Perpustakaan Digital ITB

Dengan meningkatnya penggunaan teknologi, kebutuhan akan penyimpanan data yang besar dan cepat menjadi semakin esensial. Key-Value Store merupakan salah satu alternatif penyimpanan yang kini populer karena kemampuan penulisan datanya yang cepat. Hal ini karena Key-Value Store memanfaatkan struktur data Log-Structured Merge-Tree. Mengingat pentingnya Key-Value Store, peningkatan kinerjanya melalui studi perilakunya saat runtime menjadi semakin relevan. Umumnya, informasi ini diperoleh melalui perekaman data kinerja saat runtime, yang selanjutnya dianalisis untuk memahami perilakunya. Namun, metode ini dapat mengurangi kinerja sistem karena beban operasi tambahan. Penelitian ini mengeksplorasi penggunaan pembelajaran mesin sebagai metode alternatif untuk memperoleh informasi perilaku Key-Value Store tanpa intervensi berat selama runtime. Penelitian ini mengidentifikasi variabel statistik kunci yang perlu diamati untuk analisis kinerja dan mengembangkan algoritma pembelajaran mesin untuk memprediksi statistik tersebut. Dengan pendekatan ini, penelitian ini menawarkan solusi untuk meminimalisasi degradasi kinerja yang disebabkan oleh perekaman data tradisional. Kontribusi utama dari penelitian ini adalah pengembangan model pembelajaran mesin yang dapat secara efektif memprediksi statistik kinerja Key-Value Store, memungkinkan pemahaman yang lebih baik tentang kinerjanya tanpa mengorbankan efisiensi operasional. Hasil penelitian menunjukkan bahwa statistik yang dipilih dan model pembelajaran mesin yang dikembangkan efektif dalam menginformasikan tentang aspek kinerja yang penting untuk peningkatan sistem Key-Value Store.