ABSTRAK
Pertumbuhan Internet of Things (IoT) dan penerapannya di berbagai industri telah menghasilkan sejumlah besar data untuk diproses. Tugas yang memerlukan respons cepat, khususnya yang sensitif terhadap penundaan, diarahkan ke node fog terdekat. Memindahkan tugas penting ke cloud mengurangi konsumsi energi sisi pengguna tetapi meningkatkan latensi karena jarak transmisi yang lebih jauh. Node fog, yang lebih dekat ke sumbernya, meminimalkan penundaan tetapi mungkin memerlukan lebih banyak energi lokal. Masalah utama lainnya dalam komputasi cloud-fog adalah mengalokasikan tugas ke sumber daya yang sesuai menurut kebutuhan tugas. Untuk mengatasi tantangan ini, studi ini memperkenalkan pendekatan meta-heuristik hybrid dengan menggabungkan algoritma Butterfly Swarm Optimization (BSO) dengan metode inisialisasi Minimum Completion Time (MCT) heuristik. Inovasi utama dari pekerjaan ini terletak pada integrasi inisialisasi heuristik berbasis MCT dengan algoritma BSO, yang memungkinkan konvergensi yang lebih cepat dan penjadwalan tugas yang lebih efisien dengan menyeimbangkan energi dan penundaan dalam lingkungan cloud-fog yang heterogen. Baik penundaan maupun konsumsi energi dikurangi melalui algoritma MCT-BSO, di mana fog broker mengelola distribusi tugas secara efektif. Hasil simulasi menunjukkan bahwa metode MCT-BSO mencapai pengurangan penundaan sekitar 20,7% hingga 36,3% dan peningkatan konsumsi energi berkisar antara 15,4% hingga 38,1%, yang secara signifikan mengungguli algoritma pembanding seperti Grey Wolf Optimization, Nondominated Sorting Genetic Algorithm II, dan Modified Particle Swarm Optimization, terutama dalam kondisi beban kerja tinggi.
Penjadwalan Tugas yang Ditingkatkan dengan Metaheuristik untuk Penundaan dan Optimalisasi Energi dalam Komputasi Awan-Kabut
