalah bagian dari AI. Berbeda dengan AI simbolik, di mana
mesin diberikan semua aturan untuk menyelesaikan masalah tertentu, dalam ML, mesin
diberikan konteks untuk mempelajari aturan itu sendiri untuk menyelesaikan masalah.
• Proses pembelajaran memerlukan data untuk mengekstrak pola dan struktur tersembunya.
• Fokusnya adalah menemukan representasi data yang optimal agar mendekati hasil yang
diharapkan dengan mencari dalam ruang kemungkinan yang telah ditentukan menggunakan
panduan dari sinyal umpan balik.
• Untuk mencapai hal itu, ada tiga hal yang wajib dilakukan: input data,sampel keluaran yang
diharapkan, dan cara mengukur kinerja algoritme.
2.1.1 SUPERVISED, UNSUPERVISED, AND SEMISUPERVISED LEARNING

Unsupervised Semi-supervised
Supervised learning :
Algoritma ML juga dapat learning : learning :
diklasifikasikan menjadi supervised, Semua data
Pelabelan tidak
semisupervised, unsupervised, and RL, mungkin dilakukan Sebagai jalan tengah
pelatihan diberi karena kurangnya antara pembelajaran
seperti yang ditunjukkan pada label, dapat informasi atau tidak yang diawasi dan tidak
memeriksa apakah mungkin dilakukan diawasi, pembelajaran
Gambar 3. prediksinya benar karena biaya tinggi. semi supervise
atau salah pada titik memungkinkan
mana pun dalam campuran bagian data
proses training. Dengan pelatihan yang tidak
menggunakan data diberi label dan diberi
Model yang diawasi yang tidak berlabel, label.
mempelajari pola model dapat
dari data training mengekstrak pola
atau struktur Pembelajaran semi-
untuk kemudian tersembunyi dalam supervisi merupakan
dapat memprediksi data yang mungkin pilihan yang sangat
label untuk data berguna untuk baik ketika hanya
yang tidak berlabel memahami fenomena sebagian kecil dari
selama inferensi. SL tertentu atau data yang tersedia
telah diterapkan keluarannya dapat diberi label dan/atau
untuk tugas klasifikasi digunakan sebagai proses pelabelannya
dan regresi. masukan. sulit atau mahal. Contoh
teknik ini adalah
pseudolabelling.
 2.1.2 PROBABILISTIC MODELING

Contoh yang populer adalah

• Pemodelan probabilistik, melibatkan pengklasifikasi Naive Bayes,
model yang menggunakan teknik yang menggunakan teorema
statistik untuk menganalisis data dan Bayes dengan asumsi bahwa
semua fitur masukan bersifat
merupakan salah satu bentuk independen
Machine Learning paling awal.

Contoh populer lainnya adalah

regresi logistik; karena
algoritme untuk pengklasifikasi
ini sederhana, algoritme ini
umumnya digunakan dalam
komunitas ilmu data.
 2.1.3 SUPPORT VECTOR MACHINE

Support Metode kernel adalah kelas algoritma yang popular, dimana

Vector yang paling terkenal adalah SVM,yang bertujuan untuk
Machine menemukan batas keputusan untuk mengklasifikasikan masukan
data.

Algoritme memetakan data ke dalam representasi dimensi

tinggi di mana batas keputusan dinyatakan sebagai
hyperplane. Hyperplane kemudian dicari dengan mencoba
memaksimalkan jarak antara hyperplane dengan titik data
terdekat dari masing-masing kelas.

SVM menunjukkan keterbatasan ketika diterapkan pada

kumpulan data besar. Ketika SVM diterapkan pada masalah
persepsi, langkah rekayasa fitur diperlukan untuk meningkatkan
kinerja karena model ini dangkal.Meskipun telah dilampaui
oleh algoritma DL, algoritma ini masih berguna karena
kesederhanaan dan kemampuan interpretasinya.
 2.1.4 DECISION TREES

Decision tree adalah supervised learning

algoritma yang merepresentasikan fitur data
sebagai pohon dengan mendefinisikan
pernyataan kontrol bersyarat.

Decision tree dapat digunakan untuk regresi dan

klasifikasi, karena keputusan dapat berupa nilai
atau kategori berkelanjutan.

