1. Pendahuluan
Kalau kita diminta menyebut satu teknologi yang paling diam-diam mengubah hidup manusia dalam 30 tahun terakhir, telekomunikasi hampir selalu masuk daftar teratas. Bukan karena ia paling “terlihat” seperti gedung atau jalan tol, tetapi justru karena ia bekerja seperti jaringan saraf yang tidak kita sadari keberadaannya—sampai ia bermasalah. Saat sinyal hilang, rapat mendadak putus, pembayaran digital gagal, peta tidak memuat lokasi, dan dunia terasa kembali lambat. Di situ kita sadar bahwa telekomunikasi bukan pelengkap, melainkan infrastruktur dasar yang menopang cara kita bekerja, belajar, dan berinteraksi.
Namun ada sisi lain yang jarang dibahas ketika orang merayakan kemajuan telekomunikasi: semakin canggih jaringan, semakin besar pula jejak energinya. Generasi teknologi bergerak dari 2G ke 3G, lalu 4G dan 5G, membawa kecepatan yang lebih tinggi dan latensi yang lebih kecil. Tetapi peningkatan performa ini tidak gratis. Ia dibayar oleh kompleksitas jaringan yang meningkat, jumlah perangkat yang terhubung yang semakin masif, dan kebutuhan energi yang bertambah.
Di titik ini, industri telekomunikasi menghadapi tekanan ganda. Di satu sisi, dunia menuntut jaringan yang makin cepat dan makin stabil. Di sisi lain, dunia juga menuntut industri yang lebih ramah lingkungan, lebih bertanggung jawab secara sosial, dan tetap sehat secara ekonomi. Keberlanjutan atau sustainability bukan lagi sekadar istilah populer, tetapi menjadi parameter baru yang harus dipenuhi oleh industri.
Artikel ini membahas bagaimana machine learning dapat menjadi salah satu kunci untuk menj emphasize telekomunikasi berkelanjutan. Pembahasannya diarahkan untuk melihat telekomunikasi bukan hanya sebagai sistem komunikasi, tetapi sebagai ekosistem yang membutuhkan efisiensi energi, otomatisasi, prediksi, dan keamanan yang semakin kuat. Dalam narasi ini, machine learning tidak diposisikan sebagai teknologi “magis,” tetapi sebagai alat untuk mengelola kompleksitas yang sudah tidak bisa ditangani lagi dengan cara manual.
2. Telekomunikasi dan Keberlanjutan: Infrastruktur Digital yang Mulai Memikul Beban Lingkungan
Ada alasan mengapa telekomunikasi disebut sebagai katalis pertumbuhan ekonomi. Konektivitas mempercepat arus informasi, memperluas akses pasar, dan mendorong digitalisasi berbagai sektor. Bahkan ada data yang menunjukkan bahwa peningkatan penetrasi broadband memiliki korelasi dengan pertumbuhan ekonomi per kapita. Bukan karena internet otomatis membuat semua orang kaya, tetapi karena konektivitas membuka akses terhadap produktivitas: layanan keuangan digital, pendidikan, perdagangan, hingga efisiensi bisnis.
Namun di balik kontribusi ekonomi tersebut, telekomunikasi juga menjadi bagian dari persoalan emisi global. Jejak karbon sektor telekomunikasi meningkat seiring dengan meningkatnya lalu lintas data, pertumbuhan perangkat, dan eskalasi kebutuhan jaringan. Secara lebih luas, sektor ICT berkontribusi pada emisi karbon global, dan sebagian dari kontribusi itu berasal dari sektor komunikasi seluler.
Yang sering membuat isu ini terasa pelik adalah sifat permintaannya. Berbeda dengan industri lain yang bisa mengurangi produksi ketika permintaan turun, permintaan jaringan komunikasi justru cenderung selalu naik. Setiap tahun, jumlah pengguna internet meningkat, konsumsi data meningkat, dan aplikasi digital semakin berat. Video streaming, cloud gaming, video conference, sampai perangkat IoT memadati jaringan. Dengan tren seperti ini, konsumsi energi jaringan akan naik jika tidak ada strategi efisiensi yang serius.
