OPTIMASI KOMSUMSI ENERGI DI JARINGAN 5G MENGGUNAKAN PEMBELAJARAN ALGORITMA DALAM PEMBELAJARAN PENGUATAN

Daffa Dean Naufal; Harry Ramza;

Optimasi Komsumsi Energi di Jaringan 5G Menggunakan Pembelajaran Algoritma dalam

Pembelajaran Penguatan
Daffa Dean Naufal

Jaringan 5G merupakan evolusi dari jaringan internet cepat 4G Long Term Evolution (LTE) yang
banyak diadopsi di telepon pintar atau gadget. Jaringan 5G menawarkan internet nirkabel yang lebih
cepat untuk berbagai keperluan. Penelitian ini merupakan tinjauan pustaka dari beberapa artikel yang
terkait dengan machine learning, khususnya mengenai optimasi konsumsi energi dengan jaringan
5G dan algoritma reinforcement learning. Hasil penelitian menunjukkan bahwa berbagai teknik telah
berkembang untuk mengatasi kompleksitas konsumsi energi yang besar termasuk integrasi dengan
jaringan 5G dan algoritma telah diselesaikan oleh banyak peneliti. Terkait dengan konsumsi listrik,
ditemukan bahwa selama kasus penggunaan 5G, dalam skenario beban pengunjung situs rendah dan
sementara mengurangi konsumsi daya lebih diutamakan daripada QoS, penghematan daya dapat
dilakukan hingga 80% dengan latensi 50 ms, 75% dengan latensi 20 ms dan 10 ms, dan 20% dengan
latensi 1 ms. Jika QoS diprioritaskan, maka penghematan daya mencapai maksimum lima persen
dengan dampak minimum dalam hal latensi. Selain itu, berkenaan dengan kinerja daya, telah diamati
bahwa gerakan yang dibantu DQN dapat menawarkan peningkatan.
Kata kunci: Algoritma, Energi, Evolusi Jangka Panjang, Pembelajaran Penguatan, 5G

Optimization of Energy Consumption in 5G Networks Using Learning Algorithms in

Reinforcement Learning
Daffa Dean Naufal

The 5G network is an evolution of the 4G Long Term Evolution (LTE) fast internet network that is widely adopted in
smart Phones or gadgets. 5G networks offer faster wireless internet for various purposes. This
research is a literature review of Several articles related to machine learning, specifically regarding
energy consumption optimization with 5G networks And reinforcement learning algorithms.The
results show that various techniques have evolved to overcome the complexity Of large energy intake
including integration with 5G networks and algorithms have been completed by many researchers.
Related to electricity consumption, it was found that during 5G use cases, in a low site visitor load
scenario and while Reducing power intake takes precedence over QoS, power savings can be made
by 80% with 50 ms latency, 75% with 20 Ms and 10 ms latency, and 20% with 1 ms latency. If QoS
is prioritized, then power savings reach a maximum of five Percent with minimum impact in terms
of latency. Moreover, with regards to power performance, it has been observed that DQN-assisted
motion can offer improvements.
Keywords: Algorithms, Energy, Long Term Evolution, Reinforcement Learning, 5G