Dokumen Asli
Terbatas  Dessy Rondang Monaomi
» Gedung UPT Perpustakaan
Terbatas  Dessy Rondang Monaomi
» Gedung UPT Perpustakaan
Dokumen Asli
Terbatas  Dessy Rondang Monaomi
» Gedung UPT Perpustakaan
Terbatas  Dessy Rondang Monaomi
» Gedung UPT Perpustakaan
Dalam pengembangan aplikasi, kebutuhan yang sering muncul adalah penanganan
tugas yang memakan waktu, seperti kompresi berkas, menggabungkan PDF, dan
lainnya. Kebutuhan ini dapat diatasi dengan antrean tugas. Ide utama di balik
antrean tugas adalah untuk menghindari pengerjaan tugas yang memakan waktu
dengan segera dan harus menunggu sampai selesai. Sebuah sistem antrean seperti
RabbitMQ, memerlukan consumer (pekerja) yang mengerjakan tugas pada antrean.
Jumlah optimal consumer yang dibutuhkan supaya antrean tidak semakin panjang,
ditentukan dari panjang antrean tugas pada saat itu. Hal ini dapat diotomatisasi
dengan fitur autoscaling yang disediakan oleh Kubernetes. Autoscaling akan
mengatur jumlah komponen consumer secara otomatis berdasarkan threshold dari
panjang antrean yang ditentukan.
Tetapi fitur autoscaling tradisional masih terdapat scaling delay yang disebabkan
oleh waktu overhead yang dibutuhkan consumer untuk mencapai keadaan siap
mengerjakan tugas. Hal ini menyebabkan latensi pada aplikasi serta inefisiensi
penggunaan sumber daya ketika terjadi fluktuasi pada beban kerja. Sehingga
diperlukan metode proaktif yang dapat melakukan scaling sebelum terjadi
perubahan pada beban kerja.
Pada tugas akhir ini, dikembangkan sistem autoscaling prediktif berdasarkan model
prediksi berbasis time series untuk memproyeksikan beban kerja yang akan datang
berdasarkan data historis beban kerja. Hasil dari prediksi ini akan digunakan untuk
menentukan waktu dan jumlah consumer yang tepat.
Hasil yang dicapai menunjukkan bahwa sistem autoscaling prediktif mampu
meningkatkan respons terhadap perubahan beban kerja, mengoptimalkan
penggunaan sumber daya, dan mengurangi biaya operasional yang tidak perlu.
Evaluasi dilakukan melalui serangkaian pengujian komprehensif yang
membandingkan kinerja sistem prediktif dengan metode autoscaling tradisional.
Kesimpulan yang diperoleh adalah bahwa pendekatan prediktif ini efektif dalam
mengatasi permasalahan yang ada, memberikan kontribusi signifikan dalam
pengelolaan aplikasi yang bergantung pada RabbitMQ di Kubernetes.