Intelligent Network Maintenance Modeling for Fixed Broadband Networks in Sustainable Smart Homes

Melchizedek Alipio , Member, IEEE, and Miroslav Bures, Member, IEEE

*Terjemahan Bebas*

2327-4662 c 2023 IEEE. Personal use is permitted, but republication/redistribution requires IEEE permission. See https://www.ieee.org/publications/rights/index.html for more information. Authorized licensed use limited to: Sinung Wibowo. Downloaded on April 03,2025 at 13:40:35 UTC from IEEE Xplore. Restrictions apply.  

Abstrak—Karena munculnya smart home yang berkelanjutan, setiap perangkat pintar membutuhkan lebih banyak bandwidth yang mendorong pengembangan pada jaringan rumah yang ada. Solusi yang sangat baik untuk memastikan jaringan rumah dengan bandwidth tinggi adalah teknologi fiber-to-the-home (FTTH). FTTH memberikan Internet berkecepatan tinggi dari kantor internet langsung ke rumah melalui kabel serat optik. Jaringan pita lebar tetap ini dapat mengirimkan informasi pada kecepatan dan kapasitas yang hampir tak terbatas yang memungkinkan rumah menjadi lebih pintar. Oleh karena itu, pemantauan dan perawatan jaringan pita lebar FTTH yang baik diperlukan untuk mendapatkan ketersediaan layanan tingkat tinggi dan keberlanjutan di smart home. Studi ini bertujuan untuk mengembangkan model prediktif yang akan secara proaktif memantau dan memelihara jaringan FTTH melalui penggunaan teknik pemodelan canggih seperti pembelajaran mesin (ML). Model prediktif menargetkan untuk mengklasifikasikan resolusi teknisi yang diusulkan berdasarkan kumpulan data historis FTTH dari lapangan. 

Hasilnya menunjukkan bahwa model berbasis K-nearest neighbour (KNN) memperoleh akurasi tertinggi sebesar 89% diikuti oleh model berbasis feedforward artificial neural network (FF-ANN) dengan 86%. Selain itu, anomali yang teridentifikasi dari kumpulan data yang memengaruhi penurunan layanan dan kinerja meliputi masalah akses FTTH, masalah unit jaringan optik, dan kesalahan pada peralatan tempat pelanggan. 

Daftar Istilah — Ketersediaan layanan pita lebar, pemeliharaan fiber-to-the-home (FTTH), Internet of Things (IoT), machine learning (ML), sistem pemantauan jaringan (NMS), rumah pintar.

***

FTTH merupakan rangkaian fiber optik yang membentuk optical distributed network, di mana perangkat penyusunnya terdiri dari OLT - FTM - ODC - ODP - ONT dan CPE. 

Studi ini berfokus pada pembuatan model prediktif untuk pemantauan kinerja layanan dan pemeliharaan jaringan akses FTTH. Pembahasan tentang teknik Machine Learning (ML) yang tersedia dan pemahaman tentang studi terkait bertujuan untuk menghasilkan kerangka kerja analitis yang akan mendorong aktivitas pemeliharaan FTTH yang proaktif dan menyediakan proses loop-back untuk meningkatkan akurasi sistem.

Secara khusus, penelitian ini memiliki tujuan (research objectives) sebagai berikut.

1) RO1: Mengidentifikasi anomali jaringan FTTH yang mengakibatkan penurunan layanan dan dampaknya pada kinerja layanan seperti dalam aplikasi smart home. Anomali jaringan ini digunakan untuk lebih memahami perilaku jaringan yang diperlukan dalam sistem pemantauan dan pemeliharaan jaringan.

2) RO2: Memanfaatkan teknik ML untuk diterapkan pada kemampuan pemantauan jaringan yang ada dan proses pemeliharaan proaktif. Penggunaan model pembelajaran ML memiliki potensi besar untuk berubah dari pemantauan berbasis reaktif ke berbasis proaktif dalam jaringan FTTH untuk smart home yang berkelanjutan.

3) RO3: Mengidentifikasi teknik ML yang tersedia yang dapat diintegrasikan dengan parameter FTTH dan set data yang teridentifikasi. Pilihan model ML sangat bergantung pada aplikasi yang diinginkan, sifat set data, fitur input, dan label output. 

4) RO4: Memanfaatkan teknik ML yang tersedia untuk mendiagnosis dan mendeteksi anomali jaringan rumah FTTH di tempat, dan memprediksi penyelesaian teknisi. Karena munculnya AI dan ML, berbagai model pembelajaran tersedia untuk pemodelan prediktif. Sangat penting untuk mengidentifikasi dan membandingkan model berbasis ML mana yang akan menghasilkan model yang sangat akurat. 

