Update Artikelilmiah: 47272

STEPHEN PRASETYA CHRISMAWAN

NIM

Judul Artikel

Abstrak (Bhs. Indonesia)

Internet of Things (IoT) berkembang pesat dengan jumlah perangkat mencapai lebih dari 18 miliar pada tahun 2024, yang sangat bergantung pada infrastruktur internet cepat seperti 5G, cloud network, dan edge network. Dalam konteks edge caching network, algoritma cache replacement memainkan peran penting, termasuk algoritma optimasi eksak dan metaheuristik seperti algoritma genetika (GA). Namun, GA memiliki kelemahan berupa potensi terjebak pada local optimum yang membatasi nilai profit. Penelitian ini mengusulkan modifikasi GA dengan algoritma greedy untuk meningkatkan nilai fitness dan efektivitas cache replacement. Modifikasi dilakukan dengan mengganti metode inisiasi populasi menggunakan pendekatan greedy dalam dua bentuk, yaitu full-greedy dan half-greedy. Selain itu, tahap akhir generasi memperbaiki kromosom yang melebihi kapasitas cache. Hasil penelitian menunjukkan bahwa GA full greedy memiliki nilai fitness awal tertinggi, sementara GA half greedy unggul secara keseluruhan dalam median nilai fitness, matriks hit ratio, dan Latency Saving Ratio (LSR). Pada empat set data, GA half greedy menunjukkan dominasi dalam hit ratio dengan selisih hingga 3% dibandingkan GA full greedy dan hingga 25% dibandingkan GA klasik. Secara keseluruhan, penelitian ini berhasil memenuhi tujuan yang ditetapkan, menunjukkan bahwa GA half greedy lebih unggul untuk optimasi data offloading pada edge caching network.

Abtrak (Bhs. Inggris)

The Internet of Things (IoT) is rapidly expanding, with over 18 billion devices projected by 2024, relying heavily on fast internet infrastructures like 5G, cloud networks, and edge networks. In edge caching networks, cache replacement algorithms, including exact optimization and metaheuristic approaches like Genetic Algorithms (GA), play a crucial role. However, GA's tendency to get trapped in local optima limits its effectiveness. This study proposes a modified GA incorporating a greedy algorithm to improve fitness values and cache replacement efficiency. The modification involves a greedy-based population initialization in two variants full-greedy and half-greedy along with adjustments to chromosomes exceeding cache capacity in the final generation. Results show that the full-greedy GA achieves the highest initial fitness, while the half-greedy GA excels overall, outperforming in median fitness, hit ratio matrix, and Latency Saving Ratio (LSR). Across four datasets, the half-greedy GA demonstrated up to a 3% advantage in hit ratio over the full-greedy GA and up to 25% over the classical GA, proving it more effective for optimizing data offloading in edge caching networks.

Kata kunci

Pembimbing 1

Pembimbing 2

Pembimbing 3

Tahun

Jumlah Halaman