Cloud Task Scheduling Menggunakan Crow Search Algorithm dan Opposition Based Learning

Farid, Ahmad Lam`aul (2023) Cloud Task Scheduling Menggunakan Crow Search Algorithm dan Opposition Based Learning. Other thesis, Institut Teknologi Sepuluh Nopember.

Text 05111940000134-Undergraduate_Thesis.pdf - Accepted Version Restricted to Repository staff only until 1 October 2025. Download (3MB) | Request a copy

Abstract

Manajemen sumber daya cloud yang baik merupakan syarat penting bagi penyedia layanan agar sumber daya cloud yang ada dapat dikelola lebih optimal tanpa melanggar Service Level Agreement (SLA) yang telah ditetapkan. Jumlah tugas yang harus ditangani oleh cloud computing terbilang sangat besar akibat permintaan sumber daya yang terus meningkat, sehingga diperlukan suatu mekanisme penjadwalan tugas yang efisien. Namun, penggunaan algoritma penjadwalan tugas menjadi tantangan besar dalam mengoptimalkan penggunaan sumber daya cloud. Untuk dapat mengatasi masalah tersebut, diadakanlah penelitian menggunakan Crow Search Algorithm (CSA) yang terinspirasi dari tingkah laku burung gagak dalam menyembunyikan makanan dan implementasi Opposition Based Learning (OBL) untuk meningkatkan CSA dengan teknik pembelajaran yang menggunakan informasi yang tidak sesuai dengan apa yang diharapkan. Pada penelitian ini, dilakukan pengujian dalam dua skenario menggunakan simulasi lingkungan cloud dengan CloudSim. Skenario pertama menggunakan Crow Search Algorithm (CSA) dan untuk skenario kedua menggunakan metode hibridasi Crow Search Algorithm dan Opposition Based Learning (CSA-OBL). Pada masing-masing skenario akan menggunakan tiga dataset untuk pengujiian yaitu dataset dari SDSC, Stratified Random, dan Simple Random. Fungsi objektif pada penelitian ini adalah untuk mengurangi Makespan dan meningkatkan Resource Utilization serta Throughput pada sistem penjadwalan tugas berbasis cloud. Hasil penelitian menunjukkan bahwa CSA secara signifikan mengurangi Makespan sebesar 37% hingga 55%, meningkatkan Resource Utilization sebesar 41% hingga 59%, dan Throughput sebesar 38% hingga 55% dibandingkan dengan Genetic Algorithm (GA) dalam penjadwalan tugas berbasis cloud. Selanjutnya, dengan memasukkan OBL ke dalam CSA, terdapat peningkatan performa sebesar 1% hingga 3% dalam Makespan, Resource Utilization, dan Throughput, terutama pada dataset yang memiliki tingkat variasi besaran data tinggi. Namun, pada data yang cukup seragam, penggunaan CSA tanpa OBL lebih disarankan. Secara keseluruhan, penelitian ini menyimpulkan bahwa penggunaan CSA dalam sistem penjadwalan tugas memberikan hasil yang sangat menguntungkan, terutama dalam mengurangi Makespan dan meningkatkan Resource Utilization serta Throughput. Penggunaan OBL dalam CSA dapat memberikan peningkatan performa tambahan, terutama pada dataset dengan variasi besaran data tinggi.
=================================================================================================================================
Effective resource management is a crucial requirement for cloud service providers to optimize resource utilization while adhering to Service Level Agreements (SLAs). Due to the increasing demand for resources, cloud computing faces the challenge of handling a significant number of tasks. Hence, an efficient task scheduling mechanism is necessary. However, selecting appropriate task scheduling algorithms poses a major challenge in optimizing resource utilization in the cloud. To address this issue, this research explores the application of Crow Search Algorithm (CSA), inspired by the foraging behavior of crows, and implements Opposition Based Learning (OBL) to enhance CSA by leveraging learning techniques that incorporate unexpected information. This study conducts experiments using two scenarios in a cloud simulation environment utilizing CloudSim. The first scenario employs the Crow Search Algorithm (CSA), while the second scenario applies a hybrid approach combining Crow Search Algorithm and Opposition Based Learning (CSA-OBL). Three datasets, namely SDSC, Stratified Random, and Simple Random, are used for evaluation in each scenario. The objective function of this research aims to reduce Makespan and improve Resource Utilization and Throughput in cloud-based task scheduling systems. The research findings reveal that CSA significantly reduces Makespan by 37% to 55%, increases Resource Utilization by 41% to 59%, and improves Throughput by 38% to 55% compared to Genetic Algorithm (GA) in cloud-based task scheduling. Furthermore, incorporating OBL into CSA results in performance improvements of 1% to 3% in Makespan, Resource Utilization, and Throughput, particularly for datasets with high data variation. However, for relatively uniform data, the use of CSA without OBL is recommended. In conclusion, this research concludes that the utilization of CSA in task scheduling systems yields substantial benefits, particularly in reducing Makespan and improving Resource Utilization and Throughput. The inclusion of OBL in CSA offers additional performance enhancements, especially for datasets with high data variation. This study contributes significantly to enhancing the efficiency and performance of task scheduling through innovative algorithmic approaches in cloud-based environments.

Item Type:	Thesis (Other)
Uncontrolled Keywords:	Cloud Computing, Crow Search Algorithm, CloudSim, Opposition Based Learning, Penjadwalan Tugas, Task Scheduling
Subjects:	Q Science > QA Mathematics > QA76.585 Cloud computing. Mobile computing.
Divisions:	Faculty of Intelligent Electrical and Informatics Technology (ELECTICS) > Informatics Engineering > 55201-(S1) Undergraduate Thesis
Depositing User:	Ahmad Lamaul Farid
Date Deposited:	15 Nov 2023 07:25
Last Modified:	15 Nov 2023 07:25
URI:	http://repository.its.ac.id/id/eprint/102072

Actions (login required)

View Item