BAB 2

TINJAUAN PUSTAKA DAN DASAR TEORI

Bab ini merupakan pembahasan dari referensi terkait penelitian – penelitian

yang telah dilakukan sebelumnya dan beberapa konsep dasar yang dijadikan
landasan atau acuan dalam menyelesaikan permasalahan.

2.2 Tinjauan pustaka

Dalam sub-bab ini dijelaskan penelitian-penelitian sebelumnya yang
relevan dengan permasalahan yang akan di selesaikan pada penelitian ini.

2.2.1 Mobility-aware dalam pemilihan keputusan offloading

Pemilihan keputusan offloading menjadi krusial saat memperhatikan quality
of service (qos) seperti konsumsi energy atau besar latency. Beberapa penelitian
berusaha untuk menyelesaikan konsumsi energy dan latency tersebut [6], [10],
[11]. Namun demikian penelitian tersebut masih kurang memperhatikan
pergerakan (mobility) dari mobile device.
P. Mach and Z. Becvar 2015 [12] mengusulkan sebuah algoritma untuk
meningkatkan ratio keberhasilan pengiriman task pada lingkungan mobile device
yang bergerak. Mereka mengusulkan metode yang bernama cloud-aware power
control (CaPc) dengan memperhatikan task yang memiliki delay sensitive.
Mereka mengeklaim bahwa metode yang diusulkan memiliki ratio keberhasil
pengiriman yang lebih tinggi daripada metode -metode sebelumnya.
Sun (2016) [13] mengusulkan sebuah strategi migrasi avatar untuk
mengatasi pergerakan dari mobile device. Setiap mobile device akan
berlangganan terhadap satu buah avatar. Avatar ini merupakan virtual machine
(vm) yang berada pada suatu cloudlet dan selalu tersedia untuk mobile device
yang berlangganan terhadapnya. Dia mengusulkan sebuah strategi migrasi
bernama PRofIt Maximization Avatar pLacement (PRIMAL). Strategi migrasi ini
adalah strategi migrasi avatar yang mempertimbangkan migration cost dan

5
migration gain. Migrasi avatar ini dilakukan saat suatu mobile device sudah
bergerak cukup jauh dari cloudlet serta koneksi antara original cloudlet dan
mobile device sudah tidak tersedia. Dia mengklaim bahwa strategi yang dia
usulkan memiliki E2E delay lebih kecil daripada 2 strategi pembandingnya yang
lain.
Plachy et all (2016) [14] mengusulkan sebuah algoritma baru dalam
menentukan jalur offloading mobile device yang bergerak. Dalam algoritmanya
ini mereka mengestimasi transmission delay dan energy yang dikonsumsi untuk
mendapatkan jalur pengiriman data yang tepat. Algoritma yang mereka usulkan
ini diformulasikan menggunakan Markov Decision Process (MDP). Mereka
mengeklaim algoritma yang mereka usulkan dapat mengurangi delay sebanyak
54.3% dan konsumsi energy sebanyak 7.5% dibandingkan dengan metode
konvensional.
Sun (2019) [15] mengusulkan sebuah strategi lain dalam mengatasi E2E
delay pada offloading mobile device yang bergerak. Dalam penelitiannya ini dia
mengusulkan sebuah algoritma replika avatar yang bernama LatEncy Aware
Replica placemeNt (LEARN). Dengan menempatkan beberapa replica dari suatu
avatar di cloudlet yang sesuai, dia mengeklaim bahwa metode yang diusulkannya
ini memiliki E2E delay yang lebih minimal daripada metode metode sebelumnya.
Zhan et al. (2019) [16] mengusulkan sebuah metode meta-heurisitc untuk
mengurangi latency dan energi konsumsi dari mobile device yang bergerak,
Metode mereka ini berbasis Genetic Algorithm (GA) untuk menyelesaikan
permasalahan pemilihan keputusan offloading yang terjadi. Metode yang mereka
usulkan ini diklaim memiliki performa lebih baik terhadap 4 metode
pembandingnya.
Zhan et al. (2020) [8] mengusulkan sebuah metode lain dalam mengatasi
pemilihan keputusan offloading dari mobile device yang bergerak. Mereka
menyebutkan pemilihan keputusan offloading merupakan permasalahan NP-hard
dan membutuhkan metode meta-heuristic untuk menyelesaikannya. Metode yang

