Hasil Pencarian  ::  Simpan CSV :: Kembali

"Serat optik sebagai media transmisi berkecepatan tinggi untuk meningkatkan layanan yang baik kepada pelanggan berusaha terus dikembangkan kualitasnya. Salah satu yang dikembangkan adalah kapasitas trnnsmisinya, yang saat ini telah berkembang sampai dengan Dense Wavelength Division Multiplexing(DWDM). Sebagai media transmisi, serat optik dalam pengiriman sinyal dengan mempergunakan sistem DWDM juga tidak lepas dari kelemahan, yaitu kemungkinan hilangnya sinyal dalam perjalanan menuju tujuannya. Oleh karena itu, untuk mengatasinya, telah dikembangkan penguat optik yang dipasang untuk menguatkan kembali intensitas sinyal yang ditransmisikan. salah satu penguat optik yang dipergunakan adalah penguat Raman. Penguat Raman ini temyata memberikan kualitas yang lebih baik dibandingkan dengan penguat lain khususnya erbium-doped fiber amplifier {EDFA) yang banyak dipakai oleh sistem DWDM saat ini. Hal ini ditandai dengan nilai optical signal fo noise ratio {OSNR) dan penguatan yang lebih baik, jarak antar penguat yang lebih jauh, dengan memperhatikan beberapa rugi0rugi yang muncul dalam penerapannya pada system DWDM"

"Jaringan optik dengan dasar Wavelength Division Multiplexing (WDM) adalah jaringan optik yang menggunakan WDM sebagai teknologi multipleksingnya. WDM adalah satu teknologi multipleksing yang memultipleksing beberapa sinyal optik dengan panjang gelombang yang berbeda kedalam satu serat optik tunggal. Teknologi ini bertujuan untuk menggunakan semaksimal mungkin kapasitas dari serat optik. Untuk makin meningkatkan penggunaan kapasitas yang dimiliki oleh serat optik tersebut digunakan Wavelength Converter. Wavelength Converter adalah alat yang memungkinkan diubahnya satu panjang gelombang dalam satu jaringan tanpa mengubah isi informasi dalam sinyal tersebut.Peningkatan kinerja dari satu jaringan optik akibat penggunaan Wavelength Converter dipengaruhi oleh banyak faktor diantaranya; topologi jaringan, besar jaringan, load janngan, jumlah panjang gelombang yang digunakan, jumlah hop yang diperlukan untuk satu sambungan, panjang dari path yang ada, besar dari switch dan panjang interferensi yang ada.Selain itu ada juga faktor dari acknowledgments delay, propagation delay dan processing latencies di dalam jaringan.Skripsi ini menganalisa blocking probability dan utilisasi jaringan WDM akibat pengaruh parameter path length dan switch size. Blocldng probability adalah peluang dibloknya satu permintaan sambungan dalam jaringan, sedangkan utilisasi jaringan adalah tingkat penggunaan kapasitas yang dimilik oleh sebuah jaringan. Pada jaringan WDM path length adalah jumlah hop yang digunakan dalam melakukan satu sambungan dan switch size adalah ukuran switch yang digunakan dalam jaringan tersebut.Hasil perhitungan menunjukkan bahwa penggunaan wavelength converter mempengaruhi meningkatkan kinerja dari satu jaringan optik dengan dasar WDM. Dengan penggunaan WC, maka dihasilkan blocking probability yang lebih rendah dan juga utilisasi jaringan yang lebih tinggi. Selain itu, parameter path length dan switch size juga mempengaruhi kinerja dari jaringan tersebut."

"Pentransmisian gambar pada jaringan telekomunikasi umum (public telecommunication network) merupakan hal yang sulit untuk dilakukan. Hal ini disebabkan karena selain dibutuhkan kapasitas yang sangat besar, laju bit pada gambar merupakan nilai yang berubah-ubah (VBR), sehingga sulit untuk menjaga efisiensi saluran komunikasi dengan tetap memelihara kualitas keluaran di sisi penerima. ATDM merupakan metode multipleksing yang setiap saat mendefinisikan kembali panjang frame-nya, sehingga cocok digunakan untuk media yang bersifat VBR.Tugas skripsi ini adalah untuk menganalisis unjuk kerja ATDM pada pentransmisian gambar. Hal pertama yang dilakukan adalah memodelkan suatu bentuk si Val gambar yang telah dikodekan, untuk menentukan parameter-parameter ATDM. Setelah itu baru dapat dibuat perhitungan antrian untuk mendapatkan unjuk kerja ATDM yang berupa nilai kemungkinan loss berbanding dengan ukuran bufer."

