Dokumen Asli
Terbatas  Dessy Rondang Monaomi
» Gedung UPT Perpustakaan
Terbatas  Dessy Rondang Monaomi
» Gedung UPT Perpustakaan
Kubernetes telah menjadi platform utama untuk pengelolaan kontainer di
lingkungan komputasi modern, namun autoscaler bawaan Kubernetes,
HorizontalPodAutoscaler (HPA), masih memiliki keterbatasan dalam merespons
perubahan beban kerja yang tiba-tiba. Penelitian ini bertujuan untuk
mengembangkan autoscaler berbasis deep learning pada Kubernetes yang dapat
melakukan respons yang lebih cepat dan dapat melakukan scaling dengan
melakukan prediksi metrik beban kerja yang akan datang dengan tujuan mencegah
delayed queueing effect.
Penelitian ini mencakup beberapa tahap utama: merancang dan
mengimplementasikan sistem pengambilan, pengolahan, dan penyimpanan data
metrik mentah dari Kubernetes; merancang dan mengimplementasikan autoscaler
berbasis deep learning menggunakan Recurrent Neural Network (RNN); serta
membandingkan kinerja autoscaler yang dikembangkan dengan HPA.
Hasil pengujian menunjukkan bahwa meskipun autoscaler berbasis deep learning
memiliki potensi dalam memprediksi metrik beban kerja, hasil prediksi metrik
tersebut masih belum terlalu akurat. Akibatnya, kinerja autoscaler tersebut masih
belum lebih baik dibandingkan dengan HPA. Hal ini disebabkan oleh kurangnya
jumlah data latih serta prediksi penurunan metrik yang terlalu cepat. Saran untuk
penelitian selanjutnya meliputi peningkatan jumlah dan variasi data latih,
implementasi fine-tuning otomatis, penggunaan stabilization window untuk
kestabilan scaling, dan integrasi autoscaler sebagai ekstensi Kubernetes.
Penelitian ini membuktikan bahwa penggunaan deep learning untuk autoscaling di
Kubernetes memiliki potensi, namun memerlukan penelitian lebih lanjut untuk
mencapai kinerja yang lebih baik dari HPA.