6
bernama heuristic mobility- aware offloading algorithm (HMAOA) ini dikkalim
memiliki performa yang lebih baik terhadap 6 metode pembandingnya.
Al-Tarawneh (2020) [17] mengusulkan sebuah algoritma migrasi container
dalam mengatasi offloading pada mobile device yang bergerak. Algoritma yang
diusulkan dia ini berbasis multicriteria decision making (MCDM). Metode
MCDMS yang diusulkan ini menggunakan metode Entropy-TOPSIS sebagai
strategi dalam melakukan migrasi container saat mobile device sudah terlalu jauh
dari original cloudletnya. Dia mengeklaim algoritma yang dia usulkan ini meraih
48%, 48%, 20% and 36% peningkatan pada migration time, service downtime,
migration reliability dan service lost rate.
Puliafito et al. (2020) [9] mengusulkan sebuah strategi migrasi dalam
mengatasi offloading pada mobile device yang bergerak. Dalam penelitiannya ini
dia menyebutkan ada beberapa scenario migrasi task yang dapat terjadi. Dia
mengkategorikan scenario migrasi ini menjadi 3 jenis yaitu proactive migrasi,
reactive migrasi, dan concurrent migrasi.

2.2.2 Task offloading simulator

Beberapa task offloading simulator telah diusulkan sebagai alat untuk
mensimulasikan scenario offloading. Simulator – simulator ini melingkupi
simulator untuk cloud computing, fog computing, dan edge computing.
Salah satu simulator yang banyak digunakan dan diteliti adalah Cloudsim
[18]. Cloudsim merupakan simulator untuk melakukan simulasi cloud computing.
Simulator ini dapat memodelkan beberapa hal seperti Cloud computing data
center, application container, energy-aware computanional resources, datacenter
topology, provisioning host resources to virtual machine, dll. Simulator ini juga
sebagai pondasi terciptanya simulator – simulator lainnya.
IFogSim [19] merupakan salah satu simulator yang merupakan
pengembangan dari cloudsim. Dalam pengembangannya ini IFogSim
menambahkan beberapa modul sebagai simulasi dari fog computing. Dari modul

7
– modul yang ditambahkan ini IFogSim dapat melakukan resource management
technique pada linkungan fog computing.
Simulator offloading lainnya adalah EdgeCloudSim[20]. Sama halnya
dengan IFogSim, simulator ini juga merupakan pengembangan dari cloudsim.
Namun dalam simulator ini fokus yang diberikan adalah pada Edge Computing.
Simulator ini mengkategorikan beberapa modul untuk melakukan modelling
menjadi 3 yaitu Network modeling, Edge Specific Modeling, dan computanional
modeling.
MobFogSim [9] adalah simulator yang berbeda dari simulator – simulator
lainnya. Perbedaan ini berasal dari kapabilitas simulator ini dalam melakukan
migration task. Migration task yang dilakukan simulator ini sebagai cara cloudlet
mengirimkan output task kepada mobile device yang telah bergerak jauh dari
original cloudlet. Simulator ini juga dibuat dari pengembangan simulator
terdahulunya yaitu IFogSim. Mobility modelling adalah salah satu pengembangan
besar yang dilakukan oleh simulator ini.

2.2 Dasar Teori

Dalam sub-bab ini dijelaskan konsep dasar yang dijadikan landasan atau
acuan dalam penelitian ini.

2.2.1 Mobile Edge Computing

Mobile edge computing (MEC) adalah suatu teknologi yang menyediakan
lingkungan IT Service dengan kapabilitas kemampuan cloud computing pada
network edge [2]. Arsitektur dari MEC terdiri dari beberapa komponen utama
yaitu Cloud Server, Edge Server, Base Station, dan Mobile device [2]. Gambar
arsitektur dari MEC ini dapat dilihat pada gambar 2.1.

8
 Gambar 2.1 Arsitektur Mobile Edge Computing [20]
Mobile device adalah suatu perangkat bergerak yang memiliki beberapa task
yang harus diselesaikan. Dalam satu arsitektur akan terdapat beberapa mobile
device yang memiliki spesifikasi (CPU, Memory, WNIC) yang berbeda beda.
Task yang harus diselesaikan oleh mobile device juga berbeda – beda. Task ini
dapat diselesaikan secara lokal atau dilakukan secara offloading ke edge/cloud
server.
Base station adalah suatu perangkat yang menghubungkan mobile device
dengan server. Base station ini melakukan koneksi dengan mobile device melalui
wireless channel. Base station ini juga memiliki coverage area jadi hanya mobile
device yang berada pada coverage area tersebut yang dapat terkoneksi dengan
base station. Dalam satu arsitektur akan terdapat beberapa base station dan setiap
base station ini memiliki spesifikasi (coverage area) yang berbeda beda
Cloud server adalah sebuah virtual machine yang memiliki kemampuan
komputasi (CPU, storage, RAM) yang tinggi. Meskipun memiliki kemampuan
komputasi yang tinggi, cloud server ini berada sangat jauh dari mobile device,
sehingga jarak transmisi antar keduanya juga sangat jauh. Sedangkan edge server
merupakan virtual machine yang lebih dekat dengan mobile device. Meskipun

