Meningkatkan Kinerja IoT dengan Reinforcement Learning: Integrasi Data Science dan GenAI untuk Industri 5.0

Triyugo Winarko, Fatimah Fahurian, Hilda Dwi Yunita, M Budi Hartanto

Abstract


Perkembangan Internet of Things (IoT) dalam era Industri 5.0 memerlukan pendekatan yang lebih cerdas dan adaptif untuk meningkatkan kinerjanya. Salah satu metode yang dapat digunakan adalah Reinforcement Learning (RL), yang memungkinkan perangkat IoT belajar dan beradaptasi dengan lingkungan secara mandiri untuk mencapai tujuan tertentu. Penelitian ini bertujuan untuk mengkaji integrasi antara Data Science dan Generative AI (GenAI) dalam meningkatkan kinerja sistem IoT melalui pendekatan RL. Metode yang digunakan dalam penelitian ini adalah studi literatur yang mengidentifikasi penerapan RL dalam berbagai kasus IoT, serta pemanfaatan Data Science untuk analisis data besar dan GenAI untuk pengembangan model prediktif. Hasil penelitian menunjukkan bahwa penerapan RL pada sistem IoT dapat meningkatkan efisiensi operasional dengan meminimalkan latensi, optimasi penggunaan energi, dan peningkatan interaksi perangkat. Selain itu, integrasi Data Science dan GenAI memungkinkan pembuatan model yang lebih akurat dan responsif terhadap perubahan kondisi. Penelitian ini memberikan kontribusi dalam memahami potensi teknologi canggih untuk memajukan sektor industri menuju era 5.0, dengan tantangan dan peluang yang perlu diperhatikan untuk implementasi lebih lanjut.


Keywords


Internet of Things (IoT); Reinforcement Learning (RL); Data Science; Generative AI (GenAI); Industri 5.0

References


Brown, T., & Mann, B. (2020). Applications of Generative AI in Predictive Systems. Artificial Intelligence Review, 35(2), 89–102.

Jin, Y., Sun, Y., & Liu, Z. (2021). Applications of Reinforcement Learning in IoT-enabled Smart Cities. Journal of Artificial Intelligence and Internet of Things, 15(2), 45–59. https://doi.org/10.1016/j.jaiiot.2021.03.005

Sarker, I. H. (2021). Machine learning: Algorithms, real-world applications and research directions. SN Computer Science, 2(3), 160. https://doi.org/10.1007/s42979-021-00592-x

Smith, J., & Chen, L. (2022). Integrating AI Technologies for Industry 5.0. Smart Systems Journal, 14(1), 78–95.

Sutton, R. S., & Barto, A. G. (2018). Reinforcement Learning: An Introduction (2nd ed.). MIT Press.

Xie, Y., Zhang, X., & Liu, X. (2020). A Generative AI Approach for Predictive Maintenance in Industrial IoT Systems. AI Open, 1(4), 151–162. https://doi.org/10.1016/j.aiopen.2020.11.001

Xu, W., Zhang, Z., & Li, J. (2021). Industry 5.0: A New Era of Human-Machine Collaboration. Advanced Manufacturing, 29(3), 1024–1035. https://doi.org/10.1007/s00170-021-06175-0

Xu, Y., & Liu, L. (2021). Ensemble Methods in Education: Improving Student Performance Prediction. Computers & Education, 161, 104084. https://doi.org/10.1016/j.compedu.2020.104084

Yang, C., & Liu, X. (2019). Energy Consumption Analysis in IoT Devices Using Predictive Models. Journal of IoT Research, 5(3), 123–135.

Yang, Z., Liu, Y., & Zhao, X. (2019). Applications of Deep Reinforcement Learning in Industrial IoT. IEEE Access, 7, 76029–76040. https://doi.org/10.1109/ACCESS.2019.2917900

Zhao, Z., Yang, Z., & Liu, H. (2023). Generative AI and Its Applications in IoT Data Science. Journal of Artificial Intelligence Research, 70, 211–225. https://doi.org/10.1613/jair.1.12856




DOI: https://doi.org/10.30998/semnasristek.v9i1.7948

Refbacks

  • There are currently no refbacks.


Prosiding SEMNAS RISTEK indexed by: