Hasil Pencarian  ::  Simpan CSV :: Kembali

"Penelitian ini bertujuan untuk menganalisis dan membandingkan ukuran flow terhadap FCT slowdown dari empat protokol network telemetry, yaitu INT, PINT, LINT, dan DINT, dalam mekanisme High Precision Congestion Control (HPCC) menggunakan simulator NS3. Implementasi HPCC bertujuan untuk mengoptimalkan kinerja jaringan berkecepatan tinggi dengan meminimalkan latensi dan mengontrol congestion secara efisien menggunakan teknik network telemetry. Dalam penelitian ini, metrik yang digunakan untuk evaluasi adalah Flow Completion Time (FCT) slowdown, yang membandingkan FCT antara flow yang mengandung data telemetry dan flow yang tidak. Hasil dari simulasi ini memberikan wawasan tentang keunggulan masing-masing protokol pada mekanisme HPCC dengan berbagai skenario jaringan.

---

This study aims to analyze and compare the flow size against the FCT slowdown of four network telemetry protocols: INT, PINT, LINT, and DINT, within the High Precision Congestion Control (HPCC) mechanism using the NS3 simulator. The implementation of HPCC aims to optimize the performance of high-speed networks by minimizing latency and efficiently controlling congestion using network telemetry techniques. In this study, the metric used for evaluation is Flow Completion Time (FCT) slowdown, which compares the FCT between flows containing telemetry data and those that do not. The simulation results are provide insights into each protocol’s advantages in various network scenarios."

"

---

"

"

---

"

"Penelitian ini bertujuan untuk menganalisis dan membandingkan ukuran flow terhadap FCT slowdown dari empat protokol network telemetry, yaitu INT, PINT, LINT, dan DINT, dalam mekanisme High Precision Congestion Control (HPCC) menggunakan simulator NS3. Implementasi HPCC bertujuan untuk mengoptimalkan kinerja jaringan berkecepatan tinggi dengan meminimalkan latensi dan mengontrol congestion secara efisien menggunakan teknik network telemetry. Dalam penelitian ini, metrik yang digunakan untuk evaluasi adalah Flow Completion Time (FCT) slowdown, yang membandingkan FCT antara flow yang mengandung data telemetry dan flow yang tidak. Hasil dari simulasi ini memberikan wawasan tentang keunggulan masing-masing protokol pada mekanisme HPCC dengan berbagai skenario jaringan.

---

This study aims to analyze and compare the flow size against the FCT slowdown of four network telemetry protocols: INT, PINT, LINT, and DINT, within the High Precision Congestion Control (HPCC) mechanism using the NS3 simulator. The implementation of HPCC aims to optimize the performance of high-speed networks by minimizing latency and efficiently controlling congestion using network telemetry techniques. In this study, the metric used for evaluation is Flow Completion Time (FCT) slowdown, which compares the FCT between flows containing telemetry data and those that do not. The simulation results are provide insights into each protocol’s advantages in various network scenarios."

"Penelitian ini bertujuan untuk menganalisis dan membandingkan ukuran ow terhadap FCT slowdown dari empat protokol network telemetry, yaitu INT, PINT, LINT, dan DINT, dalam mekanisme High Precision Congestion Control (HPCC) menggunakan simulator NS3. Implementasi HPCC bertujuan untuk mengoptimalkan kinerja jaringan berkecepatan tinggi dengan meminimalkan latensi dan mengontrol congestion secara e sien menggunakan teknik network telemetry. Dalam penelitian ini, metrik yang digunakan untuk evaluasi adalah Flow Completion Time (FCT) slowdown, yang mem- bandingkan FCT antara ow yang mengandung data telemetry dan ow yang tidak. Hasil dari simulasi ini memberikan wawasan tentang keunggulan masing-masing protokol pada mekanisme HPCC dengan berbagai skenario jaringan.

---

This study aims to analyze and compare the ow size against the FCT slowdown of four network telemetry protocols: INT, PINT, LINT, and DINT, within the High Precision Congestion Control (HPCC) mechanism using the NS3 simulator. The implementation of HPCC aims to optimize the performance of high-speed networks by minimizing latency and ef ciently controlling congestion using network telemetry techniques. In this study, the metric used for evaluation is Flow Completion Time (FCT) slowdown, which compares the FCT between ows containing telemetry data and those that do not. The simulation results are provide insights into each protocol’s advantages in various network scenarios."

