Emotion-Aware Mobile Cloud Computing di Era 5G

31 Jul 2019

Penulis: Faisal Akbar Sulaiman dan Tirta Kusuma

Pembimbing/Editor: Amalia Zahra, S.Kom., Ph.D.

 

Pendahuluan

Saat ini teknologi 5G sudah mulai berkembang dan keterbatasan bandwidth sudah dapat diatasi. Dengan dukungan teknologi cloud dan 5G, pengembangan layanan yang emotion-aware sudah dapat dilakukan. Keterbatasan kekuatan komputasi dapat dialihkan ke cloud, dan data dapat dikumpulkan lebih banyak dalam waktu yang lebih singkat berkat teknologi 5G. Saat ini banyak aplikasi yang sudah memberikan layanan berdasarkan preferensi para pengguna. Namun belum banyak yang memberikan layanan dengan memperhatikan emosi.

Layanan yang emotion-oriented diharapkan dapat memberikan kepuasan pengalaman emosi kepada para pengguna melebihi user experience sebelumnya. Hal terpenting dari aplikasi seperti ini adalah untuk menawarkan layanan tertentu berdasarkan variasi emosi pengguna. Data dikumpulkan dari berbagai peralatan di sekitar pengguna yang tidak terbatas hanya di handheld gadget saja yang kemudian akan dikumpulkan dan dianalisis. Data yang dikumpulkan dapat dianalisis kemudian untuk mengembangkan layanan yang ada.

 

Arsitektur dan Komponen EMC (Emotion-aware Mobile Cloud Computing)

Gambar 1. Arsitektur EMC

Dalam pengembangannya, layanan emotion-aware mobile cloud computing atau disingkat EMC memiliki arsitektur, seperti yang diilustrasikan pada Gambar 1, di mana layanan tersebut membutuhkan beberapa infrastruktur pendukung yang secara garis besar dibagi menjadi tiga, antara lain:

  1. Perangkat Mobile

Contohnya handheld gadget seperti handphone, maupun alat-alat kesehatan seperti electromyography (EMG), electrocardiogram (ECG), electroencephalogram (EEG), dan lain-lain.

  1. Cloudlet lokal

Berbagai macam perangkat yang ada di sekitar pengguna dapat dihubungkan menjadi sebuah jaringan lokal kecil yang berfungsi untuk mengumpulkan data kegiatan pengguna dan melakukan komputasi awal sebelum data dikirim ke cloud.

  1. Remote cloud

Remote cloud berfungsi sebagai tempat penyimpanan data dan berlangsungnya komputasi terhadap data yang telah dikumpulkan. Di sinilah proses perancangan dan analisis layanan dilakukan.

Untuk mendapatkan hasil yang diinginkan, EMC dibagi menjadi komponen-komponen fungsional dalam prosesnya sebagai berikut:

  1. Pengumpulan data emosi

Data para pengguna dari berbagai tempat dikumpulkan ke cloud dengan menggunakan berbagai macam alat, di antaranya alat kesehatan, kamera facial recognition, dan media sosial.

  1. Analisis data

Analisis data yang kemudian dijadikan model untuk deteksi emosi.

  1. Pendektesian perangkat

Untuk memberikan layanan maksimal, seluruh alat yang ada di sekitar pengguna dimanfaatkan.

  1. Emotion-aware feedback

Berdasarkan data lokasi, kebiasaan, dan emosi, layanan memberikan respon yang sesuai.

Secara keseluruhan, interaksi komponen-komponen ini bisa dilihat pada Gambar 2 berikut ini.

Gambar 2. Contoh Feedback aksi berbasis emosi yang didukung komponen cloudlet lokal

 

Pemrosesan Data Emosi Berbasis MCC

Ada empat langkah pemrosesan data emosi dalam arsitektur EMC, yakni pengumpulan data, pra-pemrosesan data, pengenalan emosi, dan penyampaian layanan. Umumnya, pengumpulan dan pemrosesan data emosi dilakukan di cloudlet lokal, sementara pengenalan emosi dan penyampaian layanan dilakukan di remote cloud. Selanjutnya akan dibahas pemrosesan data emosi berbasis MCC mulai dari cloudlet lokal sampai dengan remote cloud.

