Artikel Terbaru

ANALISIS STATISTIK DAN MODEL PREDIKSI THROUGHPUT PADA WIRELESS SENSOR NETWORK MULTIMEDIA MENGGUNAKAN PEMBELAJARAN MESIN MENDALAM DENGAN ARSITEKTUR LONG SHORT TERM MEMORY

Oleh   Mokhamad Arfan Wicaksono [23519034]
Kontributor / Dosen Pembimbing : Dr. Yoanes Bandung, S.T., M.T.;
Jenis Koleksi : S2 - Tesis
Penerbit : STEI - Informatika
Fakultas : Sekolah Teknik Elektro dan Informatika (STEI)
Subjek :
Kata Kunci : M-IoT, SDN, perangkat tertanam, analisis data, pembelajaran mesin
Sumber :
Staf Input/Edit : Irwan Sofiyan  
File : 1 file
Tanggal Input : 2021-09-28 10:14:20

Perkembangan teknologi Internet of Things (IoT) saat ini sangat melesat dengan banyaknya perangkat tertanam yang dapat dimanfaatkan untuk menyelesaikan berbagai permasalahan di dunia. Multimedia IoT (M-IoT) adalah tren IoT yang berfokus pada penerapan sensor multimedia dan secara umum melibatkan data multimedia. Salah satu implementasi dari M-IoT pada lapisan infrastruktur adalah dengan jaringan nirkabel yang dapat disebut Wireless Sensor Network (WSN). Kinerja dari WSN dapat dinilai dengan mengukur throughput dari komunikasi pada jaringan tersebut. Dengan teknologi yang ada saat ini, data throughput komunikasi pada WSN dapat diambil untuk kebutuhan tertentu. Beberapa peluang yang dapat dilakukan dari data yang dapat diperoleh adalah analisis statistik dalam rangka memahami data lebih dalam dan pemodelan pembelajaran mesin mendalam dalam rangka memprediksi nilai throughput mendatang. Pada penelitian ini, dilakukan analisis data throughput pada sistem WSN multimedia untuk mengamati karakteristik dari WSN multimedia tersebut. Selain itu, pada penelitian ini, model pembelajaran mesin mendalam dirancang untuk memprediksi nilai throughput ke depan dengan acuan arsitektur Long Short Term Memory (LSTM). Sistem WSN acuan yang digunakan adalah WSN multimedia berbasis software defined network (SDN) dengan protokol komunikasi Constrained Application Protocol (CoAP) yang dimodifikasi dengan tambahan parameter panjang sequence dan kemampuan kontroler untuk menerima informasi throughput. Analisis dilakukan dengan mengamati pengaruh parameter uji yaitu jumlah perangkat dan panjang sequence terhadap nilai throughput. Selanjutnya pemodelan dengan regresi dilakukan untuk memprediksi nilai throughput terhadap parameter uji. Model tersebut digabungkan dengan pembelajaran mesin mendalam yang dirancang dengan berbagai tingkat kompleksitas dan mengacu kepada arsitektur LSTM many-to-many. Evaluasi dilakukan dengan mengukur keakuratan arsitektur tersebut dalam memprediksi dan durasi eksekusinya. Hasil dari evaluasi menunjukkan bahwa penambahan model regresi sedikit meningkatkan akurasi prediksi throughput, semakin kompleks arsitektur maka akurasi juga sedikit meningkat namun waktu eksekusi menjadi lebih lama dan underfitting masih terindikasi pada seluruh model.