Minimalisasi Konsumsi Energi Offloading Data Gambar Pada AplikasiMobile Cloud Computing

Konsumsi energi pada baterai saat perangkat mobile melakukan proses komputasi merupakan keterbatasan resource pada mobile computing (Wu, 2018). Teknologi Mobile Cloud Computing (MCC) menjadi solusi keterbatasan pada mobile computing tersebut (Cuervo et al, 2010). MCC menggabungkan antara mobile computing dan cloud computing (Debashis, 2015) yang memungkinkan komputasi dapat dilakukan pada perangkat mobile dan dipindahkan ke cloud, baik sebagian maupun keseluruhan dari proses komputasi yang dikenal dengan istilah offloading.

Tetapi, proses offloading tetap memerlukan konsumsi energi pada perangkat mobile dalam melakukan transmisi data ke cloud. Ukuran bandwidth dan ukuran data menjadi faktor berpengaruh terhadap konsumsi energi pada proses offloading (Qi & Gani, 2012). Ukuran bandwidth mempengaruhi konsumsi energi yang diperlukan untuk memindahkan data komputasi (Kaur & Kaur, 2016). Ukuran data juga mempengaruhi konsumsi energi saat offloading. Data gambar sebagai data yang memuat relatif banyak rincian informasi berupa pixel yang ukurannya relatif besar menjadi objek utama dalam pengujian ini adalah pada data gambar. Apabila ukuran data lebih besar, perangkat memerlukan energi yang lebih besar juga untuk memecah data menjadi beberapa bagian. Hal ini menyebabkan waktu transmisi menjadi lebih panjang dan daya yang digunakan lebih besar pula (Lin et al, 2013).

Antara ukuran bandwidth dan ukuran data, ukuran data lebih fleksibel untuk dikecilkan terlebih dulu sebelum melakukan offloading. Salah satu cara yang dapat dilakukan terhadap ukuran data agar memiliki ukuran yang lebih kecil tanpa mengurangi kualitas adalah dengan menggunakan teknik kompresi. Hal ini bukan hal baru, sebelumnya Sadler dan Martonosi telah melakukan penelitian dengan data compression sebelum offloading (Sadler & Martonosi, 2006). Kompresi juga membantu dalam pemrosesan data pada cloud server terkait dengan kecepatan pemrosesan data yang diperlukan (Wibowo, 2017). Selain itu, efisiensi bandwidth dan efisiensi memori pada perangkat mobile juga dapat dilakukan dengan adanya kompresi (Rustamaji, Mariani, & Yuwono, 2014), serta dalam rangka penghematan bandwidth dalam jaringan (Singh et al, 2016).

Kemudian timbul pertanyaan apakah kompresi merupakan salah satu cara untuk mengefisiensi energi. Semakin besar data yang perlu dikompresi sebelum melakukan transmisi, maka konsumsi energi yang diperlukan akan semakin besar dengan nilai yang berbanding lurus dengan waktu eksekusi pada sisi client (Tawalbeh et al, 2016). Sementara tuntutan dari kompresi adalah menghasilkan file dengan ukuran yang sekecilnya dan hasil kompresi itu harus dapat dikomputasi dengan baik pada sisi cloud dengan melihat pada nilai rasio kompresinya. Serta tidak menutup kemungkinan, apabila konsumsi energi untuk mengirimkan file langsung ke cloud (offloading) lebih kecil dibandingkan energi yang dibutuhkan untuk melakukan kompresi terlebih dulu akibat waktu eksekusi yang lebih lama. Inilah yang menjadi trade-off dalam mewujudkan efisiensi energi pada aplikasi MCC.

Sistem aplikasi MCC perlu memiliki sistem pengambilan keputusan yang dapat memberikan keputusan bagi sistem untuk melakukan kompresi terlebih dulu atau tidak terhadap gambar yang diambil. Dalam pengambilan keputusan, diperlukan fungsi untuk mendapatkan konsumsi energi dari gambar ditangkap perangkat mobile hingga offloading gambar ke cloud. Pemodelan fungsi diperlukan untuk memprediksi output ukuran file yang dikompresi, waktu kompresi serta perhitungan waktu offloading, baik terhadap data gambar yang dikompresi maupun yang langsung di-offload.

Dalam melakukan pemodelan fungsi, penelitian menggunakan machine learning regression dan membandingkan keakuratannya berdasarkan nilai RMSE (Root Mean Square Error). Model terbaik adalah model yang memiliki nilai RMSE terendah sehingga dapat memberikan prediksi nilai ukuran kompresi, waktu kompresi dan waktu offloading data gambar yang dikompresi maupun tidak.

Data gambar yang langsung di-offloading tentu memiliki akurasi yang lebih tinggi dibandingkan hasil kompresi. Tetapi bukan berarti data gambar yang dikompresi terlebih dulu tidak dapat diolah. Keuntungan pasti dari data gambar yang dikompresi dulu memiliki konsumsi energi yang lebih kecil. Sehingga dengan adanya pemodelan fungsi tersebut, konsumsi energi dapat meminimalisir pada perangkat mobile.

Pengujian dilakukan terhadap data gambar yang memiliki pixel-pixel berisi bit-bit yang setiap bit-nya mempengaruhi output dari pengolahan data. Kompresi data menggunakan perceptual JPEG Encoder yang memiliki banyak modifikasi dan turunan dalam rangka efisiensi informasi data yang disertakan atau tidak pada data gambar maupun dalam rangka kecepatan kompresi serta ukuran data gambar setelah kompresinya. Salah satu modifikasi JPEG Encoder adalah menggunakan teknik Discrete Cosine Transform (DCT) memiliki kelebihan dalam hal kecepatan kompresi serta ukuran gambar yang lebih kecil dibandingkan teknik lainnya yang dapat digunakan sebagai pengujian pada metode offloading.

Sebelumnya Li et al mengusulkan pendekatan baru menggunakan decision making untuk menentukan tingkat pre-processing untuk menghasilkan akurasi dan  efisiensi energi di lingkungan MCC (Li et al, 2015). Penelitian tersebut menggunakan prediksi nilai dan dievaluasi dengan menggunakan face recognition. Penelitian dalam pre-processing offloading yang digunakan dalam hal ini adalah teknik kompresi sebelumnya sudah dikerjakan oleh (Soni & Shukla, 2016) dan (Senthilkumar & Mathivanan, 2016). Wu et al berfokus pada pengambilan keputusan dalam offloading, menyangkut waktu yang tepat untuk melakukan offloading hingga kebagian apakah data akan di-offloading-kan semua atau sebagian dengan menggunakan multi-criteria. Kesemuanya berfokus pada bagaimana kompresi dapat membantu dalam mengefisiensi konsumsi energi.

Oleh karena itu, perlu adanya suatu pemodelan yang dapat digunakan sebagai decision making untuk memutuskan apakah data gambar yang diambil perlu untuk dikompresi terlebih dulu atau tidak sebelum di-offloading ke server untuk dikomputasi. Keputusan diambil dengan menghitung prediksi konsumsi sehingga diambil nilai paling minimal. Pemodelan didapatkan menggunakan machine learning regression dengan mencari nilai RMSE terendah.

Peneliti: Yuricha dan I Gede Putra Kusuma Negara