Pada tahap pengumpulan data di cloudlet lokal, karena besarnya data sensorik yang diperlukan dan untuk memenuhi data persyaratan komputasi afektif, maka dirancanglah mekanisme kolaboratif penginderaan data. Mekanisme ini memanfaatkan peralatan dalam cloudlet lokal melalui pendekatan kolaborasi statis dan dinamis di mana keduanya bisa diaplikasikan secara komprehensif dalam pengumpulan data.

Apabila hanya bergantung pada perangkat mobile, maka akan sulit untuk secara efektif menangani data penginderaan besar. Karena itu, kita perlu menggunakan kolaborasi perangkat statis lokal. Pemrosesan data kolaboratif di cloudlet lokal menawarkan fungsi-fungsi berikut:

  1. Pembersihan data. Dengan membersihkan data yang dikumpulkan, kita bisa mengidentifikasi data yang tidak pasti, tidak akurat, tidak lengkap, atau tidak masuk akal, dan kemudian memodifikasi atau menghapusnya untuk meningkatkan kualitas data.
  2. Eliminasi redundansi. Redundansi data akan meningkatkan transmisi data yang tidak perlu dan juga ada kebutuhan untuk menggunakan metode kompresi untuk mengurangi volume data multimedia.
  3. Integrasi data. Keakuratan analisis sentimen dan prediksi tergantung pada keragaman data yang dikumpulkan.

Pada remote cloud disediakan banyak sumber daya untuk mendukung komputasi yang efektif, dan juga yang terpenting lebih banyak sumber data. Misalnya, kita bisa menggunakan informasi yang pengguna bagi di jejaring sosial untuk mengekstrak informasi emosi, dan menggabungkannya dengan informasi lingkungan seluler yang dikumpulkan untuk analisis yang lebih dalam. Dengan cara ini, kita bisa meningkatkan akurasi pengenalan emosi, dan juga meningkatkan akurasi model emosi. Remote cloud terdiri dari tiga modul berikut:

  • Penganalisis emosi. Dengan menggunakan komputasi afektif algoritma tingkat lanjut, kita dapat mengekstraksi fitur emosional dari data yang dikumpulkan, dan mengandalkan model pendukung library data keputusan emosi untuk mengidentifikasi keadaan emosi pengguna saat ini.
  • Library model. Modul ini menyediakan tiga fungsi utama, yaitu dukungan keputusan, pembaruan model, dan peningkatan model.
  • Penerbit hasil. Menurut hasil yang dikenali dari penganalisis emosi, hasil keadaan emosi akan didorong ke penyedia aplikasi seluler untuk memberikan dasar ilmiah untuk layanan persepsi emosi mereka.

Mirip dengan MCC konvensional, ketidakseimbangan antara komunikasi dan komputasi adalah tantangan besar dalam EMC. Diperlukan desain partisi EMC untuk meningkatkan QoE atau kualitas pengalaman layanan melalui optimasi sumber daya untuk memenuhi pemrosesan data emosi. Kehadiran teknologi 5G sendiri memungkinkan skenario sistem sebagai berikut:

  1. Dukungan 5G lebih besar dan beban kerja terminal lebih kecil.

Dalam skenario ini, EMC melepaskan tugas-tugas utama ke remote cloud, sementara hanya tugas-tugas penting yang diproses di Internet terminal seluler dan cloudlet lokal. Skenario ini meningkatkan QoE dengan pengumpulan data yang lebih efektif, analisis data yang lebih akurat, lebih banyak kognisi sumber daya tepat waktu, dan umpan balik yang lebih kaya. Namun, hal ini membutuhkan lebih banyak dukungan 5G, sehingga biaya komunikasi lebih tinggi. Contoh implementasinya antara lain robot dan layanan kesehatan berbasis cloud.

  1. Dukungan 5G kecil dan beban kerja terminal lebih besar.

Dalam skenario ini, tugas utama diproses di terminal ponsel dan cloudlet lokal, sementara hanya tugas dengan kebutuhan sumber daya intensif yang dialihkan ke remote cloud. Dibandingkan dengan skenario sebelumnya, meskipun disediakan Level QoE yang mungkin relatif lebih rendah, skenario ini lebih sedikit tergantung pada 5G, untuk memastikan bahwa EMC mampu menyediakan fungsi dasar bahkan di lingkungan jaringan nirkabel yang buruk. Sebagai contoh, aplikasi kesehatan yang kaya akan media, seperti penanganan medis darurat, pendidikan kesehatan jarak jauh, dan pengiriman video layanan kesehatan sesuai permintaan, semua digunakan untuk menyediakan layanan profesional secara cepat.