"Quadcopter merupakan wahana terbang yang memiliki 4 rotor bersifat underactuated. Sifat quadcopter yang merupakan sistem yang kompleks akibat coupling antar variabelnya menjadikan desain pengendali yang cukup rumit. Diperlukan adanya pengendali yang mudah untuk dapat diaplikasikan pada quadcopter. Untuk melakukan percobaan pengaplikasian pengendali pada quadcopter, sistem pengendali tersebut harus dilakukan percobaan pada simulasi untuk mengetahui hasilnya. Oleh karena itu, peneliti mengusulkan pengendalian DIC yang berbasis deep neural networks (DNN) dan long-short term memory (LSTM) diujikan pada simulator sebelum akhirnya pada quadcopter asli. LSTM digunakan memiliki arsitektur pendukung untuk data sekuensial sebagaimana pergerakan trajektori. Sistem kendali dengan LSTM ini dihasilkan galat MSE yang lebih rendah dibanding DNN. Kinerja LSTM lebih baik dibandingkan dengan DNN. Selain itu, terdapat beberapa faktor – faktor terjadi peningkatan galat ketika diintegrasikan pada simulator Gazebo untuk bahan evaluasi terhadap pengendali berbasis yang sama diaplikasikan pada quadcopter aslinya.

---

Quadcopter is a flying vehicle that has 4 rotors that are underactuated. The nature of the quadcopter which is a complex system due to the coupling between the variables makes the controller design quite complicated. An easy controller is needed to be applied to the quadcopter. In order to experiment with the application of the controller on the quadcopter, the control system must be experimented with in a simulation to find out the results. Therefore, the researcher proposes that DIC control based on Deep Neural Network and Long-Short Term Memory be tested on a simulator before finally on a real quadcopter. LSTM is used to have a supporting architecture for sequential data as well as trajectory movement. The controller with this LSTM produces a lower MSE error than DNN. LSTM performance is better compared to DNN. In addition, there are several factors that increase the error when integrated into the simulator for evaluation of the same based controller applied to the original quadcopter."

"Program-program simulator MEMS akselerometer telah banyak muncul dikarenakan perkembangan teknologi MEMS yang cenderung pesat dewasa ini. Namun, kebanyakan dari program-program simulator tersebut berlisensi dan berharga sangat mahal. Hal-hal tersebut menjadi kendala bagi perkembangan pelajar-pelajar maupun kalangan-kalangan peneliti yang berkecimpung di dalam dunia MEMS. Oleh karena itu, dalam skripsi ini akan diperkenalkan sebuah program simulator bernama SUGAR yang akan menjadi salah satu alternatif yang realistis karena program ini bersifat open-source. Program simulator ini juga cukup mudah untuk digunakan karena telah terprogram dalam MATLAB. Bahkan, fungsi-fungsi MATLAB dapat digunakan untuk menunjang keakuratan dari SUGAR. Oleh karena itu, penulis mengangkat tema uji keakuratan simulator SUGAR dengan pendekatan linear untuk mengeksplor lebih lanjut keakuratan dari program simulator tersebut.

---

MEMS accelerometer simulators have been used since the advancement in MEMS technology has been so great lately. However, most of the simulators are licensed and will cost too much. Such things are constraining the advancement of students and researchers in MEMS world.Therefore, in this minithesis we introduce SUGAR simulator as one of the realistic solution because this program is an open-source program.

This simulator program is easy to use since it is programmed in MATLAB. Moreover, MATLAB functions can also be used with SUGAR to support SUGAR simulation. Therefore, the writer suggests the topic of SUGAR simulator reliability testing to explore more of its reliability."

"Ketersediaan akses internet semakin hari semakin meningkat karena meningkatnya pengguna, aplikasi, dan layanan yang membutuhkan pengiriman informasi yang cepat dan handal. Padatnya trafik pada jaringan menimbulkan kemacetan (congestion) yaitu pengirimana paket yang melebihi kapasitas link, sehingga terjadi pembuangan paket yang mengakibatkan kinerja Internet menurun. Apabila hal ini tidak diantisipasi, akan mengakibatkan collapse (kegagalan) jaringan. Oleh karena itu pengaturan trafik jaringan data sangat dibutuhkan pada intermediate network yang dikenal dengan Active Queue Management (AQM). Pengembangan metode AQM saat ini, membutuhkan solusi yang robust agar handal dalam kondisi jaringan yang dinamik. Di dalam riset ini diusulkan rancangan AQM dengan pengendali PI set-point weighting yang dinamis ARPI (Action Ratio Proportional Integral). Struktur set-point weighting (bobot acuan) dapat mereduksi overshoot atau burst traffic. Agar dapat robust terhadap perubahan trafik, parameter set-point weighting dirancang bersifat dinamik berdasarkan rasio error queue. Hasil simulasi menunjukkan metode yang diusulkan (ARPI) berkinerja lebih baik dengan kecepatan respon 3.5 detik, yaitu mereduksi 92 persen dibandingkan metode yang dikembangkan oleh Hollot (PI) yang mempunyai kecepatan respon 45 detik. ARPI juga mereduksi queuing delay sebesar 35 persen dan bottleneck link delay sebesar 33 persen dibandingkan dari metode PI.