Di sinilah konsep telekomunikasi berkelanjutan menjadi relevan. Keberlanjutan dalam industri telekomunikasi berarti mengembangkan, menggelar, dan mengelola jaringan dengan cara yang menekan dampak negatif pada lingkungan, tetapi tetap menjaga performa layanan dan ketahanan ekonomi jangka panjang. Ia mencakup pengurangan emisi karbon, peningkatan efisiensi energi, serta praktik yang lebih ramah lingkungan termasuk dalam pengelolaan perangkat dan limbah elektronik.
Yang menarik, indikator keberlanjutan telekomunikasi tidak berdiri sendiri. Ia terhubung langsung dengan keputusan teknis jaringan: bagaimana arsitektur dirancang, bagaimana resource dialokasikan, dan bagaimana sistem merespons trafik.
Dalam konteks 5G dan teknologi setelahnya, tantangan ini semakin tajam. 5G membawa teknologi seperti network slicing, edge computing, virtualisasi fungsi jaringan, dan sistem yang semakin software-defined. Semua ini membuka potensi efisiensi, tetapi juga memperbesar kompleksitas operasi. Jaringan menjadi lebih dinamis, tetapi juga lebih sulit dikelola secara manual. Ketika jaringan semakin dinamis, efisiensi energi tidak bisa lagi diserahkan pada pengaturan statis. Ia harus adaptif.
Di titik ini, machine learning hadir sebagai jawaban yang masuk akal. Bukan karena industri ingin mengikuti tren AI, tetapi karena data jaringan yang masif sebenarnya adalah aset yang bisa dipakai untuk membuat keputusan lebih baik. Jaringan telekomunikasi menghasilkan data performa setiap saat: throughput, latensi, utilisasi resource, kegagalan, dan pola trafik. Tanpa sistem cerdas, data ini hanya menjadi tumpukan log. Dengan machine learning, data bisa berubah menjadi prediksi dan keputusan.
Misalnya, prediksi trafik dapat membantu jaringan mengatur resource secara lebih efisien. Dalam jam-jam sepi, sebagian sel atau perangkat dapat masuk mode hemat energi. Dalam jam sibuk, resource dapat diaktifkan kembali dengan respons yang lebih cepat dan lebih akurat. Pola seperti ini menunjukkan bahwa efisiensi energi tidak harus mengorbankan kualitas layanan, asalkan jaringan mampu memprediksi kondisi dan merespons secara adaptif.
Dengan demikian, telekomunikasi berkelanjutan bukan sekadar proyek “mengurangi listrik.” Ia adalah proyek mengelola kompleksitas jaringan modern agar bisa bekerja lebih cerdas, lebih hemat, dan tetap melayani kebutuhan manusia yang terus tumbuh.
3. Machine Learning dalam Jaringan: Prediksi Trafik, Optimasi Resource, dan Zero-Touch Network
Ada satu titik di mana industri telekomunikasi mulai menghadapi persoalan yang tidak bisa diselesaikan hanya dengan menambah perangkat. Ketika trafik meningkat, solusi paling instan memang terlihat sederhana: tambah BTS, tambah kapasitas backhaul, tambah spektrum, tambah perangkat. Tetapi pendekatan “menambah” punya batas yang keras. Ia mahal, boros energi, dan pada akhirnya memperbesar kompleksitas operasi jaringan.
Di sinilah machine learning menjadi masuk akal bukan karena tren AI sedang naik, tetapi karena jaringan modern sudah terlalu kompleks untuk dikelola dengan logika statis. Pada jaringan generasi 5G dan teknologi setelahnya, arsitektur semakin software-defined dan virtualized. Fungsi jaringan dipisahkan dari perangkat kerasnya, sehingga konfigurasi bisa berubah dinamis. Secara teori, dinamika ini memberi fleksibilitas besar. Namun di sisi operasional, fleksibilitas itu datang dengan konsekuensi: jaringan tidak bisa lagi dipantau dan diatur seperti sistem lama.
