ABSTRAK Nama : Haidlir Achmad Naqvi Program Studi : Magister Ilmu Komputer Judul : Perbaikan Practicality Congestion Control Berbasis Deep Reinforcement Learning Pembimbing : Muhammad Hafizhuddin Hilman, S.Kom., M.Kom., Ph.D. Algoritma congestion control berbasis deep reinforcement learning (DRL-CC) telah me- nunjukkan kemampuan adaptasi yang lebih baik dibanding congestion control berbasis rule. Walaupun demikian, metode tersebut belum terimplementasi pada Internet karena dihadapkan pada permasalahan practical. Permasalahan tersebut antara lain: (1) kepu- tusan agent untuk mencapai high throughput masih menimbulkan high loss rate, (2) konsumsi tenaga komputasi masih tinggi, dan (3) performa throughput DRL-CC tidak konsisten pada jaringan yang heterogen sehingga dapat dikatakan model tidak tergeneral- isasi. Penelitian ini mengusulkan beberapa modifikasi DRL-CC untuk mengatasi isu-isu tersebut. Setiap usulan tersebut dieksperimentasi dan dievaluasi menggunakan Pantheon pada skenario jaringan yang berbeda seperti jaringan selular dengan variasi pergerakan dan perjalanan. Usulan pertama, modifikasi komponen monitoring dan interval mampu menurunkan packet loss secara drastis hingga 50.7x dengan penyesuaian throughput yang minimal. Selanjutnya modifikasi transport protocol terbukti dapat menurunkan peng- gunaan CPU hingga 4.13x dan penanaman algoritma slow start pada DRL-CC dapat meningkatkan throughput walaupun tidak signifikan. Usulan ketiga strategi pelatihan ulang dengan menggunakan ns-3 sebagai gym environment untuk mendapatkan trajectory sampling yang beragam terbukti mampu menaikkan throughput hingga 7.83%. Usulan terakhir, strategi pelatihan ulang dengan menggunakan fungsi reward linear dan ekspo- nensial yang dilakukan pada ns-3 mampu menaikkan throughput sebesar 6.94%. Dengan kontribusi ini, hasil penelitian ini diharapkan dapat mendorong implementasi DRL-CC dari ekosistem riset ke jaringan produksi. Kata kunci: Congestion control, deep reinforcement learning