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

RIYANI JANA YANTI (2206107823)

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

Contoh yang populer adalah

• Pemodelan probabilistik, melibatkan pengklasifikasi Naive Bayes,
yang menggunakan teorema
model yang menggunakan teknik Bayes dengan asumsi bahwa
statistik untuk menganalisis data dan semua fitur masukan bersifat
merupakan salah satu bentuk Machine independen
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, Tr
n berdasarkan matriks bobot, lapisan bo ain
i sa a bo ing
tt N
lap man g tersembunyi berikutnya dihitung m e
i
a i n h menggunakan perkalian matriks ke em oss rba N ad
l
bag n, d i ya ole si be b fu ik a
r s n a (manipulasi linier) dan kemudian fungsi m n an n . U la
i be nga sep lka ktiv asi aktivasi non-linier. em un aran din ctio ntu h te
u r i
ris b pe as i a tiv in tu d g n k nt
be erhu an dih ngs i ak uk an di Bac im k m asa kan dir me ang
rk g b pak ang e fu ngs unt eng m ran kp alk en r u kel anc lak me
o n u u d en ca ro an em nt ua an uk n
N etw sali er yal y da k r. F pilih del . gg ng pa fu u uk ra g an em
un u ga n ka s n un h uk
l g m n n i e i o as ak ntu tio gsi n b eti mo tu al an
ra yan ode n si rga lin ya d s m arit a k in
u e n
Ne ode ap n rka er b no mn ksit line
a gr an t k m n a ker obo p k del i,
ad ek el lg ug t y elu da
n seti alu ini kin mu ple an o i
ien ni at ri an an ar n
y l g u k t-d k o ih r thm te g an
en resi un ier kom ang es pti an te rse ,
m g m lin h il ce m ta la bu
re ng on ba gh nt as i b h t.
ya n am en . i s ob
ep o
en m er t
m ti
 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 ANTI-JAMMING
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.
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 : Solusi dengan AI

• Transmisi sinyal oleh satelit ke bumi dapat sangat terpengaruh • Sebuah teknik berdasarkan algoritma SVM telah
karena perambatannya melalui atmosfer, terutama ionosfer, yang disarankan untuk deteksi amplitudo sintilasi dan
merupakan bagian terionisasi dari lapisan atas atmosfer, dan
ditandai dengan peningkatan kepadatan elektron bebas (Gbr. 12).
kemudian diperluas ke deteksi fase sintilasi.
• Potensi ketidakteraturan dan gradien ionisasi dapat mendistorsi • Dengan menggunakan pohon keputusan dan RF untuk
fase dan amplitudo sinyal, dalam proses yang dikenal sebagai secara sistematis mendeteksi peristiwa sintilasi
sintilasi ionosfer.
ionosfer yang berdampak pada amplitudo sinyal GNSS
• propagasi melalui ionosfer dapat menyebabkan distorsi sinyal
sistem satelit navigasi global (GNSS), yang menyebabkan • Decision tree, untuk membedakan antara sintilasi
kesalahan signifikan dalam aplikasi berbasis GNSS. ionosfer dan multi-jalur dalam data sintilasi GNSS.
• Deteksi sintilasi yang akurat diperlukan untuk meningkatkan
kredibilitas dan kualitas 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
• Meningkatnya perhatian terhadap satelit sebelum transmisi data untuk
telah menyebabkan peningkatan meningkatkan latensi dan
kebutuhan konsumsi energi. menghemat daya.
• RL untuk membagi beban kerja
• Untuk mengatasi kekurangan sumber satelit yang bekerja terlalu keras
daya komunikasi satelit, skema dengan satelit dekat dengan beban
penjadwalan sumber daya yang efisien lebih rendah.
untuk memanfaatkan sepenuhnya • user-association dan offloading
decision dengan metodologi
sumber daya yang terbatas harus
alokasi sumber daya optimal
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.