Nama : Labib Syakar Al Kumail

NIM : 18106050049
Mata Kuliah : Komputasi Awan
Paper 1
1. Judul
E-Learning during COVID-19 Outbreak: Cloud Computing Adoption in
Indian Public Universities.
2. Abstrak
Studi ini telah mengajukan kerangka adopsi teknologi terintegrasi baru yang terdiri
dari Technology Acceptance Model (TAM), Technology-Organization-
Environment (TOE), dan Diffusion of Innovation (DOI) dalam konteks HES .
Kerangka kerja TAM-TOE-DOI yang terintegrasi ini digunakan dalam penelitian
untuk menganalisis sebelas hipotesis mengenai faktor -faktor CCA yang telah diuji
dengan menggunakan structural equation modeling (SEM) dan confirmatory factor
analysis (CFA). Studi ini berpendapat bahwa sementara faktor -faktor lainnya
secara positif mempengaruhi niat PU terhadap CCA, masalah keamanan adalah
alasan yang signifikan untuk keengganan universitas-universitas ini untuk tidak
mengadopsi CC.
3. Pendahuluan

Aplikasi cloud computing (CC) perlu diadopsi oleh lembaga pendidikan pada
umumnya, dan lembaga pendidikan tinggi (HEIs), khususnya, untuk
menyelenggarakan pendidikan secara online Adopsi CC (CCA) telah mengubah
teknologi informasi bisnis global menjadi paradigma baru penyimpanan,
pengelolaan, dan pemrosesan data online alih-alih menggunakan server berbasis
bata dan mortir tradisional, total pendapatan layanan cloud publik di seluruh dunia
diharapkan menjadi USD 354,6 miliar pada tahun 2020. Lebih lanjut, tantangan
seperti ketersediaan sumber daya komputasi, fasilitas fisik, dan kecukupan tenaga
terampil berdampak negatif pada adopsi teknologi oleh sektor pendidikan, terutama
di negara berkembang.
4. Metodologi
DOI menjelaskan bagaimana pengguna dari suatu populasi merespon dan
menerima produk atau konsep baru dan membagi populasi menjadi lima jenis
pengadopsi teknologi yaitu. DOI mengusulkan lima atribut yang menjelaskan
tingkat adopsi teknologi baru yaitu, 1) CA: Seberapa berharganya sebuah inovasi
daripada yang tradisional; 2) kompatibilitas, seberapa banyak inovasi dapat
diadaptasi ke dalam praktik bisnis, proses, dan sistem nilai saat ini; 3)
kompleksitas, kesulitan untuk menggunakan Selanjutnya, inovasi dianggap sebagai
proses komunikasi, dan tiga faktor mempengaruhi adopsi inovasi dalam organisasi
yaitu tiga faktor mempengaruhi adopsi inovasi dalam organisasi yaitu. individu
(sikap kepemimpinan terhadap perubahan), struktur internal organisasi
(kompleksitas, sentralisasi, keterkaitan, jumlah personel, dan kelonggaran
organisasi), dan sifat eksternal organisasi (keterbukaan sistem).
5. Hasil
Deskripsi sampel menunjukkan penunjukan profesional TI utama dari universitas
yang berpartisipasi, profil universitas yang dipilih untuk penelitian, dan
penggunaan layanan CC dan model penyebaran disajikan di Tab. 2. Tab. 2
mengungkapkan bahwa 109 PU (35,86%) memiliki kekuatan total fakultas dan staf
di

kisaran 1.000-1.500, diikuti oleh hingga 500 (26,97%), 501-1.000 (16,12%) dan
1.500-2.000 (13,49%), dalam urutan itu. Hanya 7,57% dari PU yang memiliki
tenaga pengajar dan staf lebih dari 2.000 orang. Dari segi kekuatan siswa, sebagian
besar PU (30,92%) memiliki 10,001–15.000 siswa, diikuti oleh kekuatan siswa
hingga 5.000 (28,62%), 5.001–10.000 (16,78%) dan 15.001–20.000 (14,80%) ,
dalam urutan itu. tab. 2 lebih lanjut mengungkapkan bahwa hanya 8,88% dari PU
yang memiliki kekuatan siswa lebih dari 20.000. Mengenai penggunaan model
layanan CC di universitas responden, Tab. 2 menunjukkan bahwa sebagian besar
(90,79%) PU menggunakan SaaS, sedangkan penggunaan IaaS (9,54%) dan PaaS
(7,57%) minimal. Selain itu, ditemukan bahwa cloud hybrid adalah yang paling
populer, dengan 89,47% PU menggunakan model penerapan ini. tab. 2 juga
menunjukkan bahwa dari profesional dan administrator TI utama yang merespons
atas nama universitas responden, 57,24% adalah penanggung jawab pusat
komputer, 28,62% adalah manajer/petugas TI, dan 14,14% adalah anggota fakultas
dari departemen TI di universitas tersebut. univer sitas.