---

The availability of internet access nowadays is increasing due to the increase in users, applications, and services that require fast and reliable information delivery. The density of traffic on the network causes congestion, which is the sending of packets that exceed the link capacity, resulting in packet drop resulting in decreased Internet performance. If this is not anticipated, it will result in network collapse. Therefore, data network traffic management is needed, in intermediate networks, namely routers, known as Active Queue Management (AQM). The current development of the AQM method requires a robust solution to be reliable in dynamic network conditions. In this research, the proposed AQM design with a PI set-point weighting controller called ARPI (Action Ratio Proportional Integral). The set-point weighting structure can reduce overshoot or burst traffic. To be robust to traffic changes, the set-point weighting parameter is designed to be dynamic based on the error queue ratio. Simulation results show the proposed method (ARPI) performs better with a response rate of 3.5 seconds, which is 92 percent reduction compared to the method developed by Hollot (PI) with a response of 45 seconds. ARPI also reduce the queuing delay 35 percent and bottleneck link delay by 33 percent compared to the PI."

"Congestion control merupakan salah-satu mekanisme yang penting dalam jaringan komputer, termasuk Internet. Banyak penelitian yang telah mencoba menghasilkan congestion control yang efektif mengatur jaringan sehingga tidak terjadi congestion selagi memastikan Quality of Service (QoS) yang baik. Sejak tahun 1988, telah banyak algoritma congestion control yang dibuat untuk mengatasi hal tersebut. Selama ini, pada umumnya algoritma congestion control menggunakan konsep rule-based yang mana algoritma tersebut mengatur jaringan berdasarkan aturan-aturan yang sudah ditentukan oleh manusia. Seiring berkembangnya teknologi kecerdasan buatan dan pembelajaran mesin, semakin banyak congestion control yang mulai dikembangkan menggunakan teknologi tersebut. Salah satu teknologi pembelajaran mesin yang cocok digunakan untuk congestion control adalah deep reinforcement learning. Pembelajaran mesin dimanfaatkan untuk mengganti manusia dalam menciptakan aturan yang digunakan congestion control untuk menghasilkan congestion control berbasis deep reinfocement learning (DRL-CC). Penggunaan pembelajaran mesin dipercaya memiliki kemampuan untuk mengatasi kondisi jaringan yang semakin dinamis dibandingkan pada abad ke-20. Penelitian ini merupakan lanjutan dari penelitian sebelumnya yang bertujuan untuk memperbaiki algoritma DRL-CC yang sudah diciptakan yaitu Aurora dengan memodifikasi algoritma tersebut. Penelitian ini membandingkan Aurora dengan modifikasi DRL-CC tersebut pada kasus pemakaian yang semakin relevan pada masa ini yaitu streaming video untuk mencari tahu apakah modifikasi tersebut bersifat robust. Dilakukan eksperimentasi pada DRL-CC tersebut menggunakan Pantheon pada bermacam skenario jaringan termasuk skenario streaming video. Ditemukan bahwa pada skenario streaming video, modifikasi Aurora memiliki performa yang lebih baik dari Aurora asli. Terdapat penurunan sebesar 1.87 kali lebih rendah pada kategori delay yang dihasilkan oleh modifikasi Aurora. Selain itu, modifikasi Aurora mampu menekan loss rate yang dialami sebesar 2.36 kali lebih rendah.

---

Congestion control is an essential mechanism in computer networks, including the Internet. Many studies have tried to produce congestion control that effectively regulates the network so that congestion does not occur while ensuring good Quality of Service (QoS). Since 1988, many congestion control algorithms have been created to overcome this. So far, congestion control algorithms generally use a rule-based concept where the algorithm manages the network based on rules that have been determined by humans. As artificial intelligence and machine learning technology develop, more and more congestion controls are starting to be developed using this technology. One machine learning technology that is suitable for congestion control is deep reinforcement learning. Machine learning is used to replace humans in creating the rules used by congestion control to produce deep reinforcement learning based congestion control (DRL-CC). The use of machine learning is believed to have the ability to overcome network conditions that are increasingly dynamic compared to those of the 20th century. This research is a continuation of previous research which aims to improve the DRL-CC algorithm that has been created, namely Aurora, by modifying the algorithm. This research compares Aurora with the modified DRL-CC algorithm in a use case that is increasingly relevant today, namely video streaming, to find out whether the modification is robust. Experiments were carried out on DRL-CC using Pantheon in various network scenarios, including video streaming. It was found that in the video streaming scenario, the modified Aurora performed better than the original Aurora. There was a decrease of 1.87 times in the delay category produced by the Aurora modification. Apart from that, the Aurora modification was able to reduce the loss rate experienced by 2.36 times lower."