Penerapan Deep Reinforcement Learning untuk Optimasi Manajemen Energi pada Data Center

Abstract

Penelitian ini mengkaji penerapan Deep Reinforcement Learning (DRL) untuk optimasi manajemen energi di data center, dengan tujuan mengurangi konsumsi energi dan meningkatkan efisiensi operasional. Model DRL yang dikembangkan menggunakan algoritma Deep Q-Network (DQN) berhasil mengurangi konsumsi energi hingga 18% dibandingkan dengan metode pengelolaan energi konvensional, terutama pada saat terjadi lonjakan beban. Penelitian ini menunjukkan bahwa DRL dapat menyesuaikan pengaturan suhu ruangan dan beban server secara dinamis untuk mencapai penghematan energi yang optimal tanpa mengorbankan performa operasional data center. Evaluasi perbandingan dengan metode tradisional menunjukkan bahwa sistem berbasis DRL tidak hanya menghemat energi, tetapi juga lebih efisien dalam menjaga suhu ruangan dan stabilitas operasional. Meskipun terdapat tantangan dalam hal pengumpulan data real-time dan sumber daya komputasi untuk pelatihan model, penelitian ini membuka peluang untuk penerapan DRL dalam pengelolaan energi yang lebih efisien di data center serta memberikan kontribusi positif terhadap pengurangan jejak karbon dan keberlanjutan operasional data center.