Perkembangan perangkat mobile yang pesat dan meningkatnya permintaan layanan berlatensi
rendah telah mendorong munculnya Mobile-Edge Computing (MEC) sebagai solusi yang
layak untuk menghadapi tantangan ini. MEC menghadirkan komputasi dan penyimpanan
lebih dekat ke pengguna akhir, mengurangi latensi dan meningkatkan pengalaman pengguna secara keseluruhan. Namun, sifat dinamis dan keterbatasan sumber daya pada
lingkungan MEC menimbulkan tantangan signifikan dalam mengoptimalkan keputusan
offloading. Algoritma deep reinforcement learning (DRL) tradisional, meskipun efektif,
sering kali memperkenalkan overhead komputasi yang besar, membuatnya kurang cocok
untuk sistem MEC yang terbatas sumber dayanya.
Dalam penelitian ini, kami mengusulkan pendekatan baru untuk mengoptimalkan keputusan offloading dalam MEC dengan memodifikasi algoritma Nadam, menghasilkan versi
baru yang disebut MyNadam. Modifikasi utama melibatkan penghapusan komponen u product
untuk mengurangi kompleksitas komputasi sambil mempertahankan kecepatan konvergensi
dan stabilitas. Kami mengevaluasi MyNadam terhadap beberapa optimasi yang ada, termasuk Adam, Adadelta, Adagrad, Adamax, Nadam, dan Ftrl, dalam berbagai skenario
dengan jumlah iterasi dan beban pengguna yang berbeda. Eksperimen dirancang untuk
menilai efisiensi, stabilitas, dan kinerja keseluruhan dari algoritma-algoritma ini dalam
lingkungan MEC yang dinamis.
Hasil eksperimen menunjukkan bahwa MyNadam mengungguli algoritma optimasi tradisional dalam beberapa aspek penting baik pada kondisi beban normal maupun alternatif.
Secara spesifik, pada kondisi beban normal, MyNadam mencapai tingkat komputasi yang
dinormalisasi sebesar 0,9935 pada 2000 iterasi, sambil secara signifikan mengurangi total
waktu yang dikonsumsi dan waktu rata-rata per saluran dibandingkan dengan Adam dan
Nadam. Pada skenario beban alternatif, MyNadam mempertahankan tingkat komputasi
yang dinormalisasi sebesar 0,9955 dan terus menunjukkan efisiensi superior dengan meminimalkan waktu komputasi dan menjaga stabilitas di berbagai beban pengguna. Peningkatan
ini menegaskan bahwa MyNadam tidak hanya efektif dalam mengoptimalkan keputusan
offloading dalam MEC, tetapi juga adaptif terhadap berbagai tuntutan komputasi, menjadikannya solusi yang kokoh untuk lingkungan dengan keterbatasan sumber daya.