Machine learning menawarkan sesuatu yang lebih realistis: kemampuan untuk mengelola jaringan berdasarkan pola yang dipelajari dari data jaringan itu sendiri. Di sini, data bukan sekadar laporan performa. Data adalah bahan bakar keputusan.
Salah satu aplikasi yang paling relevan adalah prediksi trafik. Trafik jaringan bukan sekadar naik-turun acak. Ia punya ritme harian, mingguan, bahkan musiman. Ia terhubung dengan perilaku manusia, kalender sosial, dan aktivitas ekonomi. Dengan prediksi trafik, operator dapat mengatur resource lebih adaptif: kapan kapasitas perlu “dibuka,” kapan bisa “dikendurkan” untuk menghemat energi, dan kapan perlu mekanisme mitigasi agar kualitas layanan tidak turun.
Dalam konteks efisiensi energi, prediksi ini penting karena banyak konsumsi energi jaringan berasal dari kondisi “selalu siap.” Jaringan harus selalu on, bahkan ketika pengguna sedang sedikit. Akibatnya, ada energi yang terpakai untuk mempertahankan kesiapan, bukan untuk melayani kebutuhan riil. Jika kondisi jaringan dapat diprediksi, maka sebagian fungsi bisa dipindahkan ke mode hemat energi pada jam sepi, lalu diaktifkan kembali ketika beban naik. Ini bukan penghematan kecil, karena dalam skala nasional, bahkan efisiensi beberapa persen saja dapat berarti pengurangan energi yang signifikan.
Optimasi penggunaan resource juga menjadi alasan besar mengapa machine learning relevan. Resource jaringan tidak hanya berupa daya pancar, tetapi juga spektrum, kanal, antena, beamforming, hingga alokasi komputasi di edge. Banyak keputusan jaringan bersifat real-time, dan keputusan yang diambil beberapa detik lebih cepat bisa membuat jaringan lebih stabil atau justru lebih boros. Machine learning membantu karena ia bisa menangkap hubungan yang kompleks antara variabel performa dan keputusan kontrol jaringan.
Yang menarik, salah satu kata kunci yang mulai muncul dalam industri adalah zero-touch network. Istilah ini menggambarkan arah masa depan operasi jaringan: jaringan yang mampu mengonfigurasi dirinya sendiri, mengoptimasi dirinya sendiri, dan memperbaiki gangguan secara otomatis dengan campur tangan manusia yang minimal. Bukan berarti manusia tidak dibutuhkan, tetapi peran manusia bergeser: dari operator manual menjadi pengarah strategi dan pengawas sistem.
Zero-touch bukan ambisi kosong. Ia lahir karena realitas operasional jaringan semakin tidak ramah untuk cara kerja lama. Jaringan 5G dan beyond menghadirkan banyak komponen baru seperti virtualisasi fungsi jaringan, network slicing, dan integrasi cloud-edge. Setiap elemen ini menambah titik potensi gangguan. Jika semua harus diintervensi manual, biaya operasi bisa membengkak dan waktu pemulihan bisa terlalu lama.
Machine learning di sini menjadi semacam “otak tambahan” yang membantu jaringan membaca dirinya sendiri: mendeteksi anomali, memprediksi potensi kegagalan, dan memilih tindakan korektif yang paling efisien. Dalam bahasa sederhana, jaringan tidak hanya berfungsi sebagai pipa data, tetapi sebagai sistem yang memiliki kemampuan refleks.
