Perpustakaan Digital ITB

Pembelajaran mesin dengan menggunakan teknik deep learning terdistribusi merupakan teknik yang digunakan untuk ekstraksi fitur yang kompleks dan membutuhkan waktu yang lama. Salah satu kerangka kerja yang digunakan untuk melakukan pembelajaran mesin terdistribusi adalah AdaptDL. AdaptDL menjalankan proses pembelajaran mesin di atas cluster Kubernetes dengan menggunakan sistem penjadwal Pollux. Dalam menentukan keputusan penjadwalan, Pollux hanya menyediakan satu metrik kinerja, yaitu metrik Goodput, dan tidak memberikan opsi lain. Selain itu, Pollux juga memiliki potensi untuk memaksimalkan kecepatan pelatihan melalui pengubahan nilai Goodput, serta potensi untuk mengefisienkan sumber daya melalui pengubahan nilai ambang batas untuk penentuan mekanisme scaling. Pada tugas akhir ini, dilakukan pengembangan terhadap AdaptDL dengan menambahkan pemilihan metrik kinerja, metrik untuk memaksimalkan kecepatan, dan metrik untuk mengefisiensikan sumber daya. Pengembangan opsi metrik kinerja dilakukan pada kerangka kerja AdaptDL, metrik kecepatan dilakukan dengan melakukan modifikasi pada persamaan Goodput, dan metrik efisiensi dilakukan dengan melakukan modifikasi pada Pollux. Berdasarkan hasil pengujian dengan menggunakan model klasifikasi pengenalan citra pada dataset MNIST, pengembangan dan modifikasi tidak memengaruhi akurasi model yang dihasilkan namun memengaruhi aspek kinerja lain. Penambahan opsi metrik kinerja tidak memengaruhi kinerja pembelajaran secara keseluruhan. Modifikasi pada metrik untuk kecepatan memengaruhi kecepatan pelatihan sehingga melambat sebesar 16,099%. Sedangkan modifikasi pada metrik untuk efisiensi sumber daya memengaruhi kecepatan pelatihan sehingga melambat sebesar 106,977%, waktu pembangkitan sumber daya meningkat sebesar 80%, dan penggunaan sumber daya meningkat sebesar 19,31%.