Peningkatan gradien juga menggabungkan

Versi decision tree yang lebih kuat, random
forest (RFs), menggabungkan berbagai decision
tree untuk memberikan hasil yang optimal.
Versi decision tree populer lainnya, yang
seringkali lebih efektif daripada random forest
adalah gradient boosting machine;
berbagai model decision tree tetapi berbeda
dari RF dengan menggunakan peningkatan
gradien, yang merupakan cara untuk
meningkatkan ML model dengan melatih model
baru secara berulang yang berfokus pada
kesalahan model sebelumnya.
2.1.5 NEURAL NETWORK (NN)

Di NN, fitur dari satu masukan (misalnya,

satu gambar) ditetapkan sebagai input
layer. Kemudian, berdasarkan matriks
bobot, lapisan tersembunyi berikutnya
dihitung menggunakan perkalian matriks
(manipulasi linier) dan kemudian fungsi
aktivasi non-linier.
 2.2 DEEP LEARNING

• Berbeda dengan model dangkal, subbidang machine learning ini memerlukan

sumber daya komputasi yang tinggi.
• Karena relatif sederhana, algoritme machine learning yang dangkal
memerlukan keahlian dan intervensi manusia untuk mengekstrak fitur
berharga atau mengubah data agar model lebih mudah dipelajari.
• Deep learning meminimalkan atau menghilangkan langkah-langkah ini karena
transformasi ini secara implisit dilakukan dalam deep networks.
 2.2.1 CONVOLUTIONAL NEURAL NETWORKS (CNN)

• CNN, adalah jenis Deep Neural Network (DNN) yang terdiri dari layer-layer
konvolusi dan telah umum digunakan dalam aplikasi visi komputer seperti
klasifikasi gambar, deteksi objek, dan pelacakan objek, speech dan natural
language processing.
• Arsitektur CNN ditentukan dengan memilih ukuran, jumlah, posisi filter (kernel),
dan fungsi aktivasi.
• Training kemudian melibatkan pencarian serangkaian filter terbaik yang
dapat diterapkan pada masukan untuk mengekstrak informasi berguna dan
memprediksi keluaran yang benar.
 2.2.2 RECURRENT NEURAL NETWORKS

• RNN adalah keluarga lain dari NN di mana node

membentuk grafik berarah sepanjang urutan temporal di
mana keluaran sebelumnya digunakan sebagai masukan.
• RNN dikhususkan untuk memproses urutan nilai, x(0) , x(1),
x(2), ...,x(T ).
• RNN menggunakan memori internalnya untuk memproses
rangkaian input dengan panjang variabel.
• Secara umum, RNN dirancang seperti pada Gambar 4, di
mana untuk setiap kali t, x(t) mewakili masukan pada saat
itu, a(t) adalah aktivasi, dan y(t) adalah keluaran. Model
RNN paling umum digunakan di bidang natural language
processing dan speech recognition.
 2.2.3 AUTOENCODERS (AE)

• Autoencoders adalah jenis Neural Network lain yang

digunakan untuk mempelajari representasi data
dengancara unsupervised.
• AE melakukan encoding pada data menggunakan
teknik bottleneck, yang terdiri dari reduksi dimensi
untuk mengabaikan noise data masukan dan
regenerasi data awal dari data yang dikodekan,
seperti dirangkum dalam Gambar 5.
• Masukan awal dan keluaran yang dihasilkan
kemudian dibandingkan untuk menilai kualitas
pengkodean. AE telah banyak diterapkan untuk
reduksi dimensi dan deteksi anomali.
 2.2.4 DEEP GENERATIVE MODELS

• Deep generative model melibatkan penemuan dan pembelajaran otomatis keteraturan dalam data masukan
sedemikian rupa sehingga sampel baru dapat dihasilkan.

• Model-model ini telah menunjukkan berbagai aplikasi, khususnya di bidang computer vision. Model generatif yang
paling populer adalah AE variasional (VAE) dan jaringan adversarial generatif (GAN).

• VAE mempelajari distribusi data yang rumit menggunakan NN tanpa pengawasan. Meskipun VAE adalah salah satu
jenis AE, distribusi pengkodeannya diatur selama pelatihan untuk memastikan bahwa ruang latennya (yaitu
representasi data terkompresi) memiliki properti yang baik untuk menghasilkan data baru.

