PENERAPAN ARSITEKTUR EDGE INTELLIGENCE UNTUK REDUKSI LATENSI PADA SISTEM PEMANTAUAN INTERNET OF THINGS LOKAL
DOI:
https://doi.org/10.62712/juktisi.v4i3.796Kata Kunci:
Edge Intelligence, Internet of Things, Latensi, Sistem Pemantauan, Edge ComputingAbstrak
Penerapan Internet of Things (IoT) pada sistem pemantauan real-time umumnya memanfaatkan arsitektur pemrosesan terpusat berbasis cloud computing. Meskipun pendekatan tersebut memberikan kemudahan dalam pengelolaan dan penyimpanan data, ketergantungan terhadap server pusat sering menimbulkan permasalahan latensi, khususnya pada lingkungan jaringan lokal dengan keterbatasan bandwidth dan konektivitas internet yang tidak stabil. Latensi yang tinggi dapat mengurangi kecepatan respons sistem serta menurunkan efektivitas pengambilan keputusan secara real-time.
Penelitian ini bertujuan untuk menerapkan arsitektur edge intelligence sebagai solusi dalam mereduksi latensi pada sistem pemantauan berbasis Internet of Things lokal. Pendekatan yang digunakan adalah dengan memindahkan sebagian proses pemrosesan data dan pengambilan keputusan ke node edge yang berada dekat dengan sumber data. Data sensor diproses secara lokal menggunakan mekanisme analisis berbasis ambang batas sebelum dikirimkan ke server pusat untuk keperluan penyimpanan dan visualisasi.
Evaluasi kinerja sistem dilakukan dengan membandingkan latensi dan waktu respons antara sistem IoT berbasis cloud penuh dan sistem IoT yang menerapkan edge intelligence. Hasil pengujian menunjukkan bahwa pemrosesan data di sisi edge mampu menurunkan latensi secara signifikan serta meningkatkan keandalan sistem, terutama pada kondisi jaringan lokal. Dengan demikian, arsitektur edge intelligence terbukti efektif untuk mendukung sistem pemantauan IoT yang membutuhkan respons cepat dan stabil.
Unduhan
Referensi
W. Shi, J. Cao, Q. Zhang, Y. Li, dan L. Xu, “Edge Computing: Vision and Challenges,” IEEE Internet Things J., vol. 3, no. 5, hal. 637–646, 2016, doi: 10.1109/JIOT.2016.2579198.
M. Satyanarayanan, “The Emergence of Edge Computing,” Computer (Long. Beach. Calif)., vol. 50, no. 1, hal. 30–39, 2017, doi: 10.1109/MC.2017.9.
X. Xu, H. Liu, Y. Zhang, L. Qi, dan W. Dou, “Edge Intelligence: Empowering Intelligence to the Edge of Network,” IEEE Access, vol. 7, hal. 128–144, 2019, doi: 10.1109/ACCESS.2019.2912473.
J. Gubbi, R. Buyya, S. Marusic, dan M. Palaniswami, “Internet of Things (IoT): A Vision, Architectural Elements, and Future Directions,” Futur. Gener. Comput. Syst., vol. 29, no. 7, hal. 1645–1660, 2013, doi: 10.1016/j.future.2013.01.010.
P. Mach dan Z. Becvar, “Mobile Edge Computing: A Survey on Architecture and Computation Offloading,” IEEE Commun. Surv. & Tutorials, vol. 19, no. 3, hal. 1628–1656, 2017, doi: 10.1109/COMST.2017.2682318.
A. Yousefpour dan others, “All One Needs to Know about Fog Computing and Related Edge Computing Paradigms,” J. Syst. Archit., vol. 98, hal. 289–330, 2019, doi: 10.1016/j.sysarc.2019.02.009.
L. N. Ifani, R. Harimurti, N. Kholis, dan A. B. Santosa, “Pengembangan Media Trainer Arduino Uno Berbasis Iot Sebagai Media Pembelajaran Pada Mata Pelajaran Sistem Pengendali Elektronik Di Smkn 1 Jetis,” J. Pendidik. Tek. Elektro, vol. 10, no. 03, hal. 357–365, 2021, doi: 10.26740/jpte.v10n03.p357-365.
R. Roman, J. Lopez, dan M. Mambo, “Mobile Edge Computing, Fog et al.: A Survey and Analysis of Security Threats and Challenges,” Futur. Gener. Comput. Syst., vol. 78, hal. 680–698, 2018, doi: 10.1016/j.future.2016.11.009.
A. Botta, W. De Donato, V. Persico, dan A. Pescapé, “Integration of Cloud Computing and Internet of Things: A Survey,” Futur. Gener. Comput. Syst., vol. 56, hal. 684–700, 2016, doi: 10.1016/j.future.2015.09.021.
P. Bellavista, A. Zanni, dan L. Foschini, “Scalable and Context-Aware IoT Service Provisioning via Edge Computing,” IEEE Internet Things J., vol. 6, no. 2, hal. 2599–2612, 2019, doi: 10.1109/JIOT.2018.2879205.
Unduhan
Diterbitkan
Cara Mengutip
Terbitan
Bagian
Lisensi
Hak Cipta (c) 2025 Rudianto
Artikel ini berlisensi Creative Commons Attribution 4.0 International License.
