<![CDATA[Proliferasi perangkat Internet of Things (IoT) dan kemajuan perangkat seluler cerdas menghasilkan lonjakan permintaan aplikasi seluler yang padat komputasi dan sensitif terhadap latensi, seperti Augmented Reality, pemrosesan industri real-time, dan kota pintar. Arsitektur komputasi awan tradisional yang tersentralisasi tidak lagi memadai untuk memenuhi persyaratan tersebut, karena jarak geografis yang jauh dari pengguna akhir menimbulkan latensi dan konsumsi energi yang tinggi. Makalah ini mengusulkan kerangka pengambilan keputusan berbasis Deep Reinforcement Learning untuk masalah task offloading adaptif dan pembagian sumber daya dalam jaringan cloud-edge dua tingkat. Jaringan dimodelkan dengan satu node cloud berkapasitas tinggi dan beberapa node edge berlatensi rendah yang terhubung secara vertikal maupun horizontal, dengan latensi komputasi dan komunikasi dimodelkan menggunakan teori antrian M/M/1. Masalah minimasi latensi rata-rata sistem diformulasikan sebagai Markov Decision Process dengan ruang aksi kontinu yang mencakup fraksi offloading beban kerja antar node dan jumlah server aktif. Kami mengusulkan algoritma Twin Delayed Deep Deterministic Policy Gradient yang diperluas dengan mekanisme warm-up Weighted Action, yang memandu eksplorasi awal berdasarkan kapasitas node guna menghasilkan transisi berkualitas lebih tinggi dalam replay buffer dan mempercepat konvergensi. Sebagai pembanding, Simulated Annealing diimplementasikan sebagai baseline mendekati optimal. Pendekatan yang diusulkan mempelajari kebijakan offloading mendekati optimal secara online tanpa memerlukan pengetahuan eksplisit tentang statistik sistem, sekaligus mempertahankan kepatuhan terhadap batasan kapasitas dan latensi yang ditetapkan. Index Terms—Deep Reinforcement Learning, Jaringan Cloud-Edge, Mobile Edge Computing, Task Offloading, Optimasi Latensi, Pembagian Sumber Daya]]>
Copyrights © 2026