• GAN terdiri dari dua NN dalam kompetisi, di mana jaringan generator G belajar menangkap distribusi data dan
menghasilkan data baru dan model diskriminator D memperkirakan probabilitas bahwa sampel tertentu berasal
dari generator daripada initial training data. Generator digunakan untuk menghasilkan misleading sampel dan
untuk memverifikasi bahwa diskriminator dapat menentukan apakah sampel yang diberikan asli atau palsu.
 2.3 REINFORCEMENT LEARNING (RL)
• Subset Machine Learning ini melibatkan metode pembelajaran
yang berbeda dari supervised, semi-supervised, atau
unsupervised learning.
• RL adalah tentang mempelajari tindakan apa yang harus diambil
dengan harapan memaksimalkan reward signal, yang
merupakan imbalan numerik yang menandakan keberhasilan
hasil suatu tindakan.
• Agen harus menemukan tindakan mana yang memberikan
imbalan paling besar dengan mencoba setiap tindakan, seperti
yang ditunjukkan pada Gambar 6.
• Salah satu tantangan yang dihadapi selama RL adalah
menyeimbangkan trade-off antara eksplorasi dan eksploitasi.
• Selain agen dan lingkungan, sistem RL memiliki empat subelemen:
kebijakan, sinyal imbalan, fungsi nilai,dan, model lingkungan.
2.4 DISCUSSION
 2.4.1 MODEL SELECTION

• Pemilihan model AI adalah bidang luas yang mencakup berbagai pendekatan, yang masing-masing mencakup beberapa algoritma.
AI dapat didasarkan pada aturan yang telah ditentukan sebelumnya atau pada ML. Pembelajaran ini dapat berupa pembelajaran
upervised, semi- supervised, unsupervised, atau reinforcement learning.

• Karena setiap pendekatan menawarkan sesuatu yang berbeda pada dunia AI, minat terhadap masing-masing pendekatan harus
bergantung pada masalah yang ada; pendekatan atau algoritma yang lebih kompleks tidak serta merta memberikan hasil yang
lebih baik.

• Oleh karena itu, pilihan pendekatan atau algoritma tidak boleh didasarkan pada keanggunan yang dirasakan, namun dengan
mencocokkan metode dengan karakteristik masalah yang dihadapi, termasuk tujuan, kualitas data, sumber daya komputasi, batasan
waktu. , dan pembaruan prospektif di masa mendatang. Memecahkan suatu masalah mungkin memerlukan kombinasi lebih dari satu
pendekatan.

• Setelah menilai masalah dan memilih pendekatan, suatu algoritma harus dipilih. Algoritma dibandingkan dengan membagi data
menjadi set pelatihan dan set pengujian. Set pelatihan kemudian digunakan untuk melatih model, sedangkan set pengujian digunakan
untuk membandingkan keluaran antar model.
 2.4.2 MODEL REGULARIZATION

• Setelah pendekatan dan algoritma dipilih, penyetelan hyperparameter umumnya dilakukan untuk
meningkatkan keluaran algoritma.

• Jebakan umum dalam ML adalah overfitting, yang menyebabkan mesin berhenti belajar
(menggeneralisasi) dan malah mulai menghafal data.

• model dapat mencapai hasil yang baik pada data yang dilihat tetapi gagal ketika dihadapkan
dengan data baru, yaitu, kesalahan pelatihan berkurang dan kesalahan pengujian meningkat, seperti
yang ditunjukkan pada Gambar 7.

• Overfitting dapat ditemukan dengan membagi data menjadi pelatihan , set validasi dan pengujian,
yang mana baik set validasi maupun pengujian tidak digunakan untuk melatih model.

• Set pelatihan digunakan untuk melatih model, set validasi digunakan untuk memverifikasi prediksi model
pada data yang tidak terlihat dan untuk penyetelan hyperparameter, dan set pengujian digunakan
untuk pengujian akhir model.

• Berbagai metode dapat digunakan untuk mengurangi overfitting. Hal ini dapat dikurangi dengan
menambah ukuran kumpulan data, yang biasa dilakukan di bidang computer vision. Metode lain
melibatkan penggunaan validasi silang daripada membagi data menjadi set pelatihan dan set validasi.