Namun penting dicatat, zero-touch network bukan hanya soal kenyamanan operator. Ia juga soal keberlanjutan. Sistem yang lebih otomatis dan lebih prediktif cenderung lebih hemat energi, karena ia mampu menyesuaikan kapasitas dengan kebutuhan. Ia juga mampu mengurangi pemborosan infrastruktur, karena keputusan kapasitas lebih berbasis data, bukan berbasis “perkiraan aman” yang sering berlebihan.
Di titik ini, machine learning berubah dari sekadar teknologi komputasi menjadi alat tata kelola jaringan. Ia mengubah cara industri berpikir: bukan hanya bagaimana menaikkan performa, tetapi bagaimana menaikkan performa dengan biaya energi dan karbon yang lebih rendah.
4. Tantangan Nyata di Indonesia: Kesenjangan Digital, Energi, dan Masa Depan 5G–6G
Kalau kita bicara tentang telekomunikasi berkelanjutan di Indonesia, tantangannya tidak bisa disederhanakan menjadi “hemat listrik jaringan.” Indonesia bukan hanya pasar digital yang besar, tetapi juga negara kepulauan dengan tantangan geografis yang sangat spesifik. Ada kota-kota besar dengan kepadatan trafik tinggi, tetapi ada juga wilayah yang aksesnya masih tertinggal, baik karena faktor ekonomi maupun faktor bentang alam.
Di sisi satu, Indonesia menunjukkan pertumbuhan digital yang impresif. Jumlah perangkat seluler bahkan bisa melebihi jumlah penduduk, dan pengguna internet terus meningkat. Ini mencerminkan betapa konektivitas sudah menjadi kebutuhan dasar, bukan lagi layanan tambahan. Namun fakta yang lebih penting adalah ketidakmerataan. Ada kesenjangan nyata antara wilayah perkotaan dan pedesaan, apalagi di daerah 3T (terdepan, terluar, tertinggal). Dalam situasi seperti ini, telekomunikasi berkelanjutan harus dibaca lebih luas: keberlanjutan juga berarti keadilan akses.
Kesenjangan digital bukan sekadar persoalan kenyamanan. Ia berpengaruh langsung pada peluang ekonomi dan sosial. Akses internet memengaruhi pendidikan, peluang kerja, layanan kesehatan, dan kemampuan masyarakat terhubung dengan sistem administrasi negara yang makin digital. Jadi ketika sebagian wilayah masih sulit mendapatkan layanan, maka keberlanjutan industri telekomunikasi tidak bisa dipisahkan dari agenda pemerataan.
Di lapangan, pemerintah dan industri telah melakukan berbagai upaya untuk memperluas akses, mulai dari pembangunan BTS, perluasan tulang punggung serat optik, hingga pemanfaatan satelit untuk backhaul. Namun tantangannya tetap besar, karena biaya membangun jaringan di wilayah terpencil sering jauh lebih tinggi dibanding potensi pendapatan yang bisa diperoleh operator. Ini adalah dilema struktural: konektivitas dibutuhkan, tetapi model bisnisnya tidak selalu menarik jika hanya mengandalkan mekanisme pasar.
Di sinilah machine learning bisa kembali masuk, bukan sebagai solusi tunggal, tetapi sebagai alat pendukung untuk membuat operasi jaringan lebih efisien. Jika jaringan bisa lebih efisien energi dan lebih optimal dalam penggunaan resource, maka biaya operasional bisa ditekan. Ketika biaya operasional turun, peluang menyediakan layanan di wilayah yang lebih sulit juga meningkat.
Selain pemerataan akses, tantangan lain adalah energi dan emisi. Secara global, jejak karbon sektor telekomunikasi meningkat seiring pertumbuhan trafik dan teknologi. Tetapi menariknya, ada indikasi bahwa peningkatan trafik data tidak selalu harus diikuti peningkatan energi dalam skala yang sama, asalkan ada strategi efisiensi yang serius. Upaya efisiensi energi dapat membuat jaringan mampu melayani pertumbuhan trafik tanpa lonjakan konsumsi energi yang setara. Ini poin penting, karena menunjukkan bahwa keberlanjutan bukan mitos—ia bisa dicapai jika ada optimasi dan inovasi operasional.
