Planet AIM - Propagasi Model dengan konsep AI

AIM Model

1. Konsep Utama

• AIM adalah generasi baru model propagasi berbasis machine learning dan AI, menggantikan pendekatan klasik seperti Okumura-Hata atau COST231.

• Didukung neural network terlatih yang bisa memilih algoritma terbaik (misalnya diffraction vs ray-launching) sesuai kondisi di tiap titik dalam studi prediksi .

• Cakupan frekuensi luas: 140 MHz – 80 GHz, relevan untuk 4G, 5G, hingga mmWave .

---

2. Komponen Propagasi yang Dimodelkan

• Vertical components: diffraction (Epstein-Peterson multi-edge), vertical incidence angle, foliage loss, rooftop modeling .

• Horizontal components: reflection, diffraction, ray paths → dipakai jika ray launching diaktifkan (umumnya untuk micro/pico cell) .

• In-building penetration: mendukung basic, standard, advanced algorithms untuk menghitung out-to-in loss dan in-to-in loss .

• Meteorological conditions: termasuk atmospheric attenuation & rain fade (penting untuk >6 GHz dan mmWave) .

• Antenna masking: dua metode (Berg vs Original), Berg direkomendasikan karena lebih akurat, namun sebaiknya kita bandingkan kembali dengan original method.

---

3. AI & Machine Learning

• AIM melakukan scene analysis untuk mengenali tipe area (dense urban, suburban, rural, dll.).

• Setiap titik prediksi bisa diputuskan oleh AI engine apakah perlu ray-launching atau cukup difraksi klasik.

• Neural network bisa ditingkatkan akurasinya melalui model tuning dengan data drive test .

---

4. Model Tuning (Kalibrasi)

• Full tuning: hanya menggunakan data drive test → sangat akurat tapi risiko overfitting.

• Balanced tuning: menggabungkan drive test dengan pre-calibrated dataset → lebih stabil untuk generalisasi .

• Ada interpolasi: setelah jarak 150% d_max (drive test coverage), model kembali fallback ke pre-calibrated data .

---

5. Persyaratan Data (Geodata)

• DTM (terrain heights)

• Clutter / clutter height grids

• Polygon files: buildings, vegetation, suspended structures

• Environment Category files: definisi khusus untuk propagation class (Building, Vegetation, Suspended Structure, Other)

---

6. Kebutuhan Resource

• AIM intensif terhadap hardware:

  • RAM rule of thumb: untuk resolusi 5m + polygon + radius 5 km → butuh 6 GB RAM per core. Misal 8 threads = ±54 GB RAM .

  • Prediction distance dan jumlah RX heights (3D slices) sangat mempengaruhi resource.

---

7. Lisensi

• Ada dua tipe: Standalone (node-locked) & Floating (shared).

• Lisensi dibeli dalam paket 4 Calc licenses → tiap core prediction pakai 1 license .

---

8. Kelebihan AIM Dibanding Model Lama (UM/Clutter-based)

• Lebih akurat di urban padat berkat kombinasi ray-launching + AI.

• Mendukung in-building prediction tanpa perlu indoor model terpisah.

• Bisa otomatis menyesuaikan metode propagasi sesuai kondisi (adaptif).

• Bisa dituning dengan lokal drive test, tapi tetap punya fallback ke pre-trained global dataset.

---

🎯 Insight

• AIM adalah future-proof propagation model, siap untuk 5G, mmWave, dan use-case urban kompleks.

• Untuk engineering: pahami proses tuning, kebutuhan hardware, serta integrasi dengan geodata agar bisa optimal.

• akurasi tinggi di urban (Jakarta, Medan, Palembang) + dukungan untuk in-building dan rain attenuation → relevan untuk 5G rollout Indonesia.

---

contact local service : CAA 089637640833