![](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 bertujuan untuk menganalisis pengaplikasian Kubeflow sebagai
platform eksperimen AI/ML di lingkungan cloud native, dengan fokus pada
kemudahan penggunaan antarmuka dan fitur multi-user untuk akses eksperimen
secara kolaboratif. Latar belakang penelitian ini didasari oleh kebutuhan akan
platform yang dapat memfasilitasi eksperimen AI/ML secara efisien dan efektif
dalam lingkungan yang dinamis dan skalabel. Dengan semakin berkembangnya
teknologi AI/ML, terdapat kebutuhan yang mendesak untuk menggunakan
platform yang mampu mengintegrasikan berbagai tahap eksperimen, mulai dari
pengembangan model, pengujian, hingga manajemen model. Kubeflow, yang
dibangun di atas Kubernetes, menawarkan solusi dengan fitur-fitur seperti
notebook untuk mengembangkan model AI/ML, Kubeflow Pipeline untuk
melacak eksperimen dan manajemen model yang terintegrasi, sehingga
diharapkan dapat mempermudah kompleksitas pengembangan model AI/ML.
Penelitian ini menggunakan metode eksperimen yang melibatkan konfigurasi dan
pengujian berbagai fitur Kubeflow, serta perbandingan dengan platform MLflow.
Fokus utama dari penelitian ini adalah menguji kemudahan penggunaan dan
keefektifan antarmuka Kubeflow serta mengevaluasi kemampuan fitur multi-user
untuk akses eksperimen secara kolaboratif. Pengujian dilakukan melalui beta
testing dengan melibatkan sepuluh responden. Setiap responden diberikan
kuesioner yang mencakup pertanyaan-pertanyaan terkait pengalaman mereka
dalam menggunakan kedua platform tersebut, khususnya dalam hal kemudahan
menemukan fitur, intuitivitas antarmuka, dan aksesibilitas dari berbagai
perangkat.
Hasil pengujian menunjukkan bahwa Kubeflow memiliki keunggulan signifikan
dalam kemudahan menemukan fitur. Responden menyatakan bahwa antarmuka
Kubeflow lebih intuitif dan memudahkan mereka dalam menavigasi dan
menemukan fitur yang diperlukan. Skor rata-rata yang lebih tinggi pada
pertanyaan terkait kemudahan menemukan fitur di Kubeflow dibandingkan
MLflow mendukung hal ini. Selain itu, intuitivitas antarmuka Kubeflow juga
mendapatkan penilaian yang lebih baik dari para responden. Antarmuka yang
iii
lebih sederhana dan terstruktur membuat pengguna merasa lebih nyaman dan
cepat beradaptasi dengan platform ini.
Fitur multi-user pada Kubeflow juga mendapatkan penilaian positif dari para
pengguna. Pengujian melibatkan skenario di mana dua pengguna, Pengguna A
dan Pengguna B, berkolaborasi dalam satu eksperimen. Pengguna A membuat
eksperimen baru dan menjalankan pipeline , sementara Pengguna B mengakses
eksperimen tersebut dan menambahkan komentar atau perubahan. Hasil pengujian
menunjukkan bahwa fitur multi-user pada Kubeflow memungkinkan kolaborasi
yang efektif, dengan setiap pengguna dapat mengakses dan berkontribusi pada
eksperimen yang sama secara real-time. Selain itu, pengujian isolasi dan
keamanan menunjukkan bahwa setiap pengguna hanya dapat mengakses dan
mengubah data di dalam namespace mereka sendiri, memastikan privasi dan
keamanan data.
Dalam hal aksesibilitas dari berbagai perangkat, Kubeflow juga menunjukkan
performa yang baik. Responden menyatakan bahwa mereka dapat mengakses
Kubeflow dengan mudah dari berbagai perangkat, termasuk laptop, tablet, dan
smartphone. Hal ini sangat penting dalam lingkungan kerja yang dinamis dan
fleksibel, di mana para peneliti dan pengembang AI/ML sering kali harus bekerja
dari berbagai lokasi dan perangkat.
Penelitian ini menyimpulkan bahwa Kubeflow lebih memenuhi kriteria antarmuka
pengguna yang mudah digunakan dan menampilkan antarmuka yang intuitif
dibandingkan MLflow. Keunggulan Kubeflow dalam kemudahan menemukan
fitur, intuitivitas antarmuka, dan aksesibilitas dari berbagai perangkat
menjadikannya platform yang lebih user-friendly dan efektif untuk eksperimen
AI/ML di lingkungan cloud native. Selain itu, fitur multi-user yang
memungkinkan kolaborasi secara real-time dan memastikan keamanan data
menjadikan Kubeflow sebagai pilihan yang lebih baik untuk tim yang bekerja
secara kolaboratif. Penelitian ini diharapkan dapat memberikan kontribusi bagi
pengembangan platform AI/ML yang lebih baik di masa depan, serta mendukung
adopsi yang lebih luas dari teknologi AI/ML di berbagai bidang.