Penggunaan Lion Optimization Algorithm (LOA) dengan Elite Opposition-based Learning (EOBL) sebagai Task Scheduler dalam Cloud Environment

Haninta, Nadine (2024) Penggunaan Lion Optimization Algorithm (LOA) dengan Elite Opposition-based Learning (EOBL) sebagai Task Scheduler dalam Cloud Environment. Other thesis, Institut Teknologi Sepuluh Nopember.

Text 5027201014-Undergraduate_Thesis.pdf - Accepted Version Restricted to Repository staff only until 1 February 2026. Download (2MB) | Request a copy

Abstract

Teknologi komputasi awan memungkinkan fleksibilitas akses layanan teknologi seperti daya komputasi dan penyimpanan. Dengan pertumbuhan penggunaan komputasi awan yang pesat, pengembangan pendekatan efektif untuk penjadwalan tugas pada mesin komputasi menjadi penting. Studi ini menggabungkan Lion Optimization Algorithm (LOA) dengan Elite Opposition-Based Learning (EOBL) untuk meningkatkan efektivitas penjadwalan tugas dalam komputasi awan. Implementasi dilakukan menggunakan CloudSim dengan 54 virtual machine di 18 host yang dikelola oleh 6 datacenter. Pada dataset SDSC, terdapat perbaikan nilai parameter dibandingkan Genetic Algorithm (GA) pada total wait time, average waiting time, imbalance degree, total scheduling length, resource utlization, dan total energy consumption. Sementara pada dataset random simple, terdapat perbaikan dibandingkan GA pada parameter average execution time. Sementara pada dataset random stratified, terdapat perbaikan dibandingkan GA pada average execution time dan imbalance degree. Apabila LOA dikaitkan dengan EOBL, terdapat perbaikan pada parameter total wait time pada dataset SDSC dan dataset simple random, makespan pada ketiga dataset, average start time pada ketiga dataset uji coba, average finish time pada ketiga dataset uji coba, total wait time pada ketiga dataset uji coba, total scheduling time pada ketiga dataset uji coba, throughput pada dataset SDSC dan dataset simple random, resource utilization pada ketiga dataset uji coba, total energy consumption pada ketiga dataset uji coba, dan imbalance degree pada dataset simple random dan dataset stratified random. Sehingga, Penggabungan LOA dengan EOBL mampu meningkatkan kinerja dalam task scheduling dalam komputasi awan.
====================================================================================================================================

Item Type:	Thesis (Other)
Uncontrolled Keywords:	elite opposition-based learning, komputasi awan, cloud computation, lion optimization algorithm, penjadwalan tugas, task scheduling, cloudsim
Subjects:	Q Science > QA Mathematics > QA76.585 Cloud computing. Mobile computing.
Divisions:	Faculty of Intelligent Electrical and Informatics Technology (ELECTICS) > Information Technology > 59201-(S1) Undergraduate Thesis
Depositing User:	Nadine Haninta
Date Deposited:	06 Feb 2024 02:28
Last Modified:	06 Feb 2024 02:28
URI:	http://repository.its.ac.id/id/eprint/106230

Actions (login required)

View Item