Article Per Year (5 Year)
p-Index From 2021 - 2026
3.231
P-Index
This Author published in this journals
All Journal JUPIKMAS Jurnal Ilmu Kesehatan JUKOMTIK JKOMED JAP JMA JMI JPI JPS JMB JIMI Jurnal Riset Kesehatan Lingkungan dan Sanitasi Jurnal Pendidikan Guru Sekolah Dasar Indonesia Jurnal Komputer dan Teknik Informatika JABA JFI JPPG JRT JPGSD JPBS Jurnal Ilmu Peternakan dan Perikanan Jurnal Gizi dan Kesehatan Masyarakat Jurnal Manajemen dan Bisnis Indonesia Jurnal Psikologi dan Konseling Jurnal Ilmu Sosial dan Ilmu Politik Jurnal Ilmu Komunikasi dan Media
Asty Raisha Agma
Universitas Negeri Padang
Aerospace Engineering Agriculture, Biological Sciences & Forestry Arts Humanities Automotive Engineering Biochemistry, Genetics & Molecular Biology Civil Engineering, Building, Construction & Architecture Computer Science & IT Control & Systems Engineering Decision Sciences, Operations Research & Management Dentistry Economics, Econometrics & Finance Education Electrical & Electronics Engineering Engineering Environmental Science Health Professions Immunology & microbiology Industrial & Manufacturing Engineering Languange, Linguistic, Communication & Media Law, Crime, Criminology & Criminal Justice Library & Information Science Mathematics Mechanical Engineering Medicine & Pharmacology Nursing Physics Public Health Social Sciences Transportation Other

Published : 26 Documents Claim Missing Document
Claim Missing Document
Check
Articles

Found 1 Documents
Search
Journal : JRT

 1 
Analisis Kinerja Jaringan 5G Menggunakan Deep Reinforcement Learning Asty Raisha Agma
Jurnal Rekayasa Teknologi Vol. 1 No. 1 (2025): Oktober-Desember
Publisher : Samudra Ilmu Indonesia

Show Abstract | Download Original | Original Source | Check in Google Scholar

Abstract

Perkembangan jaringan 5G menghadirkan tantangan baru dalam optimasi performa jaringan yang kompleks dan dinamis. Pengelolaan sumber daya dan pemeliharaan kualitas layanan memerlukan pendekatan cerdas untuk memastikan kecepatan dan keandalan tinggi. Penelitian ini bertujuan menganalisis kinerja jaringan 5G dengan memanfaatkan metode Deep Reinforcement Learning (DRL) untuk optimasi alokasi sumber daya secara adaptif. Metode penelitian meliputi simulasi jaringan 5G menggunakan model DRL, pengumpulan data performa, dan evaluasi melalui metrik throughput, latency, dan packet loss. Hasil penelitian menunjukkan bahwa implementasi DRL mampu meningkatkan efisiensi jaringan secara signifikan dibanding metode konvensional, terutama dalam kondisi lalu lintas tinggi. Sistem adaptif ini memungkinkan jaringan menyesuaikan strategi alokasi sumber daya secara real-time untuk mempertahankan kualitas layanan. Penelitian ini memberikan kontribusi pada pengembangan jaringan 5G yang lebih cerdas, efisien, dan handal, serta membuka peluang untuk penelitian lanjutan dalam pengelolaan jaringan berbasis AI.
Co-Authors