![](https://digilib.itb.ac.id/assets/icon/pdf.gif)
Dokumen Asli
Terbatas  Dessy Rondang Monaomi
» Gedung UPT Perpustakaan
Terbatas  Dessy Rondang Monaomi
» Gedung UPT Perpustakaan
Penelitian ini berfokus pada pengembangan dan implementasi desain infrastruktur
cloud native untuk eksperimen AI/ML dengan memanfaatkan Kubernetes. Tujuan
utama dari penelitian ini adalah untuk membangun infrastruktur yang dapat
mendukung eksperimen AI/ML dengan fleksibilitas dan skalabilitas tinggi.
Kubernetes dipilih sebagai platform orkestrasi kontainer karena kemampuannya
dalam mengelola beban kerja yang dinamis dan kompleks.
Implementasi desain melibatkan konfigurasi klaster Kubernetes yang terdiri dari
beberapa node, termasuk master dan worker nodes yang dilengkapi dengan GPU
dan CPU. Konfigurasi tambahan mencakup storage class untuk manajemen
penyimpanan, pengaturan load balancer untuk distribusi lalu lintas jaringan, dan
platform monitoring menggunakan Prometheus dan Grafana untuk memantau
kinerja sistem. Kubeflow juga diintegrasikan sebagai framework utama untuk
memfasilitasi manajemen eksperimen AI/ML. Proses ini memastikan bahwa
infrastruktur dapat dijalankan dan dioptimalkan sesuai kebutuhan pengguna.
Pengujian dilakukan untuk mengevaluasi kinerja dan efisiensi infrastruktur yang
telah dibangun. Pengujian aksesibilitas melibatkan beberapa skenario penggunaan
dengan berbagai perangkat, termasuk PC, laptop, dan ponsel. Selain itu, pengujian
penggunaan sumber daya dilakukan dengan berbagai skenario, yaitu dengan
menggunakan sejumlah pengguna untuk mengakses dan menjalankan beban kerja
AI/ML dengan konfigurasi yang berbeda.
Analisis hasil pengujian menunjukkan bahwa infrastruktur cloud native yang
dibangun memiliki beberapa keunggulan utama. Sistem ini tidak hanya mendukung
skalabilitas yang dinamis, tetapi juga meningkatkan efisiensi penggunaan sumber
daya. Penggunaan teknologi kontainer dan orkestrasi Kubernetes memungkinkan
penambahan atau pengurangan sumber daya secara real-time. Teknologi ini sangat
penting untuk eksperimen AI/ML yang membutuhkan komputasi tinggi. Selain itu,
platform monitoring yang diimplementasikan memungkinkan pemantauan kinerja
secara terus-menerus sehingga memudahkan identifikasi dan penyelesaian masalah
yang mungkin timbul
Penelitian ini berhasil menunjukkan bahwa desain dan implementasi infrastruktur
cloud native menggunakan Kubernetes dapat secara signifikan meningkatkan
efisiensi dan efektivitas dalam pengelolaan beban kerja AI/ML. Infrastruktur ini
tidak hanya mendukung berbagai kebutuhan komputasi, tetapi juga menyediakan
fleksibilitas dan skalabilitas yang diperlukan untuk lingkungan penelitian yang
dinamis.