9
kemampuan komputasi dari edge server tidak sebesar cloud server, namun jarak
transmisi data antara mobile device lebih dekat.
Dari arsitektur MEC ini dapat dimodelkan beberapa hal terkait dengan
Offloading task yaitu :
2.2.1.1 Energy Model
Energy Model didefinisikan sebagai jumlah kapasitas energi yang dimiliki
oleh perangkat mobile. Kapasitas energi ini dapat berkurang karena konsumsi
energi yang dilakukan oleh perangkat mobile. Ali 2016 [21] menyebutkan bahwa
besar konsumsi energi perangkat mobile bergantung kepada hardware yang
dimiliki oleh perangkat tersebut. Hardware yang dimiliki oleh perangkat mobile
dapat bermacam – macam, namun tidak semua hardware berperan langsung dalam
proses oflloading. Ali 2016 [21] juga menyebutkan ada 4 komponen hardware
penting yang berperan langsung dalam proses pengurangan daya saat offloading
pada perangkat mobile, yaitu :
a. Konsumsi energi oleh CPU
Konsumsi energi oleh CPU dapat dirumuskan pada Eq. 2.1, dimana 𝐸𝐶𝐶𝑃𝑈
adalah konsumsi energi oleh CPU, n adalah jumlah core yang dimiliki oleh CPU,
𝑓𝑟𝑒𝑞
𝑈𝑖 adalah CPU utilization untuk core i, 𝛽 𝑓𝑟𝑒𝑞 dan 𝛽𝑏𝑎𝑠𝑒 adalah koefisiensi
𝑓𝑟𝑒𝑞
frequency dependant, serta 𝛽𝑏𝑎𝑠𝑒 adalah jumlah konsumsi energi minimal dari
CPU saat idle.
𝑓𝑟𝑒𝑞
𝐸𝐶𝐶𝑃𝑈 = (∑𝑛−1
𝑖=0 𝑈𝑖 ) 𝛽
𝑓𝑟𝑒𝑞
+ 𝛽𝑏𝑎𝑠𝑒 (eq 2.1)
b. Konsumsi energi oleh Display unit
Konsumsi energi oleh display unit dapat dirumuskan pada Eq 2.2, dimana
𝐸𝐶𝐷𝑖𝑠𝑝𝑙𝑎𝑦 adalah konsumsi energi oleh display, 𝛼𝑏𝑙𝑎𝑐𝑘 dan 𝛼𝑤ℎ𝑖𝑡𝑒 adalah level
pixel hitam dan putih, 𝐵𝑙𝑒𝑣𝑒𝑙 adalah level kecerahan dari layar, serta 𝛼𝑏𝑎𝑠𝑒.𝑏𝑙𝑎𝑐𝑘
dan 𝛼𝑏𝑎𝑠𝑒.𝑤ℎ𝑖𝑡𝑒 adalah minimal konsumsi energi minimal saat level kecerahan
layar paling rendah.
𝛼𝑏𝑙𝑎𝑐𝑘 + 𝛼𝑤ℎ𝑖𝑡𝑒 𝛼𝑏𝑎𝑠𝑒.𝑏𝑙𝑎𝑐𝑘 + 𝛼𝑏𝑎𝑠𝑒.𝑤ℎ𝑖𝑡𝑒
𝐸𝐶𝐷𝑖𝑠𝑝𝑙𝑎𝑦 = 𝐵𝑙𝑒𝑣𝑒𝑙 + (eq 2.2)
2 2

