PREDIKSI DAN CLUSTERING ACTIVE MONITORING BEBAN KERJA PADA CLOUD COMPUTING UNTUK MENGELOLA PERFORMA LAYANAN JARINGAN

Chadafi, Devfi Ibrahim (2024) PREDIKSI DAN CLUSTERING ACTIVE MONITORING BEBAN KERJA PADA CLOUD COMPUTING UNTUK MENGELOLA PERFORMA LAYANAN JARINGAN. Masters thesis, UNIVERSITAS NASIONAL.

	Text COVER.pdf Download (2MB)
	Text BAB 1.pdf Download (2MB)
	Text BAB 2.pdf Download (2MB)
	Text BAB 3.pdf Download (2MB)
	Text BAB 4.pdf Download (2MB)
	Text BAB 5.pdf Download (2MB)
	Text Daftar Pustaka.pdf Download (305MB)

Abstract

Penelitian ini bertujuan untuk mengevaluasi dan mengimplementasikan dua metode prediksi beban kerja dalam lingkungan cloud computing, yaitu Auto Regressive Integrated Moving Average (ARIMA) dan Random Forest. Tantangan utama dalam pengelolaan cloud computing adalah bagaimana memprediksi dan mengelola beban kerja secara efektif untuk memastikan efisiensi sumber daya dan kinerja optimal. Dalam penelitian ini, ARIMA digunakan untuk analisis deret waktu guna memprediksi beban kerja berdasarkan data historis, sementara Random Forest diterapkan untuk klasifikasi dan regresi dalam mengidentifikasi pola kompleks dalam data. Hasil penelitian menunjukkan bahwa metode Random Forest unggul dalam memprediksi penggunaan CPU, memori, dan disk dengan tingkat kesalahan yang rendah. Nilai Mean Absolute Percentage Error (MAPE) pada prediksi CPU dengan Random Forest sebesar 2.34%, sementara Root Mean Square Error (RMSE) untuk penggunaan memori dan disk masing-masing adalah 0.72 dan 0.00000482. Ini mengindikasikan bahwa Random Forest mampu menangkap pola non-linear yang kompleks dan memberikan prediksi yang sangat akurat dalam lingkungan cloud computing yang dinamis. Sebaliknya, metode ARIMA lebih efektif untuk prediksi jangka pendek namun mengalami penurunan akurasi saat dihadapkan dengan fluktuasi beban kerja yang signifikan. Sebagai contoh, ARIMA menghasilkan nilai MAPE sebesar 3.15% untuk prediksi penggunaan CPU, tetapi mengalami peningkatan RMSE menjadi 0.98 dalam jangka panjang. Dalam pengujian penggunaan disk, ARIMA menunjukkan tingkat kesalahan prediksi yang sangat rendah, dengan nilai MSE sebesar 2.3276×10⁻¹¹, mengindikasikan bahwa model ini hampir tidak menyimpang dari nilai aktual. Implementasi alat monitoring seperti Grafana dan Prometheus terbukti efektif dalam memvisualisasikan data secara real-time dan mendukung pengambilan keputusan dalam manajemen beban kerja. Sistem yang dikembangkan mampu mempertahankan kinerja optimal meskipun terjadi kegagalan pada salah satu virtual machine, berkat konfigurasi load balancing yang efisien menggunakan Nginx. Penelitian ini memberikan kontribusi signifikan dalam meningkatkan akurasi prediksi beban kerja dan efisiensi manajemen sumber daya dalam cloud computing. vii Dengan mengintegrasikan metode ARIMA dan Random Forest, penelitian ini membuka jalan bagi pengembangan strategi monitoring dan manajemen sumber daya yang lebih adaptif dan responsif di masa depan

Item Type:	Thesis (Masters)
Subjects:	J Political Science > J General legislative and executive papers T Technology > T Technology (General)
Divisions:	Skripsi > Fakultas Teknologi Komunikasi dan Informatika > Program Studi Teknik Informatika
Depositing User:	Miss Yulia Zahra Yamini
Date Deposited:	31 Oct 2024 03:44
Last Modified:	31 Oct 2024 03:44
URI:	http://repository.unas.ac.id/id/eprint/12415

Actions (login required)

View Item