13519002 Steven Nataniel Kodyat.pdf
Terbatas  Dessy Rondang Monaomi
» Gedung UPT Perpustakaan
Terbatas  Dessy Rondang Monaomi
» Gedung UPT Perpustakaan
Dengan berkembangnya dunia digital, aplikasi sehari-hari sangat mempengaruhi kehidup-
an manusia, dari search engine, media sosial hingga e-commerce. Aplikasi-aplikasi ini
telah mengubah cara kita berinteraksi dan mengakses informasi. Tentu dalam pembuatan
aplikasi-aplikasi tersebut akan sangat dependen ke sistem temu balik informasi. Salah satu
sistem temu balik informasi yang paling populer saat ini adalah Elastic Search. Dalam apli-
kasinya, Elastic Search digunakan secara luas untuk menyediakan kemampuan pencarian
yang canggih seperti menemukan produk dengan cepat, hingga platform media sosial yang
memberikan hasil pencarian yang relevan dan personalisasi. Namun, kekurangan Elastic
Search adalah, secara bawaan, sistem ini akan mengambil memori yang tersedia untuk me-
lakukan pemrosesan, apabila dialokasi terlalu sedikit, prosesor akan menjadi kewalahan
karena harus melakukan operasi pencarian tanpa bantuan memori. Di sisi lain, perampat-
an sumber daya tidak selalu menimbulkan kinerja yang buruk untuk Elastic Search karena
ketergantungannya terhadap konteks data yang disimpan dan kebutuhan pengguna.
Oleh karena itu, diperlukan teknik autoscaling yang fleksibel agar Elastic Search dapat
berjalan secara optimal dan sesuai dengan toleransi tradeoff antara biaya dan kinerja. Au-
toscaler ini akan dibangun diatas Kubernetes sebagai container orchestration dan ARIMA
sebagai model prediksi. Sistem ini akan mengambil metrics dari Elastic Search dan me-
lakukan prediksi throughput dan utilisasi prosesor serta memori. Hasil prediksi tersebut
akan digunakan untuk memenuhi persyaratan yang ditentukan oleh pengguna untuk mela-
kukan scaling. Persyaratan dapat disusun oleh pengguna sebagai kumpulan kondisi yang
akan dipakai oleh sistem sebagai acuan untuk melakukan keputusan scaling. Pengujian su-
dah dilakukan untuk setiap komponen dan satu sistem penuh untuk memastikan spesifikasi
dan fungsional berjalan sesuai kebutuhan. Perbandingan dengan Vertical dan Horizontal
Autoscaler-pun sudah dilakukan, secara garis besar, metode ini dapat menggantikan opsi
Vertical dan Horizontal Autoscaler pada konteks pods Elastic Search.
Pada akhirnya, sistem autoscaler dengan model prediksi dapat lebih baik dalam melakukan
scaling dibandingkan dengan autoscaler sederhana yang memakai threshold. Dan model
prediksi yang bisa digunakan adalah model prediksi berbasis time series seperti ARIMA.