• Pembelajaran ansambel, yaitu proses dimana berbagai model dihasilkan dan digabungkan secara
cerdik untuk memecahkan masalah tertentu, juga umum digunakan.
 2.4.3 HYPE AND HOPE

• Kemajuan pesat telah dicapai dalam penelitian AI, termasuk berbagai

subbidangnya, selama sepuluh tahun terakhir sebagai hasil dari peningkatan
investasi secara eksponensial.
• Meskipun beberapa orang tidak dapat memperkirakan potensi sebenarnya,
konsekuensi, dan relevansi AI, AI akan menjadi bagian integral dari teknologi global.
• Para penulis percaya bahwa kemajuan AI yang tak terelakkan kemungkinan besar
akan mempunyai dampak jangka panjang dan bahwa AI kemungkinan akan menjadi
bagian utama dari beragam penerapan di semua bidang ilmu pengetahuan, mulai
dari matematika hingga komunikasi satelit.
3. APLIKASI AI DALAM
BEBERAPA ASPEK
KOMUNIKASI SATELIT
YANG BERBEDA
 3.1
Definisi dan Limitasi :
• Sumber daya satelit mahal dan
karenanya memerlukan sistem efisien
yang melibatkan pengoptimalan dan
pembagian waktu.
• Beam hopping telah muncul sebagai
teknik yang menjanjikan untuk mencapai
fleksibilitas yang lebih besar dalam
mengelola permintaan lalu lintas yang
tidak seragam dan bervariasi sepanjang
hari, tahun, dan masa pakai satelit di
wilayah cakupan.
• Untuk satelit dengan ratusan atau ribuan
pancaran, algoritma optimasi klasik
mungkin memerlukan waktu komputasi
yang lama sehingga tidak praktis dalam
banyak skenario.
BEAM HOPPING (BH)
Solusi berbasis AI :
• Solusi berbasis AI untuk beam hopping telah sepenuhnya
didasarkan pada pendekatan pembelajaran yaitu pembelajaran
end-to-end. Untuk peningkatan algoritme optimisasi dengan
menambahkan learning layer, sehingga menggabungkan
pembelajaran dan optimasi.
• Beberapa penelitian Beam Hopping berbasis AI yang pernah
dilakukan :
❖ Untuk mengoptimalkan penundaan transmisi dan
throughput sistem dalam sistem satelit multibeam, peneliti
merumuskan masalah optimasi dan memodelkannya
sebagai proses keputusan Markov (MDP).
❖ Algoritma pembelajaran dan optimasi untuk menangani
pemilihan iluminasi pola beam hopping, di mana
pendekatan pembelajaran, berdasarkan Neural Network
yang terhubung penuh, digunakan untuk memprediksi
pola Beam hopping yang tidak optimal.
❖ Algoritma DRL multi-tujuan (MO-DRL) dengan
kompleksitas rendah dapat memastikan keadilan setiap
sel, dan meningkatkan throughput lebih baik dari teknik
sebelumnya.
❖ Teknik pemilihan multi-aksi berdasarkan pembelajaran
loop ganda dan memperoleh keadaan multidimensi
menggunakan DNN, dapat mengalokasikan sumber daya
secara cerdas dengan beradaptasi terhadap kebutuhan
pengguna dan kondisi saluran.
 3.2
Definisi dan Limitasi :
• Dalam sistem komunikasi yang
menggunakan satelit, keandalan
dan keamanan adalah perhatian
utama; oleh karena itu, kemampuan
anti-jamming (AJ) sangat penting.
• Serangan jamming dapat
diluncurkan ke lokasi utama dan
perangkat penting dalam jaringan
satelit untuk mengurangi atau
bahkan melumpuhkan throughput.
ANTI-JAMMING
Solusi berbasis AI :
• Solusi berbasis AI dengan menggunakan jaringan memori
jangka pendek panjang (LSTM), yang merupakan DL
RNN, untuk mempelajari tren temporal suatu sinyal,
menunjukkan pengurangan waktu sinkronisasi keseluruhan
dalam skenario FH-FDMA yang telah dibahas
sebelumnya.
• Han dkk. mengusulkan penggunaan pendekatan
pembelajaran AJ untuk memblokir smart jamming di
Internet Satelit (IoS) menggunakan metode AJ berbasis
ruang, perutean AJ, dirangkum dalam Gambar 10.
• Penggabungan pemodelan teori permainan dan RL untuk
mendapatkan kebijakan AJ sesuai dengan lingkungan
jamming yang dinamis dan tidak diketahui dalam
satellite- enabled army IoT (SatIoT), algoritma
berbasis Q-Learning digunakan untuk mendapatkan
kebijakan AJ sub-optimal sesuai dengan lingkungan
jamming.
 3.3 NETWORK TRAFFIC FORECASTING
Definisi dan Limitasi :
• Perkiraan lalu lintas jaringan adalah pendekatan proaktif yang
bertujuan untuk menjamin komunikasi yang andal dan
berkualitas tinggi, karena prediktabilitas lalu lintas penting
dalam banyak aplikasi satelit, seperti pengendalian kemacetan,
perutean dinamis, alokasi saluran dinamis, perencanaan
jaringan, dan keamanan jaringan.
• Lalu lintas jaringan satelit bersifat serupa dan menunjukkan
long-range-dependence (LRD). Oleh karena itu, untuk mencapai
peramalan yang akurat, perlu mempertimbangkan self-
similarity.
• Dua kesulitan utama yang dihadapi dalam peramalan lalu lintas
satelit adalah LRD jaringan satelit agal mencapai peramalan
yang akurat dan terbatasnya sumber daya komputasi di
dalamnya.
