Perpustakaan Digital ITB

Arsitektur microservice telah diadopsi secara luas, namun menghadirkan tantangan dalam proses service selection yang dinamis untuk menjaga otonomi setiap service. Umumnya, service selection masih menggunakan metode konvensional seperti round-robin yang kurang adaptif terhadap perubahan beban dan kondisi non-fungsional seperti Quality of Service (QoS). Penelitian ini bertujuan untuk merancang dan mengimplementasikan sistem service selection dengan pendekatan machine learning yang diintegrasikan pada sidecar dalam arsitektur service mesh untuk meningkatkan nilai QoS. Metodologi yang digunakan mengadaptasi kerangka kerja CRISP-ML yang terdiri dari tahap pemahaman bisnis dan data, persiapan data, pemodelan, serta evaluasi. Sistem yang dikembangkan mengintegrasikan model prediksi time-series (LSTM dan GRU) untuk memprediksi metrik response time dan model Reinforcement Learning (Q-Learning) untuk memilih instance service secara dinamis. Modul ini diimplementasikan sebagai sidecar terpisah yang berkomunikasi dengan Istio Proxy melalui konfigurasi Envoy Filter. Pengujian dilakukan dalam dua skenario: pengujian beban linier dengan variasi sumber daya dan pengujian dengan variasi jenis request. Hasil pengujian menunjukkan bahwa pendekatan machine learning berhasil meningkatkan nilai QoS dibandingkan dengan metode round-robin. Secara spesifik, model dengan prediksi LSTM menunjukkan penurunan response time rata-rata hingga 47,8% dan kenaikan throughput sebesar 44% pada pengujian beban. Pada skenario dengan adanya request yang bervariasi, pendekatan ini mampu menurunkan response time rata-rata hingga 23% dibandingkan metode least request.