Perpustakaan Digital ITB

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.