Perpustakaan Digital ITB

Teknologi Software Defined Network muncul sebagai solusi dalam mengelola jaringan karena memungkinkan jaringan dapat diprogram dan dikontrol secara terpusat. Congestion merupakan salah satu faktor yang menyebabkan kinerja jaringan (Quality of Service) menurun. Beberapa teknik yang digunakan dalam mengatasi Congestion dengan load balancing, algoritma Jhonson, Algoritma Dijkstra, Algoritma Routing, dan Reinforcement Learning. RSCAT salah satu pendekatan Congestion control yang memanfaatkan Reinforcement Learning untuk mendeteksi dan memberikan aksi saat terjadi Congestion. Namun, masih terdapat permasalahan pada traffic yang dinamis serta kinerja jaringan yang belum maksimal. Algoritma RL+ (plus) menjadi solusi dalam menyelesaikan masalah diatas. Algoritma RL+ dibandingkan dengan algoritma Dijkstra dalam simulasi pengujian menggunakan mininet untuk mendapatkan nilai Delay, Jitter, dan Throughput pada protokol TCP dan UDP. Pengujian dilakukan dengan tools D-ITG dan Iperf3 dengan beban jaringan yang berbeda. Hasil menunjukkan bahwa algoritma RL+ dapat mengatasi Congestion lebih baik dari pada algoritma Dijkstra. Pada topologi mesh, Algoritma RL+ menunjukkan penurunan delay hingga 34,4% lebih rendah dibandingkan Algoritma Dijkstra, terutama pada skenario payload tinggi. Pada skenario tanpa Background Traffic, Delay TCP sebesar 4,973 ms, Jitter 0,0091 ms dan Throughput RL+ pada skenario dengan Background Traffic mencapai 93,9 Mbps pada payload 75%. Dari segi throughput, Algoritma RL+ memiliki nilai throughput lebih tinggi hingga 94,2 Mbps, sementara Algoritma Dijkstra mengalami penurunan throughput signifikan, hanya mencapai 57,7 Mbps pada payload tinggi, dengan tingkat kehilangan paket yang lebih tinggi dibandingkan Algoritma RL.