<![CDATA[Pengelolaan trafik pada area dengankepadatan pengguna tinggi menjadi salah satu tantangandalam jaringan 5G. Salah satu pendekatan yang digunakanuntuk mengatasi hal ini adalah penerapan Virtual Small Cell(VSC), yang memungkinkan pembentukan cell virtual secaradinamis tanpa infrastruktur fisik tambahan. Dalampenelitian ini, VSC dikombinasikan dengan teknikbeamforming untuk mengarahkan sinyal ke area-areapotensial (hotspot) secara lebih efisien. Kanal adaptifditerapkan guna menyesuaikan parameter transmisiterhadap kondisi kanal yang berubah secara real-time. Untukmemaksimalkan efektivitas strategi ini digunakan metodeprediksi pergerakan pengguna berdasarkan data heatmapjaringan. Convolutional Neural Network (CNN) dipilih karenakemampuannya dalam mengekstraksi pola spasial dantemporal dari data trafik, sehingga mampu memetakan danmemprediksi distribusi pengguna secara akurat. Hasileksperimen menunjukkan bahwa model CNN-GRU yangdilatih hingga 500 epoch mampu menghasilkan prediksiSINR, RSSI, dan efisiensi bandwidth dengan deviasi kecilterhadap data aktual. Rata-rata selisih masing-masingparameter adalah 3,6 dB untuk SINR, 0,16 dBm untuk RSSI,dan 1,08 bps/Hz untuk efisiensi bandwidth. Temuan inimenunjukkan bahwa CNN dapat digunakan secara efektifdalam sistem prediksi kanal untuk mendukung penerapanbeamforming adaptif pada VSC.Kata kunci— Virtual Small Cell, Hotspot Prediction, 5G,Beamforming, Convolutional Neural Network (CNN)]]>