c. Konsumsi energi oleh perangkat memory

10
 Konsumsi energi oleh perangkat memory dapat dirumuskan pada Eq. 2.3,
dimana 𝑈𝑖 adalah CPU utilization untuk core I, 𝛾𝑠 dan 𝛾𝑚 adalah koefisien energi
dari memory.
𝐸𝐶𝑚𝑒𝑚𝑜𝑟𝑦 = (∑𝑛−1
𝑖=0 𝑈𝑖 ) 𝛾𝑠 + 𝛾𝑚 (eq 2.3)
d. Konsumsi energi oleh perangkat Wi-Fi
Konsumsi energi oleh perangkat Wi-Fi bergantung pada state dari wireless
network interface card (WNIC). Seperti yang terlihat pada gambar 2.2
, ada 4 state yang dimiliki oleh WNIC yaitu :
1. Idle state, merupakan state saat WNIC tidak melakukan operasi apapun.
2. Initial state, merupakan state saat WNIC memasuki fase untuk bertukar data
3. Send state, merupakan state saat WNIC mengirim data
4. Receive state, merupakan state saat WNIC menerima data, dan
5. Tail state, merupakan state saat WNIC telah selesai melakukan pertukaran data
Dari kelima state yang dimiliki oleh WNIC ini dapat dirumuskan energi
yang dibutuhkan oleh Wi-FI pada Eq. 2.4.
𝐸𝐶𝑊𝑖𝑓𝑖 = 𝐸𝐶𝑊𝑖𝑓𝑖𝑖𝑛𝑖𝑡 + 𝐸𝐶𝑊𝑖𝑓𝑖𝑠𝑒𝑛𝑑 + 𝐸𝐶𝑊𝑖𝑓𝑖𝑟𝑒𝑐𝑒𝑖𝑣𝑒 +
𝐸𝐶𝑊𝑖𝑓𝑖_𝑡𝑎𝑖𝑙 + 𝐸𝐶𝑊𝑖𝑓𝑖_𝑖𝑑𝑙𝑒 (eq 2.4)
Selain konsumsi energi yang terkati dengan hardware dari mobile device,
Guo, 2019 [3] juga menyebutkan bahwa mobile device juga mengonsumsi energi
lebih saat melakukan task secara lokal. Konsumsi energi saat mobile device
melakukan tasknya secara local dapat dirumuskan pada eq. 2.5, dimana k adalah
koefisien yang bergantung pada chip architecture, f adalah kapabilitas komputasi
dari mobile device, serta c adalah besar task yang dilakukan oleh mobile device.
𝐸𝐶𝐿𝑂𝐶𝐴𝐿 = 𝑘 (𝑓)2 𝑐 (eq 2.5)

11
 send

Idle Initial Tail

Receive

Gambar 2.2 Wireless Network Interface Card (WNIC)

2.2.1.2 Delay Latency Model

Sheng (2020) [22] mendefinisikan delay latency sebagai waktu delay
execution task yang dimiliki oleh mobile device. Delay ini bisa terjadi dari dua hal
yaitu delay dari local execution atau delay dari task offloading. Berikut beberapa
hal yang bisa mempengaruhi besar dari delay latency
a. Delay latency dari local execution
Delay latency dari local execution dipengaruhi oleh kemampuan CPU dan
besar task yang harus dikerjakan [23]. Delay ini dapat dirumuskan pada eq 2.6.
Dimana 𝐶𝑛 adalah computation resource yang diperlukan untuk menjalankan task
n dan 𝑉𝐿 adalah execution rate dari CPU mobile device.
𝐶
𝐷𝐿𝐿𝑂𝐶𝐴𝐿 = 𝑉𝑛 (eq 2.6)
𝐿

b. Delay latency dari offloading execution

Delay latency untuk offloading execution dipengaruhi oleh 3 hal yaitu
waktu transmission saat task di upload ke server (𝑇𝑢𝑝 ), dan waktu eksekusi task
yang berjalan pada server (𝑇𝑒𝑥𝑒 )[23]. Rumus dari delay latency dapat dilihat pada
eq. 2.7.
𝐷𝐿𝑂𝐹𝐹𝐿𝑂𝐴𝐷𝐼𝑁𝐺 = 𝑇𝑢𝑝 + 𝑇𝑒𝑥𝑒 (eq 2.7)
Waktu transmission saat task di upload (𝑇𝑢𝑝 ) dapat dihitung
meenggunakan rumus eq 2.8. Dimana 𝐷𝑛 adalah besar data yang harus diupload,

12
N merupakan Gause Noisse Power yang berada di wireless channel, 𝑊 adalah
bandwidth dari base station, 𝑃𝑢𝑝 adalah kemampuan upload dari mobile device,
dan 𝐿𝑜𝑠 adalah channel gain. 𝐿𝑜𝑠 pada lingkungan wireless mengacu pada fungsi
jarak yaitu 𝐿𝑜𝑠 = 𝑑−∝ .
𝐷𝑛
𝑇𝑢𝑝 = 𝑃𝑢𝑝 + 𝐿𝑜𝑠 (eq 2.8)
𝑊 𝑙𝑜𝑔2 (1+ )
𝑁

Sedangkan waktu eksekusi task oleh server (𝑇𝑒𝑥𝑒 ) dapat dirumuskan pada eq
2.9, dimana 𝑉𝑐𝑙𝑜𝑢𝑑 adalah execution rate yang dimiliki oleh cpu server.
𝐶𝑛
𝑇𝑒𝑥𝑒 = (eq 2.9)
𝑉𝑐𝑙𝑜𝑢𝑑