Ke depan, tantangan semakin kompleks karena industri bergerak menuju 6G. Jika 5G sudah meningkatkan kompleksitas jaringan secara drastis, maka 6G berpotensi membuat jaringan semakin “intelligent” sejak awal desainnya. Teknologi seperti AI-native architecture, edge intelligence, dan bahkan integrasi konsep baru di komputasi bisa membuat jaringan jauh lebih adaptif, tetapi sekaligus lebih rumit untuk dioperasikan. Dalam kondisi ini, machine learning bukan lagi tambahan fitur, tetapi bagian dari cara jaringan akan hidup.
Namun ada catatan yang penting. Ketika kita mendorong zero-touch dan otomatisasi, keamanan harus ikut diperkuat. Jaringan yang semakin otomatis berarti keputusan semakin banyak diambil oleh sistem. Sistem ini perlu dilindungi dari anomali dan serangan, termasuk malware dan penyalahgunaan akses. Kegagalan keamanan dalam jaringan yang sangat otomatis bisa berdampak lebih besar, karena efeknya bisa menyebar cepat.
Di titik ini, telekomunikasi berkelanjutan di Indonesia harus dilihat sebagai pekerjaan yang bertumpu pada tiga hal yang berjalan bersamaan:
Pertama, efisiensi energi dan emisi, karena pertumbuhan trafik tidak akan berhenti.
Kedua, pemerataan akses, karena konektivitas sudah menjadi kebutuhan sosial-ekonomi.
Ketiga, otomatisasi dan keamanan, karena kompleksitas jaringan membuat operasi manual semakin tidak realistis.
Dalam kombinasi itu, machine learning berperan sebagai alat yang membantu jaringan menjadi lebih cerdas dan lebih efisien. Tetapi keberhasilan jangka panjangnya tetap ditentukan oleh ekosistem: regulasi, investasi, kebijakan pemerataan, kesiapan SDM, dan kemampuan industri untuk membangun sistem yang tidak hanya cepat dan kuat, tetapi juga hemat energi dan adil aksesnya.
5. Efisiensi Energi sebagai Inti: Network Sleep Mode, Virtualisasi, dan Energy-Aware Design
Kalau telekomunikasi berkelanjutan hanya dipahami sebagai “mengurangi emisi,” pembahasannya mudah jatuh menjadi slogan. Yang lebih nyata adalah melihatnya sebagai persoalan operasional: energi apa yang dipakai jaringan setiap hari, mengapa ia terpakai, dan bagian mana yang sebenarnya bisa dibuat lebih hemat tanpa mengorbankan kualitas layanan.
Dalam orasi ini, keberlanjutan diletakkan secara tegas sebagai upaya meminimalkan dampak negatif terhadap lingkungan, melestarikan sumber daya, meningkatkan tanggung jawab sosial, dan memastikan kelangsungan ekonomi jangka panjang. Di industri telekomunikasi, itu berarti pengembangan, penggelaran, dan pengelolaan jaringan harus diarahkan pada efisiensi energi serta pengurangan emisi karbon.
Fakta yang menarik adalah bahwa konsumsi energi jaringan tidak selalu naik sebanding dengan kenaikan trafik, asalkan ada upaya efisiensi yang serius. Dalam orasi ini ditunjukkan bahwa pada tahun 2021 trafik data meningkat cukup besar, tetapi kenaikan konsumsi energi dan emisi karbon tidak setajam kenaikan trafik. Ini memberi pesan penting: efisiensi bukan hal yang mustahil, dan intervensi operasional bisa membuat pertumbuhan digital tidak otomatis berarti pertumbuhan emisi yang sama besarnya.