"Jaringan optik adalah jaringan telekomunikasi berkapasitas tinggi dengan menggunakan teknologi dan komponen optik. Di Indonesia, CWDM biasanya digunakan pada jaringan optik di daerah urban, hal ini dikarenakan CWDM memiliki bandwidth yang lebar dan sesuai dengan kebutuhan daerah urban yang hanya butuh jarak yang pendek. Machine learning (ML) merupakan salah satu cabang kecerdasan buatan yang sangat cocok untuk menangani masalah kompleks yang sulit dijawab dalam waktu yang wajar. Prediksi Quality of Transmission (QoT) yang akurat sebelum pembentukan koneksi sangat penting untuk penyediaan layanan dan pemanfaatan sumber daya jaringan. Model Coarse Wavelength Division Multiplexing (CWDM) yang digunakan jaringan sesuai dengan standar ITU-T G.694.2 yaitu splitting sebesar 20nm, pada wavelength yang terdaftar pada standar yaitu 1551 nm, 1571 nm, 1591 nm, dan 1611 nm. Pendekatan yang digunakan adalah algoritma jenis linear regression dengan akurasi 82,47%, k-nearest neighbor regression dengan akurasi 77,18%, support vector regression dengan akurasi 83,88%, random forest regression 91,44%, dan deep learning ANN regression dengan akurasi 94,52%. Algoritma machine learning yang paling baik dalam memprediksi kualitas transmisi adalah random forest regressor. Algoritma ini tidak lebih baik dari deep learning yaitu, ANN regression. Namun waktu komputasi pada ANN regression cenderung lebih lama yaitu 12,451 ms sedangkan pada random forest regression hanya 1,9098 ms.

---

An optical network is a high-capacity telecommunications network using optical technology and components. In Indonesia, CWDM is usually used on optical networks in urban areas, this is because CWDM has a wide bandwidth and is in accordance with the needs of urban areas that only need a short distance. Machine learning (ML) is a branch of artificial intelligence that is very suitable for dealing with complex problems that are difficult to answer in a reasonable time. Accurate Quality of Transmission (QoT) prediction prior to connection establishment is critical for service provision and utilization of network resources. The Coarse Wavelength Division Multiplexing (CWDM) model used by the network complies with the ITU-T G.694.2 standard, which is 20nm splitting, the wavelengths registered in the standard are 1551 nm, 1571 nm, 1591 nm, and 1611 nm. The approach used is a linear regression type algorithm with an accuracy of 82.47%, k-nearest neighbor regression with an accuracy of 77.18%, support vector regression with an accuracy of 83.88%, random forest regression of 91.44%, and ANN deep learning regression. With an accuracy of 94.52%. The best machine learning algorithm for predicting transmission quality is the random forest regressor. This algorithm is no better than deep learning i.e., ANN regression. However, the computational time for ANN regression tends to be longer, namely 12.451 ms, while for random forest regression it is only 1.9098 ms. "

"Konsep Orthogonal Frequency Division Multiplexing ( OFDM) adalah membagi aliran data input serial ke dalam sejumlah aliran data paralel dan mengirimkan aliran data paralel dengan rate rendah tersebut secara bersamaan. Salah satu keuntungan penggunaan OFDM dibandingkan dengan jenis modulasi lain adalah penggunaan lebar pita yang tersedia dengan lebih efisien.Simulasi dan analisa dilakukan terhadap performansi sistem OFDM pada beberapa mapper modulasi 16-my pada kondisi kanal AWGN dan kanal fading lambat. Jenis konstelasi yang digunakan adalah 16-QAM rektangular, 16-QAM star dan 16-PSK.Hasil pada kondisi kanal AWGN memperlihatkan bahwa sistem OFDM yang menggunakan 16-QAM rektangular memberikan performansi BER terbaik dibandingkan penggunaan 16-QAM star atau 16-PSK.Performansi OFDM pada kanal fading multipath dianalisa menggunakan respons impuls kanal statik. Hasil pada kedua model kanal fading multipath yang digunakan menunjukkan performansi yang relatif buruk. Algoritma forward error correction atau estimasi kanal perlu digunakan untuk mengurangi probabilitas kesalahan bit.Hasil akhir pada penggunaan kedua algoritma tersebut membuktikan bahwa pengaruh fading kanal multipath dapat dihilangkan sehingga meningkatkan performansi BER sistem OFDM.

---

The concept of OFDM is to divide the serial input data stream into a number of parallel streams and to transmit these low-rate parallel streams simultaneously. One advantage of using OFDM compared to other types of modulation is better use of the available bandwidth.

The performance of the OFDM system under various 16-ary modulation mappers in AWGN and slowly fading channels are analyzed. It considers three candidate constellations : 16 rectangular-QAM, 16 star-QAM and 16-PSK.

The results for AWGN channel shows that the OFDM system using 16 rectangular-QAM gives the best BER performance compared to the same system using 16 star-QAM or 16-PSK mapper.

The performance of OFDM on multipath fading channels is analyzed using static channel impulse responses. The results of system in the two models of multipath fading channels indicate a relatively poor performance. Forward error-correcting or channel estimation algorithm is necessary to reduce the bit error probability.

The final results obtained after the use of both algorithms : convolutional coding and channel estimation, prove that fading effects can be removed, reducing almost totally the effects of the multipath channel."