Solusi dengan AI
• menggabungkan FARIMA dengan NN untuk peramalan
lalu lintas internet.
• menggabungkan evolusi diferensial dengan NN untuk
prediksi lalu lintas jaringan.
• menerapkan analisis komponen utama (PCA), untuk
mengurangi dimensi masukan dan kemudian melakukan
regresi umum NN, mencapai perkiraan akurasi yang
lebih tinggi dengan waktu pelatihan yang lebih sedikit.
• Mesin pembelajaran ekstrem (ELM) juga telah digunakan
untuk memperkirakan beban lalu lintas node satelit
sebelum perutean
• menggunakan EMD untuk menguraikan lalu lintas satelit
dengan LRD menjadi seri dengan SRD dan pada satu
frekuensi untuk mengurangi kompleksitas prediksi dan
menambah kecepatan.
 3.4 CHANNEL MODELING
Definisi dan Limitasi :
• Model kanal adalah representasi matematis dari
pengaruh saluran komunikasi yang melaluinya sinyal
nirkabel disebarkan; itu dimodelkan sebagai respons
impuls saluran dalam domain frekuensi atau waktu.
• Saluran nirkabel menghadirkan berbagai tantangan
untuk komunikasi berkecepatan tinggi yang andal,
karena rentan terhadap kebisingan, interferensi, dan
hambatan saluran lainnya, termasuk kehilangan jalur
dan bayangan.
• Model saluran yang tepat diperlukan untuk menilai
kinerja sistem komunikasi seluler dan oleh karena itu
untuk meningkatkan jangkauan penerapan yang ada.
Solusi dengan AI
• Beberapa aplikasi awal AI untuk path loss forecasting didasarkan pada
algoritma ML klasik seperti SVM, NNs, dan pohon keputusan.
• perkiraan parameter saluran, termasuk deviasi standar bayangan dan
eksponen kehilangan jalur, dari citra satelit menggunakan CNN dalam
tanpa menggunakan parameter masukan tambahan apa pun, seperti
yang ditunjukkan pada Gambar 11.
• Dengan menggunakan model DL pada citra satelit dan parameter
masukan lainnya untuk memprediksi daya penerimaan sinyal referensi
(RSRP) untuk lokasi penerima tertentu dalam skenario/area tertentu,
Thrane dkk. menunjukkan peningkatan gain.
 3.5 TELEMETRY MINING
Definisi dan Limitasi :
• Telemetri adalah proses pencatatan dan transfer pengukuran untuk
pengendalian dan pemantauan.
• Dalam sistem satelit, telemetri on-board membantu pusat kendali misi
melacak status platform, mendeteksi kejadian abnormal, dan
mengendalikan berbagai situasi.
• Kegagalan satelit dapat disebabkan oleh berbagai hal; paling umum,
kegagalan disebabkan oleh lingkungan luar angkasa yang keras, yaitu
panas, vakum, dan radiasi.
• Bandwidth nirkabel yang sempit dan telemetri bingkai dengan panjang
tetap membuat transmisi volume telemetri yang bertambah dengan cepat
menjadi sulit.
• Selain itu, kontak jangka pendek yang terputus-putus antara pesawat ruang
angkasa dan stasiun bumi membatasi kemampuan transmisi data.
Menganalisis, memantau, dan menafsirkan parameter telemetri yang besar
mungkin tidak mungkin dilakukan karena tingginya kompleksitas data.
Solusi dengan AI
• Pemantauan kesehatan satelit telah dilakukan
menggunakan pengelompokan probabilistik , reduksi
dimensi, Markov tersembunyi, dan pohon regresi.
• sedangkan yang lain telah mengembangkan metode
deteksi anomali menggunakan k-nearest neighbour
(kNN), SVM, LSTM, dan pengujian telemetri pesawat
ruang angkasa Center National d'Etudes Spatiales.
• Dengan membandingkan algoritma ML yang berbeda
menggunakan data telemetri dari satelit Egyptsat-1,
penelitian menunjukkan akurasi prediksi yang tinggi
dari model LSTM, ARIMA, dan RNN.
 3.6 IONOSPHERIC SCINTILLATION DETECTING
Definisi dan Limitasi :
• Transmisi sinyal oleh satelit ke bumi dapat sangat terpengaruh karena
perambatannya melalui atmosfer, terutama ionosfer, yang merupakan
bagian terionisasi dari lapisan atas atmosfer, dan ditandai dengan
peningkatan kepadatan elektron bebas (Gbr. 12).
• Potensi ketidakteraturan dan gradien ionisasi dapat mendistorsi fase dan
amplitudo sinyal, dalam proses yang dikenal sebagai sintilasi ionosfer.
• propagasi melalui ionosfer dapat menyebabkan distorsi sinyal sistem
satelit navigasi global (GNSS), yang menyebabkan kesalahan signifikan
dalam aplikasi berbasis GNSS.
• Deteksi sintilasi yang akurat diperlukan untuk meningkatkan kredibilitas
dan kualitas GNSS.
Solusi dengan AI
• Sebuah teknik berdasarkan algoritma SVM telah
disarankan untuk deteksi amplitudo sintilasi dan
kemudian diperluas ke deteksi fase sintilasi.
• Dengan menggunakan pohon keputusan dan RF untuk
secara sistematis mendeteksi peristiwa sintilasi ionosfer
yang berdampak pada amplitudo sinyal GNSS
• Decision tree, untuk membedakan antara sintilasi ionosfer
dan multi-jalur dalam data sintilasi GNSS.

