Machine Learning Turunkan Konsumsi Energi dan Tingkatkan Akurasi Prediksi Trafik di Base Station

Ilustrasi Machine Learning, Deep Learning, Artificial Intelligence, Kecerdasan Buatan. Kredit: Mohamed Hassan via Pixabay

Liputan6.com, Jakarta - Gagasan kota pintar membutuhkan konsumsi energi tinggi. Dalam konteks perubahan iklim, ini dapat memperburuk keadaan lingkungan akibat emisi gas rumah kaca.

Oleh karena itu, kita tidak hanya membutuhkan sebatas kota pintar, melainkan kota pintar yang lebih hijau atau ramah lingkungan.

Selangkah menuju ke arah sana, salah satu cara untuk mengatasi masalah ini adalah mematikan Base Station yang berfungsi sebagai hub jaringan nirkabel lokal, ketika beban trafik mereka sedikit atau tidak ada.

Pengujian laboratorium telah menunjukkan bahwa Base Station secara aktif mengonsumsi 60 persen dari konsumsi energi maksimum, bahkan tanpa beban trafik sekalipun. Mematikan BS dapat menurunkan konsumsi energi hingga 40%.

Namun, tentu ada konsekuensinya; mengalihkan status Base Station ke kondisi tidur (sleep mode) membuat log trafik tidak tersedia. Ini dapat berdampak pada akurasi prediksi trafik.

Lantas, apakah ada jalan tengah di antara akurasi dan konsumsi energi? Hal itu, menurut sebuah studi terbaru, terlihat memungkinkan berkat penggunaan Machine Learning.

Studi yang dipimpin oleh Profesor Ryoichi Shinkuma dari Shibaura Institute of Technology (SIT), Jepang, dan koleganya, Associate Professor Kaoru Ota dari Muroran Institute of Technology, Jepang dan Associate Professor Takehiro Sato dari Kyoto University, Jepang, mengusulkan sebuah skema baru.

2 dari 3 halaman

Software Defined Network

Skema tersebut tidak hanya mengurangi konsumsi energi, tetapi juga menunjukkan akurasi prediksi trafik lebih tinggi dibandingkan dengan skema benchmark. Studi ini terbit di jurnal IEEE Network Magazine Volume 35, Edisi 6.

"Kami menerapkan software defined network (SDN) dan Edge Computing ke jaringan seluler, sehingga setiap Base Station dilengkapi dengan sakelar SDN, dan pengontrol SDN dapat mematikan Base Station mana pun sesuai dengan hasil prediksi trafik," ujar Shinkuma.

Server di Edge Computing, kata Shinkuma, selanjutnya mengumpulkan log trafik melalui sakelar SDN dan memprediksi volume lalu lintas menggunakan Machine Learning.

Metode Machine Learning tersebut memutuskan Base Station mana yang dapat dimasukkan ke dalam "sleep mode" berdasarkan pentingnya log trafik mereka dalam meningkatkan akurasi prediksi. Dengan demikian, Base Station dengan kontribusi akurasi rendah untuk slot waktu sebelumnya ditidurkan di slot berikutnya guna menghemat energi.

3 dari 3 halaman

Validasi Skema

Untuk memvalidasi skema mereka, para peneliti menggunakan data trafik seluler riil yang dikumpulkan selama dua bulan dan membandingkan kinerjanya dengan dua skema benchmark. Hasilnya, skema baru ini mengungguli skema benchmark dalam ketahanannya terhadap pengurangan jumlah Base Station aktif dan set Base Station yang berbeda.

"Dengan mengendalikan operasional Base Station secara cerdas, sumber energi terbarukan dapat digunakan untuk memberi daya pada jaringan masa depan dan, tergantung pada ketersediaan sumber daya energi terbarukan, jadwal Base Station dapat ditentukan," tutur Shinkuma.