Table 2: Sample description (N = 304)

Total Number of Faculty and Staff Members Number Percentage

Up to 500 82 26.97
501–1,000 49 16.12
1,000–1,500 109 35.86
1,500–2,000 41 13.49
More than 2000 23 7.57
Total Number of Students
Up to 5,000 87 28.62
5,001–10,000 51 16.78
10,001–15,000 94 30.92
15,001–20,000 45 14.80
More than 20,000 27 8.88
Type of Cloud-based Service (CBS) in Use
SaaS 276 90.79
IaaS 29 9.54
PaaS 23 7.57
Type of Deployment Cloud Computing (CC) Model
Public cloud 267 87.83
Private cloud 27 8.88
Hybrid cloud 272 89.47
Designation of the Key IT Professional/
Ad ministrator
IT department faculty member 43 14.14
IT manager/officer 87 28.62
 Computer center in charge 174 57.24

6. Pembahasan
Hasilnya memiliki implikasi bagi berbagai pemangku kepentingan seperti
universitas swasta, pengembang dan vendor CC, lembaga pemerintah, dan pembuat
kebijakan yang terkait dengan PT di India. Temuan telah memberikan kesempatan
kepada PU untuk merefleksikan kesiapan mereka untuk mengadopsi CC. PU akan
cenderung secara positif mengadopsi teknologi CC jika mereka yakin akan CA
teknologi ini untuk peningkatan efisiensi, manfaat aksesibilitas, peningkatan
kualitas layanan, dan peluang pendidikan dan penelitian baru. Oleh karena itu,
pengembang dan vendor CC perlu mempertimbangkan aspek-aspek ini sambil
menawarkan teknologi CC kepada PU. Pengembang dan vendor juga harus
memahami pengaturan dan persyaratan kompatibilitas universitas yang ada dan
menyesuaikan penawaran mereka. SLS telah ditemukan lebih lanjut sebagai
penentu penting dalam keputusan universitas untuk mengadopsi CC. Hal ini
terutama benar dalam konteks India, di mana keputusan yang memiliki implikasi
keuangan tidak mungkin dilakukan tanpa persetujuan dari pimpinan senior. Posisi
kepemimpinan senior di PU India umumnya diisi dengan izin dari pemerintah.
Oleh karena itu, kepemimpinan senior, kadang-kadang, dipandu oleh kebijakan
pemerintah sambil membuat keputusan yang terkait dengan keuangan. Oleh karena
itu, mereka harus melakukan segala upaya untuk menghilangkan kekhawatiran
pengguna dan manajemen universitas mengenai fitur keamanan teknologi CC.
Karena baik Pemerintah Pusat atau Negara Bagian mendanai PU; oleh karena itu,
diharapkan dukungan pemerintah memiliki dampak yang besar terhadap niat CCA
mereka. Penelitian ini telah menemukan hasil yang serupa. Oleh karena itu, untuk
meningkatkan penggunaan CC di PU, baik Pemerintah Pusat maupun Negara
Bagian dan pembuat kebijakan harus melembagakan kerangka kebijakan yang
diperlukan. Universitas juga mencari undang-undang yang memadai untuk
melindungi dan mengatur penggunaan teknologi CC.
7. Kesimpulan
Penelitian ini telah mencoba untuk menilai faktor penentu CCA di HEI di India.
Ruang lingkup penelitian ini terbatas pada PU India.
Kajian ini telah menerapkan kerangka kerja TAM-TOE-DOI terintegrasi yang terdiri
dari karakteristik inovasi, konteks teknologi, konteks organisasi, konteks lingkungan,
dan karakteristik individu. Temuan mengungkapkan bahwa konteks tekn ologi dan
konteks lingkungan berdampak pada niat PU untuk mengadopsi CC.
Selanjutnya, karakteristik inovasi dan konteks organisasi secara parsial mempengaruhi
niat PU untuk CCA. Namun, karakteristik individu tidak mempengaruhi niat universitas.
Temuan menguatkan bahwa CA, TC, TR, SLS, masalah keamanan, dukungan
pemerintah, dan dukungan vendor adalah penentu utama CCA di PU India.
Studi ini lebih lanjut menggarisbawahi bahwa sementara faktor lainnya berdampak
positif terhadap niat PU untuk mengadopsi CC, masalah keamanan adalah alasan yang
signifikan atas keengganan universitas-universitas ini untuk tidak mengadopsi CC.
Penelitian ini didasarkan pada sampel 304 PU India. Oleh karena itu, perhatian harus
diberikan untuk menggeneralisasi temuan penelitian.
Studi di masa depan dapat memperluas penelitian mereka ke universitas, perguruan
tinggi, dan sekolah swasta di India dan negara lain. Penelitian ini adalah cross-sectional.
Namun, karena teknologi komputasi terus berkembang karena lingkungan yang dinamis,
penting untuk terlibat dalam studi longitudinal untuk memastikan dan membandingkan
penentu CC di berbagai jenis lembaga pendidikan. Karena wabah COVID -19, penelitian
ini dan hasilnya menjadi lebih signifikan. CC adalah komponen penting untuk
memfasilitasi e-learning dan kerja jarak jauh. Diharapkan juga bahwa sebagian besar
penentu CCA juga berlaku dalam kasus adopsi e-learning di PU dan HEI di India.
Pengakuan: Kami berterima kasih kepada semua Universitas peserta penelitian atas
partisipasi mereka dalam survei.
Pernyataan Pendanaan: Para penulis tidak menerima dana khusus untuk penelitian ini.
Konflik Kepentingan: Para penulis menyatakan bahwa mereka tidak memiliki konflik
kepentingan untuk dilaporkan mengenai penelitian ini.