Artikel ini juga memberikan kontribusi khusus berikut.

1) Mengembangkan kerangka kerja yang bertujuan untuk mendeteksi (prediktif) dan mengidentifikasi degradasi parameter NMS secara proaktif, melokalisasi kesalahan, dan mengidentifikasi proses pemeliharaan (preskriptif) berdasarkan data lapangan historis menggunakan teknik ML.

2) Melakukan teknik praproses pada set data yang tersedia yang terdiri dari log keluhan FTTH yang diperoleh dari salah satu penyedia jaringan pita lebar tetap terkemuka di Filipina

3) Membuat model prediktif dan preskriptif dari kumpulan data log pengaduan FTTH yang telah diproses sebelumnya menggunakan berbagai algoritma pembelajaran ML dan ukur kinerja setiap model dalam hal akurasi, presisi, perolehan kembali, dan skor F1.

ODN membawa semua voice, data dan video dalam satu kabel, dan dengan optical splitter didistribusikan ke masing-masing pelanggan. Pemanfaatan pada transmisi sinyal pada fiber optik ini dari OLT menggunakan panjang gelombang 1490 nm (untuk trafik data dan suara), sementara distribusi video menggunakan panjang gelombang 1550 nm. Panjang gelombang 1310 nm digunakan untuk lalu lintas data dan suara dari ONT (pelanggan). Pengiriman daya yang cukup dari OLT ke ONT dan sebaliknya sensitivitas ONT dan OLT diperlukan untuk memastikan kinerja transmisi sinyal yang optimal.

Beberapa hal yang dapat diatasi dengan koneksi fiber ini adalah masalah latensi, karena melalui fiber optik ini sinyal dikirimkan dalam kecepatan cahaya. 

Dalam penerapan aktivitas pemeliharaan pada jaringan FTTH melalui sistem pemantauan pada lapisan fisik memberikan pengiriman yang lancar dan ketersediaan yang tinggi. Sebuah studi menunjukkan bahwa lebih dari enam puluh lima persen (65%) kegagalan last-mile disebabkan oleh elemen pasif yang rusak karena serat yang terpotong disebabkan oleh faktor eksternal, kehilangan serat yang tinggi karena pembengkokan yang berlebihan atau serat yang rusak, dan kesalahan penanganan serat di tempat pelanggan. Sisanya tiga puluh lima persen (35%) disebabkan oleh masalah konektor yang disebabkan oleh penyambungan yang tidak tepat, sambungan yang longgar, dan kerusakan ONU. Kejadian kegagalan untuk setiap pelanggan diprediksi terjadi dua kali setahun dengan interval enam bulan pada kejadian kegagalan pertama dan dua bulan pada yang kedua, dengan probabilitas 30% bahwa kejadian kedua dapat terjadi jika RMS tidak digunakan.

Proses pemeliharaan FTTH ada beberapa macam, di antaranya disampaikan dalam tabel berikut.

Aktivitas pemeliharaan dikenal ada 3 macam : Corrective Maintenance, Predictive Maintenance dan Preventive Maintenance. Aktivitas pemeliharaan ini dilakukan untuk memastikan keandalan sistem yang tinggi dalam kinerja optimal, termasuk aktivitas perbaikan dan pemulihan yang tidak terduga. Pemeliharaan preventif adalah aktivitas yang direncanakan selama jangka waktu tertentu untuk mengurangi kemungkinan kegagalan. Pemeliharaan korektif dilakukan untuk memperbaiki atau mengganti elemen atau sistem jaringan untuk memulihkan layanan dalam waktu sesingkat mungkin. Sebaliknya, pemeliharaan prediktif dipicu oleh besaran parameter yang dipantau yang didukung oleh teknik berbasis data yang memperingatkan potensi kegagalan atau gangguan yang pada saat itu mungkin tidak mempengaruhi layanan.

Gambar di atas menyajikan aktivitas petugas FTTH dalam Network Analitis, Network Monitoring System, Network Engineer, dan Remote Monitoring System. Ini merupakan fungsi di sekitar pemeliharaan FTTH.