• Menggunakan ambang batas sederhana yang telah ditentukan

sebelumnya untuk mengevaluasi besarnya magnitude sintilasi dapat
mengjhasilkan kesalahan karena kerumitannya.

• sulit untuk membedakan distorsi sinyal yang disebabkan oleh fenomena

lain, termasuk multi-jalur.
 3.7 INTERFERENCE MANAGING

Definisi dan Limitasi : Solusi dengan AI

• Pengelolaan interferensi merupakan hal wajib bagi operator
komunikasi satelit, karena interferensi berdampak negatif pada
saluran komunikasi, sehingga mengakibatkan penurunan QoS, efisiensi
operasional yang lebih rendah, dan hilangnya pendapatan.
• interferensi merupakan kejadian umum yang semakin meningkat seiring
dengan meningkatnya kemacetan pita frekuensi satelit karena semakin
banyak negara yang meluncurkan satelit dan diharapkan semakin
banyak aplikasi yang digunakan.
• Oleh karena itu, pengelolaan interferensi sangat penting untuk
menjaga sistem komunikasi yang berkualitas tinggi dan andal;
manajemen mencakup deteksi, klasifikasi, dan penindasan interferensi,
serta penerapan teknik untuk meminimalkan kejadiannya.
• Untuk meminimalkan gangguan, Liu dkk. menyarankan penggunaan
AI untuk memindahkan terminal dan stasiun di jaringan satelit-
terestrial dengan mengusulkan kerangka kerja yang
menggabungkan pendekatan AI yang berbeda termasuk SVM,
pembelajaran tanpa pengawasan, dan DRL untuk pemilihan satelit,
penunjukan antena, dan pelacakan.
• Henarejos dkk. mengusulkan penggunaan dua pendekatan berbasis
AI, DNN AEs dan LSTM, masing-masing untuk mendeteksi dan
mengklasifikasikan interferensi.

