ABSTRAKSI: Long Term Evolution (LTE) 3,9G/4G Release 8 adalah projek terbaru dari Third Generation Partnership Project (3GPP) yang merupakan pengembangan dari teknologi sebelumnya, yaitu UMTS (3G) dan HSPA+ (3,75G). Kecepatan transfer data LTE mencapai 100 Mbps pada sisi downlink dan 50 Mbps pada sisi uplink. Pada sisi air interface LTE menggunakan teknologi OFDMA untuk downlink dan SC-FDMA untuk uplink. Bandwidth operasi pada LTE fleksibel yaitu 1,4 MHz, 3 MHz, 5 MHz, 10 MHz, 15 MHz, dan 20 MHz [1].
Pembangunan LTE di Indonesia akan direalisasikan dalam beberapa tahun mendatang dan untuk dapat melayani demand trafik yang tinggi dan coverage yang luas, salah satu faktor yang mempengaruhi adalah posisi penempatan e Node B (Evolved Node B) LTE. Oleh karena itu pada tugas akhir ini dilakukan perencanaan penempatan eNodeB di kota Bandung menggunakan Algoritma Genetika yang disimulasikan di software Matlab. Algoritma genetika merupakan salah satu algoritma pencari solusi suatu masalah optimasi yang menggunakan parameter - parameter tertentu untuk menerapkan mekanisme seleksi alam dan manipulasi genetika[7].
Dalam tugas akhir ini dilakukan perencanaan sel LTE berdasarkan kapasitas trafik dan coverage. Frekuensi yang digunakan adalah frekuensi 2100 MHz dengan bandwidth 20 MHz dan dari perencanaan sel tersebut didapatkan jumlah eNodeB sebanyak 49 site dengan jari- jari masing-masing sebesar 1,15 km. Algoritma Genetika berperan dalam penempatan 49 eNodeB tersebut agar didapatkan posisi eNodeB paling optimum yang dapat meng-cover demand trafik dan coverage kota Bandung .
Dengan menggunakan kombinasi parameter dalam algoritma genetika seperti: representasi kromosom biner, ukuran populasi 50, probabilitas pindah silang 0,9, probabilitas mutasi 0,0056, dan jumlah generasi 1000 didapatkan hasil penempatan eNodeB LTE paling optimum dengan nilai fitness sebesar 591513, dan dengan algoritma genetika, sistem dapat meng-cover 90,3 % dari demand trafik dan coverage kota Bandung. Total waktu komputasi yang dibutuhkan Algoritma Genetika selama kurang lebih 74 jam. Algoritma Evolutionary Programming juga disimulasikan sebagai algoritma pembanding performansi. Dengan parameter �� = 0,2 didapatkan hasil penempatan eNodeB LTE paling optimum dengan nilai fitness sebesar 68733,7635, dan dengan Algoritma Evolutionary Programming, sistem dapat meng-cover 92,15 % dari demand trafik dan coverage kota Bandung. Total waktu komputasi yang dibutuhkan Algoritma Evolutionary Programming selama kurang lebih 65 jam. Dari hasil simulasi tersebut dapat disimpulkan bahwa ternyata performansi Evolutionary Programming lebih baik dibandingkan Algoritma Genetika.
Kata Kunci : eNodeB, Long Term Evolution (LTE), Algoritma Genetika,Evolutionary ProgrammingABSTRACT: Long Term Evolution (LTE) 3,9G/4G Release 8 is the latest project of Third Generation Partnership Project (3GPP) that is the development of earlier technologies, such as UMTS (3G) and HSPA+ (3.75 G). LTE data transfer rate is up to 100 Mbps for downlink and up to 50 Mbps for uplink. LTE uses OFDMA for downlink air interface and SC-FDMA for uplink air interface. LTE has flexible operation bandwidth, there are 1,4 MHz, 3 MHz, 5 MHz, 10 MHz, 15 MHz, and 20 MHz [1].
Indonesia LTE network development will have done on the next few years and in order to serve high traffic demand and wide coverage, one of factors that have influence is placement position of e Node B (Evolved Node B) LTE. Hence, in this final project, placement planning of eNodeB on Bandung city using Genetic Algorithm that is simulated in Matlab had done. Genetic Algorithm is one of optimization problem solver that are using specific parameters to do nature selection mechanism a genetic manipulation [7].
In this final project, LTE cell planning based on traffic capacity and coverage had done. It uses 2100 MHz frequency with 20 MHz bandwidth and from this cell planning, 49 eNodeB with 1.15 km radius of each are got. Genetic Algorithm has a role in this 49 eNodeB placement planning in order to get the most optimum position that can cover Bandung city traffic demand and coverage.
Using Genetic Algorithm parameters combination such as biner cromosom representation, population size 50, crossover probability 0.9, mutation probability 0.0056 and 1000 generation, the most optimum eNodeB placement with 591513 fitness value is got. Using Genetic Algorithm, system can cover 90,3% Bandung city total traffic demand and coverage. Computation time that is needed by Genetic Algorithm is around 74 hours. Evolutionary Programming algorithm is also simulated as a performance compared algorithm. Using parameter �� = 0,2, the most optimum eNodeB placement with 68733,7635 fitness value is got. Using Evolutionary Programming, system can cover 92,15 % Bandung city total traffic demand and coverage. Computation time that is needed by Evolutionary Programming is around 65 hours. Based on simulation results above, we can conclude that Evolutionary Programming performance is better than Genetic Algorithm.
Keyword: eNodeB, Long Term Evolution (LTE), Genetic Algorithm,Evolutionary Programming