Tentu saja paper ini dibuat dengan memperhatikan tinjauan pustaka terhadap penelitian yang dilakukan sebelumnya. Berikut tinjauan pustaka dari paper ini

Tabel ringkasan ini mengulas karya-karya terkait dengan menggunakan judul Need, Solution, Differentiation, dan Benefit. “Need” mengacu pada masalah yang sedang dipecahkan oleh penulis. “Solution” mengacu pada metodologi yang digunakan oleh penulis untuk memecahkan

masalah tersebut. “Differentiation” mengacu pada kontribusi baru dan orisinal dari artikel ini. Terakhir, “Benefit” mengacu pada keuntungan yang diperoleh dari pelaksanaan penelitian.

Definisi ML sebagai prinsip yang memvalidasi model secara berulang untuk menyempurnakan dan mencapai hasil ilmiah di dunia nyata berasal dari berbagai penelitian yang menggunakannya untuk menilai berbagai fenomena. Mengembangkan model prediktif melalui AI dan ML membantu mengungkap berbagai pola tersembunyi yang dapat menjelaskan masalah atau skenario jaringan tertentu. Dari perspektif teknik, ML mencakup pengembangan perangkat lunak, formulasi hipotesis fenomena, pemilihan model, pengumpulan data untuk menguji hipotesis, dan penyempurnaan model berulang. Namun, tidak ada penelitian yang diketahui tentang industri telekomunikasi yang mengintegrasikan FTTH NMS, pemeliharaan tempat proaktif, dan teknik ML untuk smarthome yang berkelanjutan. Jika kesenjangan tersebut dapat diatasi, maka berarti dapat meningkatkan alarm positif dan meningkatkan ketersediaan layanan jaringan pita lebar tetap seperti FTTH.

Berikut model ML yang diajukan oleh penulis.

Sejumlah 35.578 log (sampel) direkam dari Januari 2022 hingga Juni 2022, dengan 9 data berikut: (1) tanggal, (2) tiket pengaduan, (3) kode sistem, (4) pengaduan pelanggan, (5) penyelesaian teknisi, (6) parameter NMS dBm, (7) deskripsi NMS, (8) pemeliharaan, dan (9) bulan. Set data direkam dari pemantauan jaringan flowchart yang pada dasarnya dimulai dengan pengaduan diikuti oleh keberadaan akses fiber yang bergantung pada status LOS seperti yang ditunjukkan pada di bawah ini. Setelah itu, status ONU akan diperiksa berdasarkan catu daya diikuti oleh mekanisme alarmnya tergantung pada status LOS. Terakhir, level akan diperiksa untuk lulus atau gagal karena kegagalan sinyal di ONU.

Jenis kegagalan di FTTH berdasar data NMS dapat disampaikan sebagai berikut

Jumlah sample data :

Dari data yang diperoleh didapatkan heat map Cramer's V correlations sebagai berikut.

Dapat diamati pada tabel di atas, bahwa resolusi teknisi memiliki korelasi yang jauh lebih tinggi dengan fitur Pemeliharaan (0,82), Deskripsi NMS (0,65), dan Parameter NMS dBm (0,52). Selain itu, terlihat bahwa Bulan dan Tanggal memiliki korelasi sebesar 1. Korelasi masing-masing terhadap Resolusi Teknisi adalah 0 dan 0,02, yang menunjukkan bahwa tanggal dan bulan pengaduan tidak memengaruhi resolusi teknisi yang sesuai. Selain itu, pasangan; Pemeliharaan dan Deskripsi NMS, Pemeliharaan dan Parameter NMS dBm, dan Deskripsi NMS dan Parameter NMS dBm, juga memiliki nilai Cramer’s V sebesar 1. Hal ini menunjukkan bagaimana fitur-fitur yang disebutkan di atas saling terkait erat. Namun, perlu dicatat bahwa meskipun keduanya memiliki korelasi langsung satu sama lain, nilai korelasinya dengan Resolusi Teknisi berbeda untuk masing-masing. Hubungan dan asosiasi fitur-fitur yang berbeda yang ditunjukkan pada gambar di atas ini membantu dalam pemilihan fitur. Ini

memungkinkan identifikasi parameter atau fitur mana yang akan berguna sebagai masukan ke model ML dengan tujuan memprediksi resolusi teknisi.

Data Preprosessing menjadi satu tahapan penting. Data fitur yang dihilangkan adalah Bulan, Tanggal, Tiket Keluhan, dan Kode Sistem. Proses pemilihan fitur mana yang akan dihilangkan berputar di sekitar nilai korelasi Crammer’s V yang diperoleh dari setiap fitur. Hanya Parameter NMS dBm, Deskripsi NMS, dan Pemeliharaan yang dipertahankan sebagai fitur yang akan digunakan sebagai input dalam model. Pemilihan fitur ini dibenarkan oleh korelasi signifikan dari fitur-fitur tersebut di atas dengan Resolusi Teknis. Menghilangkan fitur-fitur tertentu juga membantu mengurangi dimensi yang dimasukkan ke dalam model. Dari bentuk (50 067, 9), data kerja direduksi menjadi (50 067, 5).