• Namun, para peneliti umumnya mengandalkan teori keputusan

pengujian hipotesis, yang memerlukan pengetahuan khusus tentang
karakteristik sinyal dan model saluran. Karena standar nirkabel
kontemporer yang beragam, desain detektor khusus untuk setiap
kategori sinyal adalah pendekatan yang sia-sia.
 3.8 REMOTE SENSING (RS)
Definisi dan Limitasi :
• RS adalah proses mengekstraksi informasi tentang
suatu area, objek, atau fenomena dengan
memproses radiasi yang dipantulkan dan
dipancarkan dari jarak jauh, umumnya dari satelit
atau pesawat terbang.
• RS memiliki beragam aplikasi di berbagai bidang
termasuk survei tanah, geografi, geologi, ekologi,
meteorologi, oseanografi, militer, dan komunikasi.
• Karena RS menawarkan kemungkinan untuk
memantau area yang berbahaya, sulit atau tidak
mungkin diakses, termasuk pegunungan, hutan,
lautan, dan gletser, RS merupakan area penelitian
yang populer dan aktif.
Solusi Berbasis AI :
• Revolusi dalam kemampuan visi komputer yang disebabkan oleh
DL telah menyebabkan peningkatan pengembangan RS dengan
mengadopsi algoritma DL yang canggih pada citra satelit,
klasifikasi citra untuk RS telah menjadi tugas paling populer
dalam visi komputer.
• Menggabungkan DNN dengan menggunakan CNN acak yang
meningkatkan gradien untuk klasifikasi adegan.
• Slgoritma pendeteksian objek berbasis CNN, untuk pendeteksian
kendaraan pada gambar RS.
• DL untuk mengklasifikasikan tutupan lahan dan jenis tanaman
menggunakan gambar RS dari Landsat-8 dan Sentinel-1A di
lokasi pengujian di Ukraina
• Kombinasi kNN dan CNN untuk memetakan habitat laut terumbu
karang di seluruh dunia dengan pencitraan RS.
• Yang lain telah mengusulkan penggunaan DL untuk tugas deteksi
objek lainnya, seperti deteksi bangunan, pesawat terbang, cloud,
kapal, dan target militer.
• AI juga telah diterapkan untuk melakukan segmentasi dan
memulihkan gambar RS, misalnya dalam restorasi awan, yang
memulihkan wilayah daratan yang dibayangi oleh awan.
 3.9 BEHAVIOR MODELING
Definisi dan Limitasi :
• Karena meningkatnya jumlah satelit aktif dan tidak
aktif (puing-puing) dengan orbit, bentuk, ukuran,
orientasi, dan fungsi yang beragam, maka analis
menjadi tidak mungkin memantau semua satelit secara
bersamaan.
• Oleh karena itu, AI, khususnya ML, dapat memainkan
peran utama dengan membantu mengotomatisasi
proses ini.
Solusi Berbasis AI :
• Potensi algoritma ML untuk memodelkan perilaku
satelit. Model yang diawasi telah digunakan untuk
menentukan stabilitas satelit[.
• Model unsupervised telah digunakan untuk mendeteksi
perilaku anomali dan lokasi satelit.
• RNN telah digunakan untuk memprediksi manuver
satelit dari waktu ke waktu.
• Estimasi pose satelit dari satu gambar melalui
gabungan ML dan optimasi geometric.
• Menyajikan survei beragam metodologi AI, untuk
klasifikasi objek luar angkasa menggunakan kurva
cahaya sebagai properti pembeda.
• NN dan RL untuk penentuan dan pengendalian sikap di
dalam pesawat; metode mereka secara efektif
memberikan torsi yang dibutuhkan untuk menstabilkan
satelit nano di sepanjang tiga sumbu.
 3.10 SPACE-AIR-GROUND INTEGRATING
Definisi dan Limitasi :
• Karena terbatasnya kapasitas dan wilayah jangkauan jaringan,
layanan jaringan terestrial tersebut tidak dapat dilakukan di mana
pun dan kapan pun, terutama bagi pengguna di pedesaan atau
daerah bencana.
• Jaringan non-terestrial mempunyai keterbatasannya sendiri;
misalnya, sistem komunikasi satelit memiliki latensi propagasi yang
panjang, dan jaringan udara memiliki kapasitas yang sempit dan
hubungan yang tidak stabil.
• Untuk menyediakan layanan end-to-end yang lebih baik dan lebih
fleksibel kepada pengguna dengan memanfaatkan cara jaringan
dapat saling melengkapi, para peneliti telah menyarankan