 

Kesimpulan

Kemajuan terbaru dalam 5G dengan kapasitas kecepatan lebih tinggi memungkinkan munculnya kelas baru aplikasi dan layanan seluler yang kaya dan berorientasi pada pengguna. Dalam artikel ini diusulkan untuk integrasi komputasi afektif yang menggunakan sumber daya intensif dengan aplikasi mobile, sambil meningkatkan komputasi cloud mobile untuk juga meningkatkan kemampuan perangkat mobile.

Tujuan EMC adalah untuk menyediakan layanan yang dipersonalisasi, manusia-sentris, cerdas dan tanggap-emosi. Dari sini teridentifikasi topik penelitian yang menarik untuk memaksimalkan QoE atau kualitas pengalaman pengguna sambil mengoptimalkan alokasi sumber daya, di antaranya terminal seluler, cloudlet lokal, dan remote cloud.

Namun, desain saat ini tidak mempertimbangkan masalah privasi dan keamanan pengguna dan proses pengumpulan data emosi multi-dimensi. Selain itu, juga akan menarik untuk mempertimbangkan apakah arsitektur aplikasi seluler yang ada dapat memenuhi persyaratan model layanan EMC. Ini adalah sebagian dari masalah-masalah yang menarik untuk diteliti ke depannya.

 

Referensi

[1] Chen, Min & Zhang, Yin & Li, Yong & Mao, Shiwen & Leung, Victor. “EMC: Emotion-aware Mobile Cloud Computing in 5G,” Network, IEEE. 29, 2015, pp. 32-38. 10.1109/MNET.2015.7064900.

[2] Y. Li et al., “Optimal Mobile Content Downloading in Device-to-Device Communication Underlaying Cellular Networks,” IEEE Trans. Wireless Commun., vol. 13, no. 7, July 2014, pp. 3569–3608.

[3] T. Yilmaz, E. Fadel, and O.B. Akan, “Employing 60 GHz ISM Band for 5G Wireless Communications,” Proc. 2014 IEEE Int’l Black Sea Conf. Commun. Networking (BlackSeaCom), Odessa, Ukraine, May 2014, pp.77–82.

[4] I. Son et al., “Frame-Based Medium Access Control for 5G Wireless Networks,” Springer Mobile Networks and Applications, 2015.

[5] Y. Xu and S. Mao, “A Survey of Mobile Cloud Computing for Rich Media Applications,” IEEE Wireless Commun., vol. 20, no. 3, June 2013, pp. 46–53.

[6] R. LiKamWa et al., “Moodscope: Building a Mood Sensor from Smart phone Usage Patterns,” Proc. AMC MobiSys’13, Taipei, Taiwan, June 2013, pp. 389–402.

[7] J. Hernandez et al., “Mood Meter: Counting Smiles in the Wild,” Proc. ACM 2012 Int’l Conf. Ubiquitous Computing (UbiComp), Pittsburgh, PA, Sept. 2012, pp. 301–10.

[8] W. Cai, M. Chen, and V. C. M. Leung, “Towards Gaming as a Service,” IEEE Internet Computing, vol. 18, no. 3, May/June 2014, pp. 12–18.

[9] A. Osseiran, et al., “Scenarios for 5G Mobile and Wireless Communications: The Vision of the METIS Project,” IEEE Commun. Mag., vol. 52, no. 5, May 2014, pp. 26–35.

[10] E. Jang et al., “Classification of Human Emotions from Physiological Signals Using Machine Learning Algorithms,” Proc. Sixth Int’l Conf. Advances Computer-Human Interactions (ACHI 2013), Nice, France, Feb./Mar. 2013, pp. 395–400.

[11] M. Chen et al., “AIWAC: Affective Interaction through Wearable Computing and Cloud Technology,” IEEE Wireless Commun., Feb. 2015.

Amalia Zahra