Salah satu pendekatan yang paling masuk akal dalam efisiensi energi adalah pengaturan resource secara adaptif, berdasarkan kondisi jaringan. Dalam situasi nyata, trafik tidak selalu penuh sepanjang waktu. Ada jam-jam padat dan jam-jam lengang. Jika jaringan tetap beroperasi pada kapasitas maksimum selama 24 jam, maka sebagian besar energi sebenarnya terbuang untuk mempertahankan kesiapan, bukan untuk melayani kebutuhan yang benar-benar terjadi.
Karena itu, mekanisme seperti sleep mode menjadi relevan. Ini bukan konsep abstrak. Prinsipnya sederhana: ketika beban rendah, sebagian komponen jaringan bisa masuk kondisi hemat energi. Ketika beban naik, komponen itu aktif kembali. Di level ide, ini terdengar mudah. Tetapi dalam praktik, ini membutuhkan algoritma yang tidak sekadar “mematikan” dan “menyalakan,” melainkan mengukur kapan tindakan itu aman dilakukan tanpa menurunkan kualitas layanan.
Di sinilah prediksi trafik menjadi bagian yang krusial. Prediksi trafik memungkinkan jaringan melakukan efisiensi bukan berdasarkan tebakan, tetapi berdasarkan perkiraan kondisi yang lebih terukur: apakah beban akan naik dalam beberapa menit ke depan, apakah throughput cenderung turun, apakah ada pola harian yang bisa diandalkan. Dengan cara ini, efisiensi energi menjadi keputusan yang lebih presisi.
Yang menarik, dalam orasi ini juga muncul contoh penerapan teknik prediksi trafik untuk mendukung penghematan energi melalui mekanisme adaptif pada penggunaan resource jaringan. Intinya, sistem tidak dibiarkan statis, tetapi dibuat responsif terhadap perubahan kondisi.
Namun efisiensi energi di telekomunikasi modern tidak hanya soal sleep mode. Ia juga terkait erat dengan perubahan arsitektur jaringan. Pada generasi sebelumnya, banyak fungsi jaringan melekat kuat pada perangkat keras tertentu. Ketika perangkat dibangun seperti itu, efisiensi sering sulit dilakukan karena sistem menjadi kaku. Sementara pada era 5G dan seterusnya, arsitektur bergerak ke arah yang lebih lunak: software-defined, cloud-native, dan virtualized.
Konsep Network Function Virtualization (NFV), misalnya, melepaskan keterkaitan yang ketat antara fungsi jaringan dan hardware. Fungsi jaringan bisa dijalankan sebagai perangkat lunak di infrastruktur komputasi yang lebih fleksibel. Konsekuensinya besar: kapasitas komputasi bisa diatur, beban bisa dipindahkan, resource bisa dikonsolidasi, dan pada akhirnya energi bisa dihemat karena sistem tidak harus selalu hidup di kapasitas tinggi.
Jika ditarik ke level desain, ini menuju satu konsep yang semakin penting: energy-aware design. Artinya, efisiensi energi tidak boleh menjadi fitur tambahan yang ditempel di akhir, tetapi harus menjadi pertimbangan di semua tahapan solusi jaringan. Cara jaringan dirancang, cara algoritma bekerja, hingga cara resource dibagi, semuanya harus mempertimbangkan dampaknya terhadap konsumsi energi.
Pada titik ini, kita bisa melihat bahwa telekomunikasi berkelanjutan membutuhkan perubahan budaya teknis. Jaringan tidak lagi hanya dievaluasi dari kecepatan dan latensi, tetapi juga dari seberapa “bijak” ia menggunakan energi. Dan perubahan budaya ini hanya mungkin jika jaringan punya kemampuan otomatisasi, prediksi, dan optimasi, yang di situlah machine learning masuk bukan sebagai hiasan, tetapi sebagai alat kerja.
