SDM-EONs dan Pembelajaran Mesin: Solusi Optimal untuk Jaringan Optik Masa Depan
Di era telekomunikasi modern, peningkatan eksponensial dalam permintaan kapasitas data telah mendorong perkembangan teknologi jaringan optik. Salah satu inovasi yang paling signifikan adalah penggunaan jaringan optik elastis (Elastic Optical Networks atau EONs), yang memanfaatkan multiplexing divisi ruang (SDM) berbasis serat multi-inti (MCF) untuk memenuhi kebutuhan lalu lintas yang semakin besar. Menurut Ravipudi dan Brandt-Pearce (2024), teknologi ini memberikan solusi atas keterbatasan spektrum pada jaringan berbasis serat tunggal konvensional, yang telah hampir mencapai titik jenuh dalam kapasitasnya. Dengan fleksibilitas spektrum yang lebih tinggi, EON mampu menyediakan jalur optik dinamis yang lebih efisien, sehingga meningkatkan efisiensi penggunaan sumber daya jaringan.
Selain itu, integrasi pembelajaran mesin (ML) ke dalam jaringan optik menjadi faktor utama dalam meningkatkan kinerja jaringan secara keseluruhan. Pembelajaran mesin memungkinkan pemodelan gangguan fisik yang kompleks, seperti crosstalk antar inti dan nonlinearitas serat, yang sering kali membatasi kualitas transmisi (Quality of Transmission atau QoT). Ravipudi dan Brandt-Pearce (2024) menyatakan bahwa metode pembelajaran mesin berbasis jaringan saraf dalam (DNN) dan pengklasifikasi hutan acak (RF) telah terbukti mampu menurunkan probabilitas blocking hingga 57% dibandingkan algoritma konvensional pada jaringan multi-inti. Data ini menegaskan pentingnya inovasi teknologi ini dalam menghadapi tantangan jaringan modern.
Dengan adanya kebutuhan yang terus meningkat untuk transfer data yang lebih cepat dan efisien, penerapan teknologi seperti SDM-EONs yang didukung pembelajaran mesin menjadi faktor kunci dalam mengoptimalkan performa jaringan di masa depan. Penelitian ini tidak hanya memberikan solusi teknis yang canggih, tetapi juga membuka jalan bagi evolusi jaringan optik menuju era otomatisasi yang lebih tinggi dan efisiensi yang lebih baik.
***
Penerapan teknologi canggih dalam jaringan optik, khususnya kombinasi SDM-EONs dan pembelajaran mesin, memberikan dampak signifikan pada peningkatan kapasitas dan efisiensi jaringan telekomunikasi. Salah satu tantangan utama dalam jaringan optik adalah penurunan kualitas transmisi (QoT) yang disebabkan oleh gangguan fisik, seperti crosstalk antar inti dalam serat multi-inti dan non-linearitas serat optik. Ravipudi dan Brandt-Pearce (2024) menyatakan bahwa masalah ini dapat mengakibatkan penurunan kapasitas dan peningkatan probabilitas blocking, yang tentunya berdampak negatif pada pengalaman pengguna. Untuk menghadapi tantangan ini, pembelajaran mesin berperan penting dalam memprediksi dan mengelola gangguan tersebut secara real-time.
Salah satu kontribusi utama dari artikel ini adalah penggunaan algoritma pembelajaran mesin berbasis jaringan saraf dalam (DNN) untuk memilih jalur dan inti yang optimal dalam jaringan elastis. Algoritma ini dilatih menggunakan optimisasi metaheuristik, yaitu algoritma Jaya, yang mampu meningkatkan akurasi prediksi QoT secara signifikan. Berdasarkan data penelitian mereka, implementasi DNN mampu menurunkan probabilitas blocking hingga 57% pada jaringan multi-inti 7-core dan 35,8% pada jaringan multi-inti 12-core dibandingkan dengan metode konvensional yang hanya mengandalkan pendekatan KSP (K-Shortest Path). Penurunan blocking yang signifikan ini menunjukkan bahwa pembelajaran mesin tidak hanya dapat meningkatkan kinerja jaringan, tetapi juga memungkinkan penyediaan layanan yang lebih andal di bawah beban lalu lintas yang tinggi.
Dari perspektif ekonomi jaringan, penerapan pembelajaran mesin dalam alokasi sumber daya dinamis seperti routing, pemilihan spektrum, dan pemilihan modulasi, menciptakan efisiensi operasional yang besar. Kemampuan pembelajaran mesin dalam memperhitungkan faktor-faktor seperti gangguan fisik, penggunaan spektrum, dan ketersediaan sumber daya memungkinkan pengelolaan jaringan yang lebih optimal. Sebagai contoh, algoritma yang diusulkan oleh Ravipudi dan Brandt-Pearce (2024) terbukti mampu mengurangi probabilitas blocking bandwidth (BBP) hingga 53,8% pada jaringan 7-core, dibandingkan dengan algoritma berbasis KSP konvensional. Efisiensi ini berdampak langsung pada penurunan biaya operasional karena sumber daya jaringan digunakan secara lebih efisien, dan kemampuan jaringan untuk menangani lalu lintas yang lebih besar tanpa perlu investasi besar dalam infrastruktur tambahan meningkat secara signifikan.
Lebih jauh lagi, integrasi pembelajaran mesin dalam pengelolaan jaringan optik memungkinkan pemrosesan data yang lebih cepat dan lebih efisien. Data dari artikel tersebut menunjukkan bahwa penggunaan pengklasifikasi hutan acak (RF) untuk estimasi noise mengurangi waktu komputasi hingga 1,7 kali lebih cepat dibandingkan model QoT berbasis Gaussian (GN). Pengurangan waktu komputasi ini tidak hanya mengurangi latensi dalam pengelolaan jaringan, tetapi juga meningkatkan kapasitas jaringan dalam merespons permintaan lalu lintas yang dinamis. Dalam konteks ini, penerapan pembelajaran mesin tidak hanya menjadi inovasi teknis, tetapi juga memberikan dampak yang signifikan dalam meningkatkan profitabilitas dan efisiensi dalam industri telekomunikasi.
***
Penerapan teknologi pembelajaran mesin dalam jaringan optik elastis berbasis multi-inti (SDM-EONs) jelas membawa dampak signifikan bagi peningkatan kinerja dan efisiensi jaringan telekomunikasi. Dengan penurunan probabilitas blocking yang mencapai hingga 57% dan waktu komputasi yang lebih efisien, inovasi ini menjanjikan pengelolaan jaringan yang lebih optimal. Hal ini sejalan dengan tuntutan ekonomi jaringan modern yang membutuhkan solusi yang mampu menangani pertumbuhan eksponensial dalam lalu lintas data. Efisiensi yang dihasilkan oleh teknologi ini tidak hanya berkontribusi pada peningkatan kapasitas jaringan, tetapi juga mengurangi biaya operasional dan investasi infrastruktur.
