Perpustakaan Digital ITB

Internet of Things (IoT) merupakan gambaran perkembangan saat sensor dan kecerdasan ditambahkan ke item perangkat keras dan memiliki hubungan dengan internet. Karakteristik dari penggunaan IoT ini mendukung pengiriman data dalam bentuk multimedia. Namun, hal ini menimbulkan suatu masalah karena data multimedia menimbulkan bandwidth yang besar dan sensitif dengan penundaan. Beberapa penelitian sebelumnya telah memberikan usulan arsitektur M-IoT untuk menganalisis, memproses, dan menggunakan sumber daya dengan lebih andal. Selain itu, masalah lain Multimedia IoT terletak pada lalu lintas multimedianya. Masalah ini juga berkaitan dengan permasalahan pada Wireless Sensor Network (WSN) yaitu permasalahan dalam pengiriman data yang berkualitas tinggi, sedangkan perangkat yang digunakan adalah perangkat dengan sumber daya terbatas. Berdasarkan hal tersebut, maka perlu adanya solusi untuk meningkatkan permasalahan pengiriman data dengan meningkatkan kualitasnya sehingga dapat memperbaiki kualitas dari Quality of Experience (QoE). Untuk memperoleh tujuan dalam memperbaiki pengiriman data maka perlu adanya manajemen jaringan yang baik dengan memperhatikan kecepatan jaringan yaitu throughput. Sehingga diperlukan analisis dan prediksi throughput untuk memanajemen jaringan. Prediksi throughput yang baik dapat mengukur QoE secara signifikan, dimana QoE ini menunjukkan kemampuan suatu jaringan dalam memberikan layanan yang baik. Oleh karena itu, penelitian ini menganalisis cara memprediksi throughput Wireless Sensor Networks. Pertama, hal yang dilakukan adalah studi banding dengan prediksi throughput di Multimedia IoT. Selanjutnya, melakukan mengembangkan kerangka kerja prediksi berbasis pembelajaran mesin. Kerangka Kerja Prediksi Throughput mengidentifikasi karakteristik yang paling penting dan menggunakan karakteristik ini untuk memprediksi throughput secara real-time. Tahap yang terakhir adalah bereksperimen dengan kerangka kerja tersebut. Evaluasi menunjukkan bahwa prediksi WSN-IoT cukup baik. Untuk waktu, perincian 1 detik, Mean Absolute Percentage Error (MAPE) untuk semua skenario yang diselidiki berada di kisaran satu sampai 8 persen.