Perpustakaan Digital ITB

Virtualisasi telah menjadi elemen krusial dalam pengembangan infrastruktur teknologi informasi modern. Penggunaan Virtual Machine atau VM memberikan fleksibilitas, efisiensi, dan isolasi dalam pengelolaan sumber daya komputasi. Namun, dengan bertambahnya kompleksitas dan jumlah VM dalam suatu sistem cloud, muncul kebutuhan untuk melakukan pemantauan performa secara otomatis dan cerdas. Monitoring konvensional yang bersifat statis dan manual tidak lagi memadai dalam mendeteksi penurunan performa yang bersifat dinamis dan cepat. Tugas Akhir ini mengusulkan dan membangun sistem monitoring performa berbasis kecerdasan buatan dalam lingkungan cloud privat menggunakan MicroStack. Solusi yang dikembangkan terdiri dari dua komponen utama, yaitu infrastruktur cloud sebagai fondasi virtualisasi, serta pipeline observabilitas berbasis AI untuk pemrosesan dan analisis metrik performa. Infrastruktur cloud disiapkan menggunakan MicroStack sebagai distribusi ringan OpenStack, yang memungkinkan deployment VM secara fleksibel dalam jaringan lokal. Salah satu VM dikonfigurasi khusus sebagai node monitoring yang menjalankan Prometheus untuk mengumpulkan data metrik performa secara periodik, seperti penggunaan CPU dan memori. Data metrik yang terkumpul kemudian diproses melalui pipeline AI observabilitas secara bertahap. Tahap pertama adalah preprocessing data time-series dan pelatihan model prediktif menggunakan jaringan saraf Long Short-Term Memory. Model ini dilatih untuk memprediksi nilai metrik pada langkah waktu berikutnya berdasarkan pola historis data. Hasil prediksi dari model dibandingkan dengan nilai aktual untuk menghasilkan residual, yang kemudian dianalisis lebih lanjut menggunakan metode statistik. Nilai residual dianalisis dengan menghitung deviasi dari rata-rata melalui z-score dan dikonversi menjadi indikator health score menggunakan fungsi eksponensial peluruhan. Pendekatan ini memberikan gambaran kuantitatif terhadap tingkat degradasi performa sistem secara halus dan berkelanjutan. Pada tahap klasifikasi akhir, fitur dari hasil inferensi metrik CPU dan RAM digabungkan menjadi satu vektor representasi. Vektor tersebut dianalisis menggunakan Gaussian Mixture Model untuk mengelompokkan status performa VM ke dalam empat kategori, yaitu normal, monitoring, warning, dan need_action. Setiap label status tersebut menggambarkan kondisi sistem dan menjadi dasar pengambilan keputusan teknis dalam manajemen infrastruktur. Sistem juga dirancang untuk berjalan dalam mode real-time. Modul monitoring mengambil data terbaru dari Prometheus setiap satu detik dan secara otomatis menjalankan pipeline inferensi serta mencatat hasil evaluasi performa ke dalam log. Dengan demikian, sistem mampu mendeteksi perubahan kondisi performa secara adaptif dan terus-menerus. Hasil pengujian menunjukkan bahwa model LSTM memiliki akurasi prediksi yang baik, ditunjukkan oleh nilai error prediksi yang rendah. Selain itu, sistem klasifikasi mampu mengidentifikasi perubahan status performa VM secara akurat dan konsisten. Sistem ini menawarkan solusi yang ringan, modular, dan dapat diperluas untuk mendukung observabilitas berbasis AI dalam lingkungan cloud lokal maupun skala produksi yang lebih besar.