ABSTRAK Joseph Salimin
PUBLIC Alice Diniarti COVER Joseph Salimin
PUBLIC Alice Diniarti
BAB 1 Joseph Salimin
Terbatas  Alice Diniarti
» Gedung UPT Perpustakaan
Terbatas  Alice Diniarti
» Gedung UPT Perpustakaan
BAB 2 Joseph Salimin
Terbatas  Alice Diniarti
» Gedung UPT Perpustakaan
Terbatas  Alice Diniarti
» Gedung UPT Perpustakaan
BAB 3 Joseph Salimin
Terbatas  Alice Diniarti
» Gedung UPT Perpustakaan
Terbatas  Alice Diniarti
» Gedung UPT Perpustakaan
BAB 4 Joseph Salimin
Terbatas  Alice Diniarti
» Gedung UPT Perpustakaan
Terbatas  Alice Diniarti
» Gedung UPT Perpustakaan
BAB 5 Joseph Salimin
PUBLIC Alice Diniarti PUSTAKA Joseph Salimin
PUBLIC 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