Perpustakaan Digital ITB

Munculnya jaringan Industrial Internet of Things (IIoT) membawa tantangan yang signifikan dalam hal alokasi sumber daya, khususnya dalam menjamin distribusi daya yang cerdas dan berlangsung secara real-time terhadap sejumlah besar node sensor. Efisiensi alokasi daya menjadi aspek yang sangat krusial untuk mencapai efisiensi energi yang tinggi, terutama di lingkungan industri yang menuntut pemenuhan terhadap persyaratan minimum data rate pada setiap node, di tengah keterbatasan ketersediaan daya. Penelitian ini mengusulkan pendekatan berbasis Deep Reinforcement Learning (DRL) dengan menggunakan algoritma Deep Deterministic Policy Gradient (DDPG) untuk mengoptimalkan alokasi daya pada sistem IIoT. Tujuan utama dari pendekatan ini adalah untuk memaksimalkan efisiensi energi secara menyeluruh di tingkat sistem, dengan tetap memastikan bahwa setiap node memenuhi persyaratan minimum data rate, serta menjaga agar total konsumsi daya tidak melebihi batas maksimum yang telah ditentukan. Untuk mendukung pencapaian tujuan tersebut, dirancang sebuah fungsi reward khusus yang secara eksplisit mengintegrasikan berbagai kendala sistem ke dalam proses pembelajaran. Dengan demikian, agen DDPG dapat mempelajari kebijakan alokasi daya yang secara implisit mematuhi batasan-batasan sistem yang berlaku. Hasil simulasi menunjukkan bahwa metode yang diusulkan mampu memberikan kinerja yang lebih baik dibandingkan dengan kebijakan alokasi acak yang dijadikan sebagai pembanding (baseline), dengan peningkatan efisiensi energi hingga 3,5 hingga 5 kali lebih tinggi pada berbagai skenario kepadatan node. Temuan ini menunjukkan bahwa algoritma DDPG efektif dalam mempelajari strategi alokasi daya yang adaptif dan sadar terhadap kendala, serta memiliki potensi yang tinggi untuk diterapkan pada jaringan IIoT industri yang bersifat skalabel dan hemat energi.