Paper 2

1. Judul
“Research on Task-offloading Decision Mechanism in Mobile Edge
Computing-based Internet of Vehicle”,
2. Abstrak
Sebagai teknologi yang terintegrasi dengan Internet of Things, Mobile Edge Computing
(MEC) dapat menyediakan layanan Real-time dengan latensi rendah ke jaringan yang
mendasarinya dan meningkatkan kemampuan penyimpanan dan komputasi jaringan
dari infrastruktur Cloud pusat. Dalam mobile edge berbasis komputasi Internet of
Vehicle (MEC-IoV), pengguna kendaraan dapat mengirimkan tasks mer eka ke server
MEC yang terhubung berdasarkan offloading policy, yang sangat meningkatkan
pemanfaatan sumber daya dan kinerja komputasi. Namun masalahnya adalah
bagaimana mengevaluasi dampak interkoneksi yang tidak pasti antara pengguna
kendaraan dan server MEC pada pengambilan keputusan offloading dan menghindari
penurunan yang fatal.
3. Pendahuluan
Teknologi yang terintegrasi dengan Internet of Things, Mobile Edge Computing
(MEC) dapat menyediakan layanan Real-time dengan latensi rendah ke jaringan
yang mendasarinya dan meningkatkan kemampuan penyimpanan dan komputasi
jaringan dari infrastruktur Cloud pusat, masalahnya adalah bagaimana
mengevaluasi dampak interkoneksi yang tidak pasti antara pengguna kendaraan dan
server MEC pada pengambilan keputusan offloading dan menghindari penurunan
yang fatal. Efisiensi offloading adalah masalah penting yang harus dipecahkan.
4. Metodologi
Penelitian menggunakan optimasi partikel untuk dapat menerapkan MEC-IoV
(Swarm Intelligence Optimization Algorithm). Untuk Computing-intensive Task-
offloading, prosesnya dapat dianggap berbeda. Oleh karena itu diperlukan
metode lain yang dapat membantu kompuatasi Task-particle, yaitu Particle
Swarm Optimization (PSO).
5. Hasil
Dalam hasil penelitian yang diperoleh, menunjukkan bahwa dari algoritma yang
digunakan grafik menjadi naik dalam hal Computation Overhead. Kemudian
dalam grafik dibawahnya menunjukkan offloading pengguna dengan jumlah
beban kerja. Ketika beban kerja sangat rendah, biaya pemrosesan lokal dan
offloading ke server MEC hampir ekuivalen.
6. Pembahasan
Pertama, model matematis untuk menghitung biaya offloading komputasi untuk
sistem komputasi cloud-edge didefinisikan. Kemudian, optimasi swarm partikel
diterapkan untuk mengubah Task-offloading menjadi proses dan mendapatkan strategi
offloading yang optimal. Selanjutnya, untuk menghindari jatuh ke dalam optimasi
lokal, faktor bobot inersia dirancang untuk berubah secara adaptif dengan nilai
fungsi tujuan.
7. Kesimpulan
Dalam Paper ini, penulis mengusulkan mekanisme keputusan pembongkaran tugas dengan optimasi
segerombolan partikel untuk komputasi tepi berbasis IoV. Pertama, model matematis untuk menghitung
biaya pembongkaran komputasi untuk sistem komputasi cloud-edge didefinisikan. Kemudian, optimasi
swarm partikel diterapkan untuk mengubah pembongkaran tugas menjadi proses dan mendapatkan strategi
pembongkaran yang optimal. Selanjutnya, untuk menghindari jatuh ke dalam optimasi lokal, faktor bobot
inersia dirancang untuk berubah secara adaptif dengan nilai fungsi tujuan. Hasil eksperimen menunjukkan
bahwa strategi off-loading yang diusulkan dapat secara efektif mengurangi konsumsi energi perangkat
terminal sekaligus menjamin kualitas layanan pengguna. Dalam proses penelitian lanjutan, saya akan
mempertimbangkan untuk mengklasifikasikan tugas, seperti batasan QoS, persyaratan CPU, dan prioritas.