Ericsson Perkenalkan AI in RAN, Dorong Jaringan 5G Lebih Cerdas dan Efisien

JAKARTA– Perkembangan layanan berbasis kecerdasan buatan (AI) mendorong kebutuhan akan jaringan seluler yang semakin andal, cepat, dan efisien. Menjawab tantangan tersebut, Ericsson memperkenalkan AI in RAN, sebuah layanan perangkat lunak yang menempatkan kecerdasan buatan langsung di dalam jaringan akses radio (Radio Access Network/RAN) untuk meningkatkan performa, efisiensi, dan penghematan energi pada jaringan 5G.

Teknologi terbaru ini memungkinkan model AI kelas telekomunikasi berjalan secara real-time pada perangkat baseband dan radio tanpa memerlukan perangkat lunak tambahan. Melalui pendekatan tersebut, operator telekomunikasi dapat memanfaatkan kecerdasan buatan untuk mengoptimalkan jaringan yang telah ada melalui pembaruan berbasis software.

President Director Ericsson Indonesia, Nora Wahby, mengatakan bahwa AI kini menjadi penggerak utama inovasi di berbagai sektor industri dan menciptakan kebutuhan baru terhadap konektivitas, performa, serta otomasi jaringan.

“Dengan AI in RAN, Ericsson membantu penyedia layanan memanfaatkan AI untuk meningkatkan efisiensi jaringan dan relevansi jangka panjang, sekaligus membantu operator memenuhi permintaan data yang lebih besar di tengah tantangan investasi. Kemampuan ini juga diharapkan mampu mendukung visi Indonesia Digital 2045 dengan menguatkan fondasi jaringan yang cerdas, efisien, dan berkelanjutan,” ujarnya melalui siaran pers pada hari Jumat (12/6).

Di Indonesia, teknologi ini dinilai relevan mengingat kebutuhan investasi pengembangan jaringan 5G yang terus meningkat. Data dari GSMA menunjukkan investasi yang dibutuhkan untuk pengembangan 5G di Indonesia mencapai sekitar 18 miliar dolar AS atau setara Rp324 triliun, dan berpotensi meningkat hingga 50 miliar dolar AS pada 2030.

Sementara itu, Kementerian Komunikasi dan Digital menargetkan cakupan layanan 5G mencapai 32 persen pada 2030. Dengan semakin tingginya kebutuhan konektivitas di sektor industri, bisnis, pemerintahan, dan masyarakat, optimalisasi jaringan berbasis AI dipandang dapat membantu operator meningkatkan efisiensi spektrum, memperbaiki pengalaman pengguna, sekaligus mengurangi konsumsi energi.

AI Dirancang Khusus untuk Kebutuhan Telekomunikasi

Ericsson menjelaskan bahwa model AI yang digunakan dalam AI in RAN dikembangkan secara khusus untuk kebutuhan telekomunikasi. Teknologi ini mampu memproses data dan mengambil keputusan dalam hitungan mikrodetik sehingga dapat beradaptasi dengan kondisi jaringan radio yang dinamis.

Kemampuan tersebut didukung oleh Ericsson Silicon, chip khusus yang memungkinkan pemrosesan AI dilakukan secara hemat energi langsung di perangkat radio. Selain itu, generasi terbaru RAN Compute serta software Cloud RAN memungkinkan implementasi AI yang fleksibel pada berbagai platform jaringan.

Fitur awal AI in RAN mulai tersedia pada kuartal kedua 2026 dan akan terus dikembangkan sepanjang tahun. Beberapa kemampuan utama yang ditawarkan antara lain AI-native Scheduler untuk optimasi alokasi sumber daya jaringan, AI-powered Positioning guna meningkatkan akurasi penentuan lokasi pengguna, serta AI-managed Beamforming yang secara otomatis mengoptimalkan kualitas sinyal.

Selain itu, teknologi ini juga menghadirkan AI-powered Multi-layer Coordination untuk meningkatkan koordinasi antar lapisan jaringan, sistem Performance Management yang lebih canggih, serta Augmented Observability yang memberikan visibilitas lebih tinggi terhadap cara AI bekerja dan mengambil keputusan di dalam jaringan.

Telah Diuji di Berbagai Jaringan Komersial

Menurut Ericsson, AI in RAN telah diuji melalui lebih dari 15 implementasi dan uji coba di berbagai negara. Hasilnya menunjukkan peningkatan kecepatan downlink hingga 20 persen dan efisiensi spektrum hingga 10 persen.

Teknologi tersebut juga diklaim mampu mendukung hingga dua kali lebih banyak pengguna dengan trafik tinggi, menghadirkan akurasi prediksi cakupan jaringan mencapai 90–95 persen, serta meningkatkan presisi layanan penentuan lokasi pengguna hingga lima kali lipat dibandingkan metode sebelumnya.