ARYO SUSENO, NIM. 132022044 (2026) MODEL HYBRID BERBASIS RESIDUAL LEARNING MENGGUNAKAN OKUMURA-HATTA, ECC-33, DAN ARTIFICIAL NEURAL NETWORK UNTUK PREDIKSI PATH LOSS PADA LINGKUNGAN SUNGAI PERKOTAAN. Skripsi thesis, Universitas Muhammadiyah Palembang.

	Text 132022044_BAB I_DAFTAR PUSTAKA.pdf - Published Version Download (765kB)
	Text 132022044_BAB II.pdf - Published Version Restricted to Repository staff only Download (664kB)
	Text 132022044_III.pdf - Published Version Restricted to Repository staff only Download (539kB)
	Text 132022044_BAB IV.pdf - Published Version Restricted to Repository staff only Download (645kB)
	Text 132022044_BAB V.pdf - Published Version Restricted to Repository staff only Download (207kB)
	Text 132022044_DAFTAR PUSTAKA.pdf - Published Version Restricted to Repository staff only Download (223kB)
	Text 132022044_LAMPIRAN.pdf - Published Version Restricted to Repository staff only Download (1MB)
	Text 132022044_Cover_sampai_Lampiran.pdf - Published Version Restricted to Repository staff only Download (4MB)

Abstract

Perkembangan sistem komunikasi nirkabel membutuhkan prediksi path loss yang akurat, khususnya pada lingkungan dengan karakteristik propagasi kompleks seperti wilayah perairan perkotaan. Penelitian ini bertujuan mengembangkan dan membandingkan model Hybrid berbasis Residual Learning menggunakan model Okumura-Hatta, ECC-33, dan Artificial Neural Network (ANN) untuk memprediksi path loss di Sungai Musi, Palembang. Data diperoleh melalui pengukuran drive test dan digunakan untuk menghitung path loss menggunakan model Okumura-Hatta dan ECC-33. Selisih hasil prediksi terhadap pengukuran digunakan sebagai residual yang menjadi target pembelajaran ANN. Selanjutnya, dibentuk model Hybrid Okumura-Hatta + ANN dan ECC-33 + ANN. Kinerja model dievaluasi menggunakan MAE, MSE, RMSE, dan R². Hasil menunjukkan bahwa Residual Learning meningkatkan performa model empiris. Model Hybrid Okumura-Hatta + ANN memberikan kinerja terbaik dengan MAE 3,7890 dB, MSE 23,9232, RMSE 4,8911 dB, dan R² 0,7031, sedangkan Hybrid ECC-33 + ANN memperoleh MAE 4,6184 dB, MSE 33,9376, RMSE 5,8256 dB, dan R² 0,5788. Dengan demikian, Hybrid Okumura-Hatta + ANN merupakan model terbaik untuk prediksi path loss pada kondisi pengukuran penelitian.

Item Type:	Thesis (Skripsi)
Additional Information:	1. Dr. Bengawan Alfaresi, S.T., M.T 2. Dr. Wiwin A.Oktaviani, S.T.,M.Sc
Uncontrolled Keywords:	Path Loss, Okumura-Hatta, ECC-33, Residual Learning, ANN, Sungai Musi.
Subjects:	Elektro > Elektromagnetik
Divisions:	Fakultas Teknik > Teknik Elektro (S1)
Depositing User:	Mahasiswa Fakultas Teknik
Date Deposited:	07 Sep 2026 01:29
Last Modified:	07 Sep 2026 01:29
URI:	http://repository.um-palembang.ac.id/id/eprint/37204

Actions (login required)

View Item