CHRISMAWAN, Stephen Prasetya (2025) Greedy-Guided Genetic Algorithm untuk Optimasi Data Offloading pada Edge Caching Network. Skripsi thesis, Universitas Jenderal Soedirman.

	PDF (Cover) COVER-Stephen Prasetya Chrismawan-H1D021025-Skripsi-2025.pdf Download (72kB)
	PDF (Legalitas) LEGALITAS-Stephen Prasetya Chrismawan-H1D021025-Skripsi-2025.pdf Restricted to Repository staff only Download (1MB)
	PDF (Abstrak) ABSTRAK-Stephen Prasetya Chrismawan-H1D021025-Skripsi-2025.pdf Download (47kB)
	PDF (BabI) BAB I-Stephen Prasetya Chrismawan-H1D021025-Skripsi-2025.pdf Restricted to Repository staff only until 3 February 2026. Download (69kB)
	PDF (BabII) BAB II-Stephen Prasetya Chrismawan-H1D021025-Skripsi-2025.pdf Restricted to Repository staff only until 3 February 2026. Download (459kB)
	PDF (BabIII) BAB III-Stephen Prasetya Chrismawan-H1D021025-Skripsi-2025.pdf Restricted to Repository staff only until 3 February 2026. Download (822kB)
	PDF (BabIV) BAB IV-Stephen Prasetya Chrismawan-H1D021025-Skripsi-2025.pdf Restricted to Repository staff only Download (2MB)
	PDF (BabV) BAB V-Stephen Prasetya Chrismawan-H1D021025-Skripsi-2025.pdf Download (822kB)
	PDF (DaftarPustaka) DAFTAR PUSTAKA-Stephen Prasetya Chrismawan-H1D021025-Skripsi-2025.pdf Download (132kB)

Abstract

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.

Actions (login required)

View Item