PREDICTING QOE IN CELLULAR NETWORK USING

MACHINE LEARNING AND IN-SMARTPHONE

MEASUREMENTS

PAPER BY: PEDRO CASAS, ALESSANDRO D’ALCONZO, FLORIAN WAMSER, MICHAEL SEUFERT, BRUNO GARDLO,
ANIKA SCHWIND, PHUOC TRAN-GIA, RAIMUND SCHATZ

  QoMEX2017 – Erfurt, Germany 987-1-5386-4024-1/17

Represented by: Sigit Suryatama – 16068449201

LATAR BELAKANG

 Berdasarkan prediksi di tahun 2019, bahwa 75% trafik dari mobile network akan muncul dari smartphone.
 Menjadi suatu hal yang penting bagi operator seluler untuk lebih memahami dan menilai performansi dari jaringan
seluler yang dimilikinya sebagaimana yang di rasakan oleh customer langsung dari smartphone mereka
 Pentingnya monitoring QoE pelanggan jaringan seluler bagi operator untuk menjaga kualitas jaringannya.
 Tingginya churn rate pelanggan seluler sebagai akibat ketidakpuasan pada kualitas layanan.

2
IDENTIFIKASI MASALAH

PERUMUSAN MASALAH TUJUAN PENELITIAN

Permasalahan yang di bahas disini adalah

bagaimana merancang sebuah metode atau
sistem agar operator seluler bisa
mendapatkan data Quality of Experience
(QoE) dari end user customer mereka
berdasarkan penggunaan aplikasi yang paling
populer saat ini yaitu Youtube, Facebook dan
Google Maps
Tujuan dari penelitian ini adalah membuat
suatu sistem atau teknik untuk mendapatkan
data QoE dari customer mobile network
sehingga karakteristik dari pelanggan dapat di
petakan dan dapat digunakan oleh operator
untuk meningkatkan kualitas layanannya

3
METODE PENELITIAN
 Metode yang di gunakan adalah menggunakan web base survey koresponden dari user. Dimana mereka masing-
masing menggunakan smartphone yang terkoneksi ke beberapa operator dan diperintahkan untuk membuka
aplikasi-aplikasi Youtube, Facebook, dan Gmaps dan memberikan penilaian yang di fokuskan pada kualitas
rebuffering, page load times, dan latensi.

4
METODE PENELITIAN (CONT…)
• QoS/QoE Measurement Tools
Menggunakan dua aplikasi Android untuk memonitor trafik
partisipan dan mengumpulkan feedback QoEnya.

• Machine Learning Models for QoE

Prediction
Menggunakan algoritma C4.5 decision tree model.

Articial Neural Network (MLP)

Support Vector Machine (SVM)
Naïve Bayes (NB)
Random Forest (RF)

5
HASIL PENELITIAN

Distribution of QoE feedbacks in the field

Rating tertinggi di dapatkan oleh YouTube. Lokasi yang disukai adalah rumah, dan distribusi
MOS agak mirip dengan w.r.t. menguji aplikasi dan lokasi yang dipilih, menunjukkan bahwa 6
kinerja jaringan cukup stabil selama rentang penelitian.
HASIL PENELITIAN (CONT…)

True Positives Rate (TPR) vs. False Positives Rate (FPR)

Prediksi MOS lebih buruk dalam kasus YouTube, untuk semua tingkat kualitas yang
berbeda. Alasannya berasal dari penggunaan buffering streaming standar, yang secara 7

parsial mengkompensasi variasi QoS jaringan.

HASIL PENELITIAN (CONT….)

Classification Accuracy, Precision, and Recall for the 5 different MOS quality levels

8
HASIL PENELITIAN (CONT….)

Classification Accuracy, Precision, and Recall for the 2 different acceptability levels

9
HASIL PENELITIAN (CONT….)

- Fitur yang paling relevan adalah rata-

rata dan throughput sesi maksimum (TH
menunjukkan keduanya).
-Lokasi juga relevan, dan khususnya
untuk kasus Gmaps, di mana korelasi
antara QoE dan LOC jauh lebih tingg

Relevance of different monitoring features on app QoE 10

KESIMPULAN

 Paper ini membahas masalah pemantauan, penilaian, dan prediksi QoE di jaringan seluler, dengan mengandalkan
pengukuran lalu lintas pasif QoS di QoE dan masukan umpan balik QoE.
 Percobaan dilakukan menggunakan dataset QoS / QoE yang kaya yang berasal dari studi uji coba lapangan yang
dilakukan di beberapa jaringan seluler operasional
 Model yang terpilih didasarkan tidak hanya karena kinerja mereka yang luar biasa namun juga karena kecepatan
prediksi mereka.
 Dari hasil penelitian ini dapat di simpulkan bahwa melakukan prediksi QoE menggunakan beberapa jenis Machine
Learning dan membuat decision tree model mampu memberikan kemampuan prediksi pada overall experience
per-user sebesar 91% dan service acceptability hingga 98%.

11
12