digilib@itb.ac.id +62 812 2508 8800

ABSTRAK Joseph Salimin
PUBLIC Open In Flip Book Alice Diniarti

COVER Joseph Salimin
PUBLIC Open In Flip Book Alice Diniarti

BAB 1 Joseph Salimin
Terbatas  Alice Diniarti
» Gedung UPT Perpustakaan

BAB 2 Joseph Salimin
Terbatas  Alice Diniarti
» Gedung UPT Perpustakaan

BAB 3 Joseph Salimin
Terbatas  Alice Diniarti
» Gedung UPT Perpustakaan

BAB 4 Joseph Salimin
Terbatas  Alice Diniarti
» Gedung UPT Perpustakaan

BAB 5 Joseph Salimin
PUBLIC Open In Flip Book Alice Diniarti

PUSTAKA Joseph Salimin
PUBLIC Open In Flip Book Alice Diniarti

Skalabilitas merupakan salah satu fitur utama yang dimiliki oleh Kubernetes yang terkait dengan konfigurasi sumber daya terhadap suatu aplikasi. Kubernetes saat ini mempunyai fitur yang dapat meningkatkan atau menurunkan ukuran aplikasi yang terbagi menjadi Horizontal Pod Autoscaler dan Vertical Pod Autoscaler. Namun, kedua fitur tersebut hanya mampu melakukan skalabilitas secara horizontal atau vertikal saja. Saat ini, Kubernetes versi 1.17 belum dapat menggabungkan kedua jenis skalabilitas untuk aplikasi. Padahal, sumber daya yang tersedia dapat dimanfaatan dengan lebih efisien jika mampu memanfaatkan keuntungan dan di saat yang sama mengurangi kekurangan yang dimiliki pada kedua jenis skalabilitas di Kubernetes. Tugas akhir ini mengusulkan implementasi sistem yang mampu mengefisienkan kebutuhan sumber daya dengan memanfaatkan kelebihan yang dimliki pada kedua jenis skalabilitas di Kubernetes dan mengatasi beberapa kekurangan yang dimiliki pada masing-masing skalabilitas dalam menggabungkan kedua jenis skalabilitas tersebut . Langkah yang diambil yaitu dengan melakukan prediksi terlebih dahulu menggunakan model regresi linear dan selanjutnya mengimplementasikan algoritme heuristik greedy first-fit yang disesuaikan dengan kebutuhan sistem untuk melakukan rekomendasi ukuran replikasi dan besar requests aplikasi ke instance pada cluster Kubernetes. Saat ini, parameter yang diambil oleh sistem yaitu data penggunaan CPU dan memori pada Pod dan Node yang diambil dari Kubernetes Metrics Server yang disediakan oleh Metrics API. Pengujian yang dilakukan menunjukkan bahwa sistem yang dibangun berhasil mengefesienkan pemanfaatan sumber melalui penggabungan kedua jenis skalabilitas di Kubernetes dan berhasil untuk mempertahankan pemanfaatan aplikasi dalam CPU dan memori di target yang telah ditentukan