Perpustakaan Digital ITB

Diabetes merupakan salah satu penyakit kronis yang prevalensinya terus meningkat secara global dan memerlukan sebuah alat untuk melakukan estimasi risiko diabetes untuk mencegah komplikasi serius. Pengembangan sistem prediksi diabetes berbasis machine learning memerlukan arsitektur back-end yang scalable dan responsif untuk dapat melayani sejumlah besar pengguna secara bersamaan. Penelitian ini bertujuan untuk merancang dan mengimplementasikan sistem back-end scalable untuk aplikasi prediksi diabetes yang mampu melayani hingga 10.000 pengguna aktif dengan failure rate ? 5% dan latensi rata-rata ? 1000 milidetik. Pengujian dilakukan menggunakan skenario beban yang merepresentasikan kondisi riil penggunaan, melibatkan pengukuran tiga metrik utama yaitu response time untuk mengukur waktu rata-rata yang dibutuhkan sistem dalam merespons permintaan, error rate untuk menilai persentase kegagalan proses, dan throughput untuk menghitung jumlah permintaan yang dapat diproses per detik. Pengujian beban dilakukan secara bertahap mulai dari 1.000 hingga 10.000 pengguna aktif, sehingga terlihat tren kinerja sistem pada peningkatan skala beban. Hasil evaluasi sistem menunjukkan bahwa dari 24 fitur yang diuji, 20 fitur (83%) berhasil mencapai target kinerja yang ditetapkan dengan status PASS dan 4 fitur mencapai status PARTIAL. Fitur-fitur inti seperti manajemen profil pengguna, aktivitas, dan operasi prediksi read berhasil memenuhi standar kinerja. Implementasi komunikasi asinkron dengan RabbitMQ terbukti efektif dalam meminimalkan error dengan menyimpan semua request prediksi dalam queue sehingga sistem dapat memproses permintaan secara bertahap tanpa kehilangan data dan meningkatkan keandalan sistem secara keseluruhan.