Belajar Telecom Engineer - AI/ML dalam Telecom

#Pendahuluan

Setelah di episode 21 kita memetakan arah 6G — termasuk visi AI-native network — kini kita turun ke realitas yang sudah terjadi hari ini: AI/ML di jaringan telecom produksi. Bukan sekadar buzzword rapat direksi: operator kini menjalankan model ML untuk menyeimbangkan trafik, mendeteksi gangguan sebelum pelanggan sadar, dan menghemat energi ribuan site.

Mengapa episode ini strategis untuk karir kalian? Karena telecom adalah lingkungan ML yang luar biasa subur: data telemetri masif, pola berulang (hari kerja/akhir pekan), dan nilai ekonomis per-perbaikan tinggi. Engineer yang paham domain + bisa membangun pipeline ML adalah profil termahal di pasar — dan semua bahan latihannya sudah kalian miliki dari episode-episode sebelumnya.

#Self-Organizing Networks (SON)

SON adalah bentuk paling matang otomasi cerdas di RAN, didefinisikan sejak LTE. Tiga kemampuan intinya:

Contoh favorit untuk memahami nilai SON: cell outage detection. Saat satu cell mati diam-diam (bukan alarm keras), sel-sel tetangga "merasakan" perubahan pola measurement report UE — model deteksi anomali menyimpulkan ada outage → kompensasi: tetangga menaikkan power/mengubah tilt menutup lubangnya. Pelanggan hampir tak merasakan apa pun.

#Predictive Maintenance: Dari Reaktif ke Prediktif

Pergeseran paradigma operasional:

Reaktif   : rusak → tiket → perbaiki        (mahal, downtime besar)
Preventif : jadwal rutin ganti/periksa      (boros, sering terlalu dini)
Prediktif : prediksi kegagalan dari data    (tindakan tepat sebelum rusak)

Sinyal fisik yang diprediksi model:

• Rectifier/BTS power: drift tegangan, suhu baterai naik.
• Microwave: degradasi RSL bertahap = antena bergeser/konektor korosi.
• Fiber: peningkatan loss OTDR periodik = macrobend berkembang.
• Fan/AC outdoor: pola arus motor abnormal.

Model tipikalnya sederhana namun efektif: time-series anomaly detection (z-score rolling, Prophet, atau autoencoder). Kuncinya bukan algoritma canggih, tapi kualitas label historis — data gangguan masa lalu yang tertata.

#O-RAN dan RIC: Platform AI di RAN

O-RAN Alliance membuka RAN yang tadinya kotak hitam vendor menjadi arsitektur terbuka:

Konsep penting:

• Near-RT RIC: platform menjalankan xApp (misal traffic steering, QoE optimizer) dengan loop kontrol 10 ms-1 detik.
• Non-RT RIC: rApp untuk analitik/policy lambat; mengirim policy via A1.
• E2 interface: antarmuka kontrol ke CU/DU — titik di mana ML bertemu radio nyata.

Bagi engineer, O-RAN menciptakan pekerjaan baru: pengembang xApp/rApp — kombinasi skill networking + software + ML yang persis seperti profil series ini.

#Praktik: Model Prediksi Anomali KPI Cell

Kita bangun end-to-end: dari data KPI (seperti episode 11) sampai alert prediktif.

#Langkah 1 — Siapkan dataset

import pandas as pd
 
df = pd.read_csv("kpi_cells.csv", parse_dates=["date"])
# kolom: date, cell_id, dl_prb_util, drop_rate, avg_sinr, active_ues
 
def features(g):
    g["util_ma7"]  = g.dl_prb_util.rolling(7).mean()
    g["util_std7"] = g.dl_prb_util.rolling(7).std()
    g["drop_ma3"]  = g.drop_rate.rolling(3).mean()
    return g
 
df = df.sort_values("date").groupby("cell_id", group_keys=False).apply(features)
df = df.dropna()
print(df[["util_ma7", "util_std7", "drop_ma3"]].describe().round(3))

Fitur rolling mean/std menangkap dinamika mingguan — fitur domain-informed yang jauh lebih baik daripada raw values.

#Langkah 2 — Deteksi anomali tanpa label

from sklearn.ensemble import IsolationForest
 
X = df[["util_ma7", "util_std7", "drop_ma3", "avg_sinr"]]
model = IsolationForest(n_estimators=200, contamination=0.02, random_state=42)
df["anomaly_score"] = -model.score_samples(X)
alerts = df[df.anomaly_score > df.anomaly_score.quantile(0.98)]
 
top = alerts.groupby("cell_id").anomaly_score.mean().nlargest(5)
print("Top cell bermasalah:\n", top)

IsolationForest unggul sebagai starting point: tak butuh label, robust, dan output score-nya bisa diranking untuk triase NOC.

#Langkah 3 — Validasi ala operator

Model tanpa validasi bisnis hanya mainan. Uji tiga hal:

# 1. Precision manual: sampling alert, cek apakah benar-benar bermasalah
sampled = alerts.sample(min(20, len(alerts)), random_state=1)
print(sampled[["cell_id", "date", "util_ma7", "drop_ma3"]])
 
# 2. Lead time: bandingkan tanggal alert vs tanggal tiket OSS per cell
 
# 3. False positive pada cell sehat
healthy = df[~df.cell_id.isin(alerts.cell_id.unique())]
fp = model.predict(healthy[X.columns]).sum() * -1
print(f"FP di cell sehat: {max(fp,0)}")

Metrik yang dibicarakan dengan manajemen bukan F1-score, melainkan: berapa hari lead time dan berapa trip lapangan yang dihindari.

#Common Pitfalls

• Data leakage temporal: melatih model dengan data masa depan (shuffle acak pada time-series). Selalu split berbasis waktu: train sampai bulan M, test bulan M+1.
• Mengotomatisi tanpa guardrail: SON yang salah konfigurasi massal lebih buruk daripada manual. Setiap aksi otomatis butuh batas aman (min/max parameter, rollback).
• Mengejar deep learning duluan: 80% kasus telecom selesai dengan statistik klasik + feature engineering domain. Neural network datang setelah baseline terukur.

#Penutup

Inti yang harus dibawa pulang:

• SON (self-configuration, optimization, healing) adalah AI pertama yang hidup di RAN — dan masih berevolusi.
• Predictive maintenance mengubah operasi reaktif menjadi prediktif; nilainya diukur lead time dan biaya trip lapangan.
• O-RAN RIC (xApp/rApp, E2/A1) adalah platform resmi AI di RAN — membuka karir baru pengembang aplikasi jaringan cerdas.
• Kalian sudah membangun pipeline ML lengkap: fitur domain → deteksi anomali → validasi bisnis.

Di episode 23 kita satukan dua dunia yang selama ini terpisah: fixed-mobile convergence — Wi-Fi calling, unified core, dan masa depan akses tunggal. Sampai jumpa!