Kursus Alokasi Sumber Daya 5G/6G dengan Deep Reinforcement Learning (DQN)
Jadwalkan resource block dan atur daya pancar 5G dengan deep reinforcement learning: numerologi 5G NR, simulator sel dengan fading Rayleigh dan interferensi, penjadwal round robin, proportional fair, water-filling, formulasi MDP, dan agen Deep Q-Network dari nol.
Materi mengikuti seri video Kursus Optimasi Alokasi Sumber Daya Jaringan 5G/6G dengan Deep Reinforcement Learning (6 modul). Modul 1 bisa ditonton gratis.
Hasil yang Dicapai
- +22% — Efisiensi energi DQN dibanding proportional fair
- 0,80 — Indeks keadilan Jain DQN (PF 0,84)
- 24 aksi — Pilihan user × level daya per resource block
- 5 jaringan — Uji pada jaringan yang belum pernah dilihat
Apa yang Dipelajari
- Sumber Daya 5G NR: Numerologi, resource block, daya, path loss 3GPP, dan Shannon.
- Simulator Sel: Shadowing, fading Rayleigh berkorelasi, interferensi, dan SINR.
- Penjadwal Klasik: Round robin, max C/I, proportional fair, dan water-filling.
- Formulasi MDP: State, aksi user × daya, dan reward lingkungan Gymnasium.
- Deep Q-Network: Replay buffer, target network, dan Double DQN dari nol.
- Evaluasi: Throughput, keadilan Jain, dan efisiensi energi.
Untuk Siapa?
- Mahasiswa S1/S2 (skripsi & tesis) — Kerangka penelitian jaringan 5G lengkap: metode pembanding, metode usulan, eksperimen, dan evaluasi siap bab 4.
- Peneliti & dosen — Kode PyTorch & Gymnasium yang rapi dan mudah diganti data, parameter, atau metodenya untuk publikasi.
- Praktisi & engineer — Memahami cara kerja jaringan 5G dari teori sampai implementasi yang bisa dicoba sendiri.
- Developer & data scientist — Praktik PyTorch & Gymnasium pada studi kasus nyata, bukan sekadar contoh mainan.
Dataset dan file project tersedia khusus untuk pelanggan premium. Butuh pendampingan riset? Lihat .









