Evolusi Green Telecommunication Berbasis Artificial Intelligence pada Jaringan 4G menuju 5G: Tinjauan Literatur
DOI:
https://doi.org/10.61722/jipm.v4i5.3000Keywords:
Artificial Intelligence (AI), digital technology, educational administration, management information systems, digital transformation., Evolusi, aiAbstract
Pesatnya perkembangan teknologi komunikasi seluler dari generasi keempat (4G) menuju generasi kelima (5G) telah memicu lonjakan konsumsi energi pada infrastruktur jaringan, khususnya pada stasiun pemancar bumi (Base Station). Paradigma Green Telecommunication hadir sebagai solusi mutakhir untuk menekan emisi karbon dan biaya operasional operator telekomunikasi. Artikel ini menyajikan Tinjauan Literatur Sistematis (Systematic Literature Review - SLR) mengenai penerapan Artificial Intelligence (AI) untuk mengoptimalkan efisiensi energi dalam transisi arsitektur jaringan dari 4G ke 5G hingga tahun 2026. Melalui penyaringan ketat menggunakan metodologi PRISMA 2020, diperoleh 32 artikel utama yang dianalisis secara mendalam. Hasil tinjauan menunjukkan pergeseran fokus teknologi hemat daya dari pendekatan berbasis heuristik statis pada 4G menuju kontrol otonom dinamis berbasis Deep Reinforcement Learning (DRL) pada 5G. AI terbukti efektif dalam meminimalkan konsumsi energi melalui manajemen Advanced Sleep Modes (ASM) dan optimasi Massive MIMO beamforming. Namun, tantangan berupa overhead energi komputasi model AI dan trade-off terhadap Quality of Service (QoS) tetap menjadi hambatan utama yang memerlukan riset lebih lanjut.
Kata Kunci: Green Telecommunication, Artificial Intelligence, Jaringan 4G/5G, Efisiensi Energi, Systematic Literature Review.
References
M. A. Rahman, et al., "Deep Reinforcement Learning for Energy-Efficient Resource Allocation in 5G Heterogeneous Networks," IEEE Transactions on Green Communications and Networking, vol. 9, no. 1, pp. 45-56, 2025.
J. Li, et al., "AI-Enabled Green Telecommunications: A Survey on Energy Efficiency in B5G/6G Networks," IEEE Communications Surveys & Tutorials, vol. 25, no. 3, pp. 1820-1845, 2023.
S. Khan, et al., "Advanced Sleep Mode Analytics in 5G Base Stations Using Deep LSTM Networks," in Proc. IEEE International Conference on Communications (ICC), 2024, pp. 1-6.
A. Zappone, et al., "Wireless Networks Design in the Era of Deep Learning: Model-Based and Model-Free Approaches," IEEE Signal Processing Magazine, vol. 36, no. 5, pp. 68-77, 2019.
X. Wang, et al., "Energy-Efficient Beamforming in Massive MIMO Systems: An Artificial Intelligence Approach," IEEE Wireless Communications, vol. 31, no. 2, pp. 112-119, 2024
Downloads
Published
How to Cite
Issue
Section
License
Copyright (c) 2026 JURNAL ILMIAH PENELITIAN MAHASISWA
This work is licensed under a Creative Commons Attribution-ShareAlike 4.0 International License.