penggunaan SAGIN, yang mencakup satelit di luar angkasa, balon,
kapal udara , UAV di udara, dan segmen darat, seperti yang
ditunjukkan pada Gambar 13.
• Desain dan optimalisasi SAGIN lebih menantang dibandingkan
sistem komunikasi darat konvensional karena sifat pengorganisasian
mandiri, variabilitas waktu, dan heterogenitasnya
Solusi Berbasis AI :
• Penggunaan CNN untuk masalah perutean guna
mengoptimalkan kinerja SAGIN secara
keseluruhan menggunakan pola lalu lintas dan
ukuran buffer yang tersisa dari satelit GEO dan
MEO.
• mengoptimalkan asosiasi sumber-satelit-UAV dan
lokasi UAV melalui DRL.
• Karena jaringan multi-layer yang heterogen
memerlukan teknik manajemen kapasitas yang
canggih, teknik kompleksitas rendah untuk
menghitung kapasitas antar satelit, menggunakan
metode pencarian jalur augmentasi berbasis
struktur waktu, dan metode optimal jangka
panjang, model berbasis RL untuk
memaksimalkan utilitas sistem dalam jangka
panjang.
• Dengan merumuskan masalah penugasan sumber
daya bersama sebagai masalah optimasi
bersama dan menggunakan pendekatan DRL.
3.11 ENERGY MANAGING
Definisi dan Limitasi : Solusi Berbasis AI :
• Penggunaan kompresi DNN sebelum
• Meningkatnya perhatian terhadap transmisi data untuk meningkatkan
satelit telah menyebabkan peningkatan latensi dan menghemat daya.
kebutuhan konsumsi energi. • RL untuk membagi beban kerja
satelit yang bekerja terlalu keras
• Untuk mengatasi kekurangan sumber dengan satelit dekat dengan beban
daya komunikasi satelit, skema lebih rendah.
penjadwalan sumber daya yang efisien • user-association dan offloading
untuk memanfaatkan sepenuhnya sumber decision dengan metodologi
alokasi sumber daya optimal
daya yang terbatas harus dirancang.
berdasarkan DRL.
3.12 OTHER APPLICATIONS
Handoff optimization :
Handoff lapisan tautan terjadi ketika
perubahan satu atau lebih tautan
diperlukan antara titik akhir
komunikasi karena pola konektivitas
dinamis satelit LEO. Zhang dkk.
mengubah keputusan handoff menjadi
masalah klasifikasi.
Reflectarray analysis and design :
Algoritme Machine Learning telah
digunakan dalam analisis dan desain
antenna misalnya Neural Network ntuk
memperkirakan pergeseran fasa;
metode desain reflekarray berbasis
SVR pita lebar untuk memperoleh
reflektor sinar pita lebar, terpolarisasi
linier ganda, dan sinar berbentuk
untuk aplikasi satelit siaran langsung.
Heat source layout design :
Desain sumber panas yang digunakan
secara efektif dapat meningkatkan
kinerja termal sistem secara
keseluruhan, dan dengan demikian
telah menjadi aspek penting termasuk
desain sirkuit terpadu dan desain tata
letak satelit.Model algoritma Deep
Learning yang dikembangkan dapat
memperkirakan desain sumber panas
secara efisien dalam kondisi tertentu
tanpa melakukan simulasi apa pun.
Carrier signal detection :
Karena setiap sinyal harus dipisahkan
sebelum klasifikasi, modulasi,
demodulasi, decoding, dan
pemrosesan sinyal lainnya, lokalisasi
dan deteksi sinyal pembawa dalam
domain frekuensi merupakan masalah
penting dalam komunikasi nirkabel.
Deep learning telah diterapkan pada
deteksi sinyal pembawa; menerapkan
Neural network yang terhubung penuh
untuk mendeteksinya dalam sinyal
FSK; Deep learning untuk sinyal morse
deteksi buta dalam data spektrum
pita lebar..
 4. CONCLUSION

• Penerapan AI telah menunjukkan hasil yang luar biasa dalam berbagai aspek
komunikasi satelit, termasuk beam-hopping, AJ, prakiraan lalu lintas jaringan,
channel modeling, telemetry mining, pendeteksian kilau ionosfer,
pengelolaan interferensi, penginderaan jauh, pemodelan perilaku, space-air-
ground integrating, dan pengelolaan energi.
• Pekerjaan di masa depan harus bertujuan untuk menerapkan AI, ke sistem
komunikasi yang lebih efisien, aman, andal, dan berkualitas tinggi.