📚 Eksplorasi & Komparasi Topik Dokumen

PREDIKSI INTERFERENSI DOWNLINK SATELIT LEO TERHADAP TERMINAL GEO PADA PITA KU MENGGUNAKAN BIDIRECTIONAL LSTM

Pertumbuhan pesat konstelasi satelit Low Earth Orbit (LEO) dalam beberapa tahun terakhir telah meningkatkan potensi interferensi terhadap sistem satelit Geostationary Earth Orbit (GEO), terutama pada pita Ku yang digunakan secara bersama. Hingga tahun 2025 tercatat lebih dari 7.473 satelit LEO aktif di orbit, dengan konstelasi Starlink sebagai kontributor terbesar. Ketika satelit Starlink melintas dekat arah pancar antena terminal GEO seperti Telkom-3S, sinyal downlink-nya dapat menimbulkan interferensi yang direpresentasikan melalui parameter Equivalent Power Flux Density (EPFD), yang batas serta prosedur validasinya diatur dalam regulasi ITU-R. Sebagian besar kajian terdahulu menghitung EPFD melalui pendekatan analitik dan simulasi deterministik untuk konfigurasi geometri tertentu. Pendekatan ini akurat, namun umumnya diterapkan untuk konfigurasi geometri tertentu dan belum menyediakan sarana prediksi EPFD yang berkelanjutan berbasis data historis, dan sejauh ini belum ada penelitian yang memanfaatkan machine learning untuk memprediksi nilai EPFD interferensi downlink LEO-GEO secara kontinu. Kondisi ini menjadi penting karena studi internasional menunjukkan bahwa terminal GEO dapat mengalami hingga ribuan gangguan singkat per hari akibat lintasan konstelasi LEO, sehingga berdampak langsung pada keandalan layanan komunikasi satelit yang masih menjadi tulang punggung konektivitas di wilayah terpencil Indonesia. Tugas akhir ini bertujuan merancang dan merealisasikan sistem prediksi nilai EPFD interferensi downlink satelit LEO terhadap terminal GEO pada pita Ku berbasis machine learning yang akurat dan mampu memprediksi nilai EPFD interferensi secara kontinu. Sistem dibangun dalam tiga subsistem yang saling terintegrasi. Subsistem pertama membangkitkan dataset dengan mempropagasi data Two-Line Element (TLE) menggunakan model SGP4 untuk menghitung parameter geometri, seperti sudut separasi, jarak, dan gain antena off-axis, dari seluruh satelit Starlink yang terlihat dari Stasiun Bumi Klapanunggal. Model gain antena mengacu pada Rekomendasi ITU-R S.1428-1 dan perhitungan EPFD mengikuti Rekomendasi ITU-R S.1503-3. Dataset yang dihasilkan terdiri atas 46.080 baris dengan interval pengambilan sampel 60 detik selama 32 hari pengamatan. Subsistem kedua merupakan model prediksi berbasis arsitektur Bidirectional Long Short-Term Memory (BiLSTM) dengan mekanisme Multi-Head Attention yang dilengkapi 18 fitur, termasuk fitur geometri masa depan hasil propagasi SGP4. Sebagai pembanding digunakan model Random Forest. Subsistem ketiga berupa dashboard berbasis Streamlit yang menampilkan hasil prediksi, status interferensi, grafik, serta fitur ekspor data. Hasil pengujian pada data uji menunjukkan model BiLSTM mencapai nilai RMSE sebesar 0.618 dBW, koefisien determinasi (R-squared) sebesar 0.9754, dan MAPE sebesar 0.30 persen, dengan akurasi penentuan tingkat interferensi tiga kategori sebesar 92.17 persen. Model Random Forest memberikan kinerja yang setara dengan nilai R-squared sebesar 0.9776, sehingga memperkuat bahwa hubungan antara fitur geometri orbit dan EPFD memang dapat dipelajari secara konsisten oleh dua arsitektur yang berbeda. Pengujian pada skenario sistem terintegrasi di luar rentang data pelatihan turut menghasilkan kinerja yang konsisten, yaitu R-squared sebesar 0.9754 dan MAPE sebesar 0.287 persen. Analisis feature importance menunjukkan bahwa fitur-fitur geometri mendominasi kontribusi terhadap prediksi, yang menegaskan bahwa model telah menangkap hubungan fisik yang relevan, bukan sekadar pola temporal harian. Berdasarkan hasil tersebut, dapat disimpulkan bahwa pendekatan machine learning mampu memprediksi nilai EPFD interferensi downlink LEO-GEO pada pita Ku secara akurat dan efisien tanpa harus mengulang simulasi fisika yang berat. Kebaruan penelitian ini terletak pada pengintegrasian propagator orbit deterministik SGP4 dengan model deep learning untuk memprediksi nilai EPFD secara kontinu, bukan sekadar mendeteksi ada atau tidaknya interferensi seperti pada penelitian sebelumnya. Sistem yang dihasilkan diharapkan dapat menjadi alat bantu pengambilan keputusan bagi operator satelit maupun regulator dalam mengidentifikasi periode kritis interferensi serta merancang langkah mitigasi yang tepat.