2.2.2 Black Widow Optimization

Black widow optimization (BWO) merupakan algoritma meta-heuristic
untuk menyelesaikan permasalahan NP-Hard. Algoritma ini diperkenalkan oleh
Hayyolalam (2020) [24]. Algoritma ini mengambil contoh siklus hidup dari Laba
-laba Black Widow. Dari penelitian yang dilakukannya dia mengeklaim bahwa
algoritma black widow ini memiliki performa yang bersaing dengan metode meta-
heuristic lainnya. Dia juga mengatakan performa yang baik ini dikarenakan early
convergences yang ada pada algoritma tersebut sehingga solusi optimal lebih
mudah ditemukan.
Algoritma black widow optimization memiliki 4 fase utama yaitu initial
population, procreate, cannibalism, dan mutation. Flowchart dari fase ini dapat
dilihat pada gambar 2.3. Penjelasan dari tiap fase ini dijelaskan pada sub-bab
berikutnya

13
 Gambar 2.3 Flowchart Black Widow Optimization [24]

2.2.2.1 Initial population

Inittial population adalah fase awal dari BWO. Seperti halnya Genetic
Algorithm yang memiliki “Chromosom” ataupun Particle Swarm Optimization
(PSO) yang memiliki “Particle Position”, BWO juga memiliki terminology untuk
solusi yang berpotensi yaitu “widow” (eq 2.10). Set dari widow ini
direpresentasikan sebagai array 1 × 𝑁𝑣𝑎𝑟 , dimana 𝑁𝑣𝑎𝑟 merupakan jumlah dari
problem variables, dan x adalah nilai dari problem variable itu sendiri. Fitness
function diperoleh dengan mengevaluasi widow tersebut (eq 2.11).
𝑤𝑖𝑑𝑜𝑤 = [𝑥1 , 𝑥2 , 𝑥3 , 𝑥4, 𝑥5, … , 𝑥𝑁𝑣𝑎𝑟 ] (eq 2.10)
𝐹𝑖𝑡𝑛𝑒𝑠𝑠 = 𝑓(𝑤𝑖𝑑𝑜𝑤) = 𝑓(𝑥1 , 𝑥2 , 𝑥3 , 𝑥4, 𝑥5, … , 𝑥𝑁𝑣𝑎𝑟 ) (eq 2.11)
Saat mulai menginiasiasi algoritma akan ada 𝑁𝑝𝑜𝑝 kandidat widow yang
merupakan inisial populasi awal dari widow. Sehingga matrix dari kandidat
widow akan berukuran 𝑁𝑝𝑜𝑝 × 𝑁𝑣𝑎𝑟 .

14
2.2.2.2 Procreate
Pada fase procreate populasi akan di reproduce menggunakan equation
2.12, dimana 𝑥1 dan 𝑥2 adalah parents, 𝑦1 dan 𝑦2 adalah offspring (child) yang
𝑁𝑣𝑎𝑟
dihasilkan. Proses ini akan diulang sebanyak kali dan random numbers yang
2

dipilih tidak boleh duplikat. Hasil array dari offspring akan di tambahkan ke array
dan di sort berdasarkan fitness valuenya.
𝑦1 = ∝ 𝑥1 + (1− ∝)𝑥2
{ (eq 2.12)
𝑦2 = ∝ 𝑥2 + (1− ∝)𝑥1

2.2.2.3 Cannibalism
Pada fase cannibalism nilai widow yang kecil akan dihapus. Ada beberapa
cannibalism yang dapat terjadi yang pertama adalah sexual cannibalism dimana
parent yang memiliki fitness value kecil akan dieliminasi. Yang kedua ada sibling
cannibalism dimana offspring yang memiliki fitness value rendah yang akan di
eliminasi. Yang terakhir adalah weak cannibalism dimana tidak peduli dia sebagai
parent atau offspring jika memiliki fitness value yang rendah akan di eliminasi.
Jumlah rate widow yang dieliminasi tergantung dari cannibalism rating (CR) yang
ditentukan.

2.2.2.4 Mutation
Pada fase mutation, algoritma akan memilih random sebanyak Mutepop dari
populasi. Setiap widow yang terpilih akan dilakukan mutase dengan menukar 2
nilai secara random. Gambar dari mutastion ini dapat dilihat pada gambar 2.4.
Jumlah mutepop di kalkulasi tergantung dengan mutation rate (MR).

Gambar 2.4 BWO Mutation [24]

15