6. Kesimpulan: Machine Learning sebagai Alat untuk Menjinakkan Kompleksitas Telekomunikasi Modern
Dari seluruh pembahasan ini, ada satu kesimpulan yang terasa paling kuat: tantangan telekomunikasi hari ini bukan lagi sekadar menyediakan layanan, tetapi mengelola kompleksitasnya. Jaringan berkembang sangat cepat. Setiap generasi membawa terobosan baru, tetapi juga membawa peningkatan kompleksitas. 5G menghadirkan SDN, NFV, slicing, cloud dan edge computing. Ke depan, teknologi akan bergerak lagi, dan tekanan keberlanjutan akan semakin ketat.
Dalam situasi seperti ini, machine learning menjadi alat yang relevan karena ia cocok untuk tiga kebutuhan utama.
Pertama, otomatisasi jaringan. Jaringan modern menghasilkan data dalam jumlah besar, dan data itu bisa dipakai untuk membuat jaringan lebih mandiri dalam mengambil keputusan operasional. Inilah arah yang disebut sebagai zero-touch network, yakni jaringan yang semakin sedikit bergantung pada intervensi manual untuk optimasi dan pemulihan.
Kedua, prediksi perilaku jaringan. Prediksi trafik dan indikator performa membantu jaringan bergerak dari reaktif menjadi proaktif. Bukan menunggu masalah muncul baru bertindak, tetapi membaca potensi kondisi ke depan dan menyesuaikan resource secara lebih adaptif.
Ketiga, optimasi resource. Dengan kompleksitas yang tinggi, efisiensi energi tidak bisa dicapai hanya dengan aturan statis. Dibutuhkan sistem yang mampu menyeimbangkan kualitas layanan dan konsumsi energi secara dinamis, dan machine learning memberi pendekatan yang masuk akal untuk itu.
Di Indonesia, pembahasan ini juga tidak bisa dilepaskan dari kesenjangan digital. Penetrasi perangkat dan internet tinggi, tetapi akses belum merata antara perkotaan dan pedesaan, terutama wilayah 3T. Keberlanjutan telekomunikasi dalam konteks Indonesia berarti dua hal sekaligus: efisiensi energi dan pemerataan akses. Tanpa pemerataan, telekomunikasi hanya menjadi akselerator bagi yang sudah terhubung, sementara yang belum terhubung semakin tertinggal.
Pada akhirnya, telekomunikasi berkelanjutan bukan proyek satu kali, melainkan proses jangka panjang. Ia membutuhkan kombinasi teknologi, kebijakan, investasi, dan kesiapan SDM. Machine learning bukan jawaban tunggal, tetapi ia adalah alat yang makin penting untuk membuat jaringan tetap tumbuh tanpa menjadikan konsumsi energi dan jejak karbon ikut tumbuh tanpa kendali.
Dan mungkin di situlah inti keberlanjutan: bukan menghentikan kemajuan, tetapi memastikan kemajuan bisa terus berjalan tanpa mengorbankan masa depan.
Daftar Pustaka
Hendrawan. (2024). Peran pembelajaran mesin pada industri telekomunikasi berkelanjutan. Orasi Ilmiah Guru Besar, Institut Teknologi Bandung.
International Telecommunication Union. (2020). Measuring digital development: Facts and figures. ITU.
Saad, W., Bennis, M., & Chen, M. (2019). A vision of 6G wireless systems: Applications, trends, technologies, and open research problems. IEEE Network, 34(3), 134–142.
Han, C., Harrold, T., Armour, S., Krikidis, I., Videv, S., Grant, P. M., Haas, H., Thompson, J. S., Ku, I., Wang, C.-X., & Le, A. (2011). Green radio: Radio techniques to enable energy-efficient wireless networks. IEEE Communications Magazine, 49(6), 46–54.
Pham, Q.-V., Fang, F., Ha, V. N., Piran, M. J., Le, M., Le, L. B., Hwang, W.-J., & Ding, Z. (2020). A survey of multi-access edge computing in 5G and beyond: Fundamentals, technology integration, and state-of-the-art. IEEE Access, 8, 116974–117017.