Perpustakaan Digital ITB

Percepatan transformasi digital telah mendorong evolusi Internet of Things (IoT) menjadi paradigma Multimedia Internet of Things (M-IoT), yang ditandai dengan ledakan volume data visual dan audio. Karakteristik data multimedia yang berukuran masif dan memiliki sensitivitas tinggi terhadap latensi menghadirkan tantangan fundamental dalam penjaminan Quality of Service (QoS), terutama dalam menjaga keseimbangan dinamis antara latensi rendah, throughput tinggi, dan efisiensi sumber daya komputasi. Untuk mengatasi keterbatasan komputasi pada perangkat, arsitektur hibrida Edge-Cloud diadopsi secara luas. Namun, tinjauan literatur mengungkap sebuah kesenjangan penelitian yang mendasar yaitu sebagian besar studi yang ada cenderung menangani strategi optimasi komputasi (Task Offloading) dan strategi optimasi jaringan (Pengiriman Data Adaptif) sebagai dua domain masalah yang terisolasi. Pendekatan parsial ini mengabaikan ketergantungan lintas-domain (cross-domain dependency) yang inheren dalam sistem M-IoT, sehingga keputusan offloading menjadi tidak efektif jika jaringan mengalami kongesti, dan sebaliknya, pengiriman data berkualitas tinggi menjadi tidak berguna jika server tujuan mengalami kelebihan beban. Akibatnya, sistem seringkali menghasilkan solusi sub-optimal yang bersifat reaktif dan rentan. Penelitian ini bertujuan untuk mengatasi masalah tersebut dengan merancang, mengembangkan, dan memvalidasi Kerangka Kerja JATO (Joint Adaptive Task- offloading and Transmission Optimization). Penelitian dilakukan mengikuti paradigma Design Science Research (DSR), dengan artefak utama berupa sebuah mekanisme orkestrasi cerdas berbasis algoritma Deep Reinforcement Learning (DRL), secara spesifik menggunakan arsitektur Deep Q-Network (DQN). Kebaruan utama dari penelitian ini terletak pada kemampuan agen JATO untuk mempelajari sebuah kebijakan terpadu (unified policy) yang mampu membuat keputusan gabungan (joint action) secara simultan. Kebijakan ini menjawab pertanyaan "di mana" sebuah tugas harus diproses (lokasi komputasi) dan "bagaimana" data harus dikirimkan (resolusi pengiriman) dalam satu langkah inferensi, berdasarkan observasi vektor keadaan (state vector) yang komprehensif mencakup kondisi latensi jaringan, bandwidth, dan utilisasi CPU edge. ii Validasi penelitian dilakukan melalui dua tahap eksperimental yang rigor. Tahap pertama melibatkan simulasi komputasional ekstensif untuk membuktikan konvergensi algoritma dan perilaku adaptif agen. Tahap kedua melibatkan implementasi prototipe fisik (proof-of-concept) menggunakan perangkat Gateway berbasis Raspberry Pi untuk memverifikasi kelayakan teknis dalam kondisi dunia nyata. Evaluasi kinerja dilakukan secara komparatif terhadap tiga kebijakan baseline yang terdiri dari Edge-Only (strategi greedy), Cloud-Only (strategi konservatif), dan Reactive (strategi berbasis aturan statis). Pengujian mencakup skenario operasional normal serta uji ketahanan (stress testing) di bawah kondisi kemacetan jaringan dan kelebihan beban komputasi. Hasil analisis kuantitatif pada lingkungan prototipe fisik menunjukkan bahwa Kerangka Kerja JATO mampu memberikan utilitas sistem terbaik meskipun dihadapkan pada saturasi bandwidth fisik. JATO berhasil mempertahankan Kualitas Layanan Rata-rata (Average Service Quality - ASQ) maksimal pada skor 8,00, jauh mengungguli kebijakan Reactive (3,01) yang mengalami degradasi kualitas visual signifikan. Meskipun prioritas terhadap kualitas ini menghasilkan konsekuensi pada latensi rata-rata (618,94 ms) akibat batasan fisik jaringan, JATO terbukti paling efisien dalam manajemen sumber daya dengan menjaga utilisasi CPU Edge tetap rendah dan menghindari kemacetan komputasi yang dialami oleh Edge-Only. Analisis perilaku mengonfirmasi kecerdasan adaptif JATO yang secara proaktif mengalihkan beban ke Cloud saat mendeteksi lonjakan beban komputasi pada Edge. Puncak dari evaluasi ini adalah Penilaian Kinerja Holistik menggunakan metode Simple Additive Weighting (SAW), dengan hasil JATO meraih peringkat pertama dengan skor 0,9321, mengungguli Edge-Only (0,8994) dan Cloud-Only (0,6000). Temuan ini secara empiris menyimpulkan bahwa pendekatan optimasi gabungan berbasis AI memberikan solusi manajemen sumber daya yang paling tangguh dan seimbang untuk ekosistem M-IoT.