Setelah proses berlangsung, hal yang penting adalah proses validasi. Bagian ini menyajikan risiko yang mungkin dihadapi dalam membangun model prediktif berbasis ML dan tindakan pencegahan yang sesuai untuk menghindari atau, paling tidak, mengurangi dampak dari risiko yang mungkin terjadi. 

1) Jumlah contoh atau sampel dalam satu set data memengaruhi keakuratan model ML karena kurangnya pelatihan. Penting untuk memastikan bahwa ada jumlah sampel yang cukup dalam set data dengan melakukan imputasi dan/atau penghapusan tergantung pada sifat set data yang tersedia. 

2) Membangun model ML sangat bergantung pada kualitas set data yang tersedia. Namun, ada kasus di mana kualitas set data yang diperoleh buruk, dan melibatkan data yang hilang, dan outlier. Untuk memastikan kualitas set data yang tersedia, praproses intensif, dan pembersihan harus dilakukan yang mencakup penghapusan outlier, penyaringan nilai yang hilang, dan penghapusan fitur yang tidak diinginkan dengan tingkat kesempurnaan tertinggi. 

3) Setelah membangun model ML, ada kemungkinan besar bahwa model akan berjalan lambat selama implementasi. Solusi untuk mengatasi risiko ini adalah dengan mengurangi cakupan fitur atau model pembelajaran ML yang digunakan untuk melakukan teknik optimasi.

CONCLUSION AND FUTURE DIRECTIONS

Penelitian ini berhasil menciptakan model untuk mendeteksi dan mengidentifikasi degradasi FTTH melalui parameter NMS secara proaktif, dan mengusulkan proses pemeliharaan proaktif menggunakan teknik ML. Identifikasi degradasi parameter NMS disediakan oleh diagram alir sistem FTTH yang diusulkan. Sistem alarm juga ditetapkan untuk setiap kondisi spesifik yang terdeteksi. Teknik ML yang digunakan dalam penelitian ini adalah KNN, DT, RF, NB, SVM, dan FF-ANN. Di antara teknik ML yang diuji ini, algoritma KNN mencapai akurasi tertinggi sebesar 89%, diikuti oleh FF-ANN dengan akurasi 86%. Kesederhanaan KNN yang mengandalkan jarak setiap titik data dapat menjadi alasan untuk akurasinya yang lebih tinggi dibandingkan dengan algoritma lain yang lebih kompleks yang dinilai dalam penelitian ini. Hal ini lebih ditingkatkan melalui penggunaan metode peningkatan khususnya, peningkatan gradien, yang meningkatkan akurasi hingga 89,36%.

Dari hasil akurasi berbagai model berbasis ML, dapat disimpulkan bahwa hal ini dapat diintegrasikan dengan data dan parameter FTTH untuk merekomendasikan resolusi teknisi tertentu guna mencapai jaringan yang terpantau dan terawat dengan baik untuk rumah pintar berkelanjutan yang digerakkan IoT. Selain itu, lokalisasi kesalahan dan identifikasi proses pemeliharaan preskriptif berhasil diprediksi oleh model berbasis ML. Dengan mempertimbangkan sifat prediktif dan preskriptif dari solusi yang diusulkan, penelitian telah menilai efektivitas algoritme ML ini dalam mendiagnosis dan mendeteksi anomali jaringan rumah FTTH di tempat. Anomali yang diidentifikasi memengaruhi penurunan layanan dan kinerja layanan masalah akses FTTH, masalah ONU, dan kesalahan pada peralatan tempat pelanggan. Melalui analisis hasil, kumpulan data dapat dimodifikasi agar lebih seimbang, dan berbagai teknik praproses juga dapat dieksplorasi untuk memberikan informasi yang lebih relevan dengan parameter target resolusi teknisi yang sesuai. Disarankan agar teknik ML diintegrasikan saat mengembangkan NMS FTTH karena teknik tersebut menyediakan otomatisasi. Disarankan agar model sederhana, seperti KNN, digunakan karena model inilah yang terbukti paling efektif dengan set data yang disediakan. Namun, lebih banyak teknik ML yang dapat dieksplorasi lebih lanjut untuk meningkatkan akurasi seperti jaringan saraf dalam dan pembelajaran penguatan.