Optimalisasi Smart home IoT Melalui Edge Computing Dan Fuzzy Q-Learning Secara Real-Time

Abstract

Penelitian ini mengoptimalkan sistem Smart home IoT dengan menggabungkan Fuzzy Q-Learning dan komputasi Edge untuk meningkatkan efisiensi energi, mengurangi latensi, dan mempercepat waktu respons. Implementasi sistem mencakup penggunaan sensor PIR, LDR, dan DHT untuk mendeteksi gerakan, intensitas cahaya, serta suhu dan kelembaban, yang kemudian diproses menggunakan Edge Computing sebelum dikirim ke cloud. Pengujian dilakukan dalam tiga skenario: sistem tanpa optimasi berbasis cloud, sistem berbasis Edge tanpa Fuzzy Q-Learning, dan sistem berbasis Edge dengan Fuzzy Q-Learning. Hasil menunjukkan bahwa rata-rata latensi ke cloud menggunakan Ngrok adalah 17,43 ms, sementara latensi melalui Edge Computing hanya 1,67 ms. Efisiensi energi meningkat signifikan, dari konsumsi awal 700 W menjadi 453,17 W setelah optimasi. Waktu respons sistem berbasis cloud mencapai 535,71 ms, sedangkan sistem berbasis Edge dengan Fuzzy Q-Learning berhasil menurunkan waktu respons menjadi 507,33 ms. Perbandingan dengan penelitian sebelumnya menunjukkan bahwa pendekatan ini lebih efisien dalam pengelolaan daya dan latensi dibandingkan dengan metode konvensional berbasis cloud atau Edge tanpa optimasi. Dengan demikian, kombinasi Fuzzy Q-Learning dan komputasi Edge terbukti meningkatkan performa sistem Smart home IoT secara signifikan, menjadikannya solusi optimal untuk pemrosesan data real-time dengan efisiensi energi yang lebih baik.