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:	Q Science > QA Mathematics > QA76 Computer software T Technology > T Technology (General)
Divisions:	Tesis dan Disertasi > Sekolah Pasca Sarjana > Program Studi S2 Teknologi Informasi
Depositing User:	Miss Yulia Zahra Yamini
Date Deposited:	31 Oct 2024 03:44
Last Modified:	24 Apr 2026 10:07
URI:	https://repository.unas.ac.id/id/eprint/12415

Actions (login required)

View Item