Perpustakaan Digital ITB

Penerapan DataOps dan MLOps secara berdampingan masih menghadapi fragmentasi tools dan pemisahan kerja antara tim data dan tim machine learning. DataOps memperkuat kualitas dan kecepatan alur data, sementara MLOps memperkuat keandalan model lifecycle, namun keduanya sering tumbuh terpisah sehingga lineage, deteksi drift, dan feature serving antara mode batch dan streaming tidak konsisten lintas siklus. Berlangganan layanan terkelola memangkas konfigurasi, tetapi biaya operasionalnya tinggi dan menimbulkan keterikatan terhadap satu penyedia. Berdasarkan masalah tersebut, penelitian ini melakukan pengembangan arsitektur platform DataOps dan MLOps terintegrasi pada Kubernetes dengan pemanfaatan open source tools. Metode Design Science Research Methodology (DSRM) dipakai secara berurutan, mulai dari identifikasi masalah, penyusunan tujuan artefak, perancangan, implementasi berbasis GitOps, sampai evaluasi dengan use case pasar aset kripto sebagai kasus verifikasi karena beroperasi tanpa henti dengan distribusi data yang nonstasioner. Rancangan yang dihasilkan menyatukan sembilan layer arsitektur pada satu control plane, mulai dari orchestration and infrastructure sampai security. Pemanfaatan open source tools pada tiap layer ditetapkan melalui penilaian berkriteria agar arsitektur tetap dapat dipakai lintas domain dan tiap tools dapat diganti tanpa mengubah rancangan. Hasil evaluasi menunjukkan keempat tujuan platform terpenuhi secara fungsional dan struktural pada lingkungan node tunggal, mencakup rekonstruksi seluruh komponen dari satu sumber Git, tata kelola otomatis sepanjang pipeline, trigger retraining oleh deteksi drift, serta layanan fitur dual-store dengan kontrak yang konsisten antara training dan inference. Perbandingan biaya tiga opsi penyediaan platform menunjukkan rancangan open source menekan biaya jangka panjang dibanding layanan terkelola. Karakterisasi beban kuantitatif pada cluster multi-node menjadi arah pengembangan lanjutan.