Prediksi Efisien RSSI Menggunakan Pruned Multi-Output Deep Neural Network untuk Perencanaan Deployment Komunikasi IoT [AJG, NGS]

Abstract

Parameter penting dalam komunikasi Internet of Things (IoT) adalah Received Signal Strength Indicator (RSSI), yang menunjukkan kekuatan sinyal yang diterima oleh perangkat. Namun, karena perangkat komunikasi belum tersedia pada tahap perencanaan dan implementasi IoT, nilai RSSI belum dapat diukur secara langsung. Penelitian ini bertujuan untuk mengembangkan model prediksi yang efektif untuk perangkat seluler yang dapat menangani prediksi multi-output sekaligus. Tujuan dari model Multi-Output Deep Neural Network (MODNN) ini adalah untuk memprediksi RSSI, konsumsi energi, dan efisiensi sistem secara bersamaan. Metode machine learning berbasis deep neural network dengan tiga keluaran (multi-ouput) digunakan untuk membantu perencanaan implementasi komunikasi Internet of Things. Teknik pruning menghapus bobot yang tidak penting dari model, meningkatkan efisiensi dan akurasi. Data yang menjadi sumber untuk penelitian ini berasal dari dataset sekunder "P2P IoT Communication Energy and Link Quality" yang diakses melalui platform Kaggle. Fitur posisi, jarak, hambatan, skenario lingkungan, protokol komunikasi, dan daya transmisi termasuk dalam dataset yang digunakan untuk membangun dan melatih model prediksi.  Hipotesis awal penelitian ini adalah bahwa, jika dibandingkan dengan model DNN tunggal, penerapan pruned MODNN dapat meningkatkan efisiensi model dalam hal ukuran dan waktu inferensi serta mempertahankan atau meningkatkan akurasi prediksi RSSI dan energi.