Analisis Kinerja Cloud Task Scheduling Menggunakan Algoritma Adaptif Ant Colony Optimization Dan Teknik Opposition-Based Learning Pada Cloud Environment

Bako, Jovan Surya (2024) Analisis Kinerja Cloud Task Scheduling Menggunakan Algoritma Adaptif Ant Colony Optimization Dan Teknik Opposition-Based Learning Pada Cloud Environment. Other thesis, Institut Teknologi Sepuluh Nopember.

Text 5027201013-Undergraduate_Thesis.pdf - Accepted Version Restricted to Repository staff only until 1 October 2026. Download (4MB) | Request a copy

Abstract

Komputasi awan menyediakan platform bagi pengguna untuk mengakses dan berbagi sumber daya komputasi melalui internet, memberikan fleksibilitas dan skalabilitas dalam pengelolaan sumber daya IT. Namun, tantangan utama yang dihadapi dalam lingkungan ini adalah penjadwalan tugas yang efisien. Penjadwalan tugas yang tidak optimal dapat menyebabkan penggunaan sumber daya yang tidak efisien, peningkatan biaya, dan penundaan dalam pemenuhan tugas. Oleh karena itu, mengembangkan algoritma penjadwalan tugas yang cerdas dan efisien menjadi penting untuk meningkatkan kinerja sistem komputasi awan. Algoritma Ant Colony Optimization (ACO) adalah sebuah pendekatan yang terinspirasi dari perilaku pencarian makan semut yang efektif dan telah sukses diterapkan dalam berbagai masalah optimasi seperti penjadwalan, pengelolaan jaringan, dan optimasi rute. Untuk meningkatkan kemampuan ACO dalam menangani kompleksitas penjadwalan tugas di lingkungan komputasi awan, penelitian ini mengintegrasikan teknik Opposition-Based Learning (OBL). OBL adalah teknik yang memanfaatkan konsep berlawanan untuk menjelajahi ruang solusi secara lebih efisien dengan mempertimbangkan solusi yang berlawanan selama proses pencarian, sehingga mempercepat Hasil yang ke solusi optimal dan meningkatkan kualitas solusi yang dihasilkan. Dalam penelitian ini, pengembangan dan evaluasi algoritma yang diusulkan dilakukan menggunakan Eclipse Integrated Development Environment (IDE) dan CloudSim. Eclipse IDE menyediakan lingkungan pengembangan yang komprehensif untuk pemrograman Java, yang mendukung pengembangan algoritma dengan kemudahan penggunaan dan fleksibilitas. CloudSim, di sisi lain, adalah toolkit simulasi yang dirancang khusus untuk pemodelan, simulasi, dan eksperimen dengan infrastruktur komputasi awan. Dengan menggabungkan CloudSim, penelitian ini mampu mensimulasikan lingkungan komputasi awan secara realistis, memungkinkan pengujian dan evaluasi kinerja algoritma penjadwalan tugas ACO Adaptif dan ACO Adaptif - OBL dalam berbagai skenario. Hasil penelitian menunjukkan bahwa ACO Adaptif unggul dalam berbagai parameter pada dataset Simple Random dan SDSC, sementara ACO Adaptif -OBL menunjukkan keunggulan dalam parameter imbalance degree dan resource utilization. Implementasi ini diharapkan dapat memberikan wawasan yang berharga terhadap peningkatan efisiensi penjadwalan tugas dengan memanfaatkan kemampuan adaptif ACO dan pendekatan eksplorasi OBL.
=================================================================================================================================
Cloud computing provides a platform for users to access and share computing resources over the internet, offering flexibility and scalability in IT resource management. However, the primary challenge encountered in this environment is efficient task scheduling. Suboptimal task scheduling can result in inefficient resource usage, increased costs, and delays in task fulfillment. Therefore, developing intelligent and efficient task scheduling algorithms becomes crucial to improving the performance of cloud computing systems. The Ant Colony Optimization (ACO) algorithm is an approach inspired by the effective foraging behavior of ants and has been successfully applied to various optimization problems such as scheduling, network management, and route optimization. To enhance ACO's ability to handle the complexity of task scheduling in the cloud computing environment, this research integrates Opposition-Based Learning (OBL). OBL is a technique that utilizes the concept of opposition to explore the solution space more efficiently by considering opposite solutions during the search process, thereby accelerating convergence to the optimal solution and improving the quality of the generated solutions. In this study, the development and evaluation of the proposed algorithm were conducted using the Eclipse Integrated Development Environment (IDE) and CloudSim. The Eclipse IDE provides a comprehensive development environment for Java programming, supporting algorithm development with ease of use and flexibility. CloudSim, on the other hand, is a simulation toolkit specifically designed for modeling, simulation, and experimentation with cloud computing infrastructure. By integrating CloudSim, this research is able to realistically simulate the cloud computing environment, enabling testing and evaluation of the task scheduling algorithm's performance using ACO and OBL in various scenarios. The results of the study indicate that ACO outperforms in various parameters on the Simple Random and SDSC datasets, while ACO-OBL shows superiority in imbalance degree and resource utilization parameters. This implementation is expected to provide valuable insights into improving task scheduling efficiency by leveraging the adaptive capabilities of ACO and the exploratory approach of OBL.

Item Type:	Thesis (Other)
Uncontrolled Keywords:	Ant Colony Optimization (ACO), Eclipse IDE, Komputasi Awan, Opposition-Based Learning (OBL), Penjadwalan Tugas, Alokasi Sumber Daya, Cloud Computing, Task scheduling, Resource Allocation
Subjects:	T Technology > T Technology (General)
Divisions:	Faculty of Intelligent Electrical and Informatics Technology (ELECTICS) > Information Technology > 59201-(S1) Undergraduate Thesis
Depositing User:	Jovan Surya Bako
Date Deposited:	24 Jul 2024 04:18
Last Modified:	24 Jul 2024 04:18
URI:	http://repository.its.ac.id/id/eprint/108708

Actions (login required)

View Item