ARDIANSYAH, Deden and Wibowo, Mochamad Agung and Mantoro, Teddy (2026) MODEL ENERGI ADAPTIF BERBASIS GAN-Q-LEARNING UNTUK OPTIMALISASI EFISIENSI ENERGI, PENINGKATAN KINERJA, DAN PERPANJANGAN UMUR JARINGAN PADA JARINGAN SENSOR NIRKABEL. Doctoral thesis, UNIVERSITAS DIPONEGORO.

	Text cover aja.pdf Download (140kB)
	Text Cover lengkap.pdf Restricted to Repository staff only Download (899kB)
	Text BAB I.pdf Download (526kB)
	Text BAB II.pdf Download (1MB)
	Text BAB III.pdf Restricted to Repository staff only Download (1MB)
	Text BAB IV.pdf Restricted to Repository staff only Download (1MB)
	Text BAB V.pdf Restricted to Repository staff only Download (366kB)
	Text Daftar Pustaka.pdf Download (420kB)

Abstract

Jaringan Sensor Nirkabel (Wireless Sensor Networks/WSN) merupakan komponen fundamental dalam ekosistem Internet of Things (IoT) yang menuntut efisiensi energi tinggi untuk menjamin keberlangsungan operasional sistem dalam jangka panjang. Dalam konteks ini, pengelolaan energi yang adaptif menjadi factor penting karena berpengaruh langsung terhadap efisiensi konsumsi daya, stabilitas komunikasi, kinerja jaringan, dan umur operasional node sensor. Namun, sebagian besar pendekatan konvensional, seperti duty cycling, masih bersifat statis dan belum mampu merespons perubahan lingkungan secara dinamis. Fluktuasi suhu, kelembapan, radiasi matahari, dan intensitas trafik data menyebabkan konsumsi energi menjadi tidak efisien, mempercepat degradasi baterai, serta meningkatkan risiko kehilangan data dan penurunan performa jaringan. Penelitian ini mengusulkan AEMGQ (Adaptive Energy Model Based on GAN-Q-Learning) sebagai model energi adaptif untuk mengoptimalkan efisiensi energi, meningkatkan kinerja, dan memperpanjang umur jaringan pada WSN. Model ini mengintegrasikan Generative Adversarial Networks (GAN) untuk menghasilkan data lingkungan sintetik yang realistis dan beragam, sehingga memperluas ruang pelatihan dan meningkatkan ketangguhan model terhadap kondisi ekstrem. Selanjutnya, Q-Learning dengan reward shaping digunakan untuk membentuk agen cerdas yang mampu memilih aksi optimal, seperti sleep, harvest, transmit, relay, dan transfer, berdasarkan kondisi lingkungan, State of Charge (SoC), dan State of Health (SoH) baterai. Hasil implementasi menunjukkan bahwa AEMGQ mampu menurunkan konsumsi energi rata-rata hingga 27% dan memperpanjang umur baterai lebih dari 40% dibandingkan dengan pendekatan konvensional. Evaluasi performa juga menunjukkan bahwa agen pembelajaran memiliki konvergensi yang lebih cepat dan stabil dalam menghadapi kondisi lingkungan yang dinamis maupun ekstrem. Selain itu, model ini mampu menghasilkan keputusan yang lebih kontekstual dan efisien sehingga berdampak positif pada keberlanjutan operasional jaringan sensor. Penelitian ini berkontribusi pada pengembangan model energy adaptif berbasis kecerdasan buatan yang lebih efisien, tangguh, dan berkelanjutan untuk WSN. Secara konseptual, AEMGQ juga memperkuat pergeseran paradigm dari sekadar machine optimization menuju machine sustainability, yaitu system cerdas yang mampu belajar menjaga efisiensi energinya sendiri secara adaptif.
Kata Kunci: WSN, Reinforcement Learning, GAN, Q-Learning, Management Energy Adaptive.

Wireless Sensor Networks (WSNs) have become an essential component of the Internet of Things (IoT) ecosystem, requiring high energy efficiency to guarantee sustained system operation. In this context, adaptive energy modelling is crucial because it directly impacts power efficiency, communication stability, network performance, and node longevity. However, most traditional methods, such as duty-cycling, remain static and are not sufficiently adaptable to changing environmental conditions. Variations in temperature, humidity, solar radiation, and data traffic often lead to inefficient energy use, accelerated battery degradation, increased data loss, and diminished network performance. This study introduces AEMGQ (An Adaptive Energy Model Based on GAN-Q-Learning) to optimize energy efficiency, improve performance, and prolong network lifespan in WSNs. The proposed model uses Generative Adversarial Networks (GANs) to generate realistic, varied synthetic environmental data, thereby expanding the training dataset and enhancing model robustness in rare and extreme scenarios. Additionally, Q-Learning with reward shaping is used to develop an intelligent agent capable of selecting optimal actions such as sleep, harvest, transmit, relay, and transfer based on environmental factors, battery State of Charge (SoC), and State of Health (SoH). Experimental results show that AEMGQ reduces average energy consumption by up to 27% and extends battery life by over 40% compared to traditional approaches. The evaluation further indicates that the learning agent converges more rapidly and remains more stable under both dynamic and extreme environmental conditions. Furthermore, the model delivers more context-aware, efficient decisions, thereby positively influencing the long-term sustainability of sensor network operations. This research advances the development of an adaptive AI-driven energy model that is more efficient, resilient, and sustainable for WSNs. Conceptually, AEMGQ also promotes a shift from mere machine optimisation to machine sustainability, enabling intelligent systems to learn how to conserve their own energy adaptively.
Kata Kunci: WSN, Reinforcement Learning, GAN, Q-Learning, Energy Adaptive

Actions (login required)

View Item