SKRIPSI DIGITAL
Implementasi LSTM-Based Proactive Auto-Scaling Untuk SLA pada Arsitektur Microservices di Docker Compose = Implementation of LSTM-Based Proactive Auto-Scaling for SLA in Microservices Architecture on Docker Compose
Komputasi awan microservices sering mengalami pelanggaran SLA akibat cold start kontainer dan tebakan beban yang terlalu rendah (under-estimation) oleh model peramalan berbasis rata-rata. Penelitian ini mengembangkan sistem auto-scaling proaktif cerdas menggunakan Long Short-Term Memory (LSTM) dengan fungsi Quantile Loss (τ=0,95) untuk prediksi aman yang sengaja dilebihkan (safe overestimation). Dipadukan dengan 12 fitur waktu dan mekanisme Container Cold Pool, sistem dirancang pada Docker Compose single-host untuk menghilangkan waktu tunggu kontainer. Pengujian menggunakan dataset ClarkNet dan beban dinamis K6 (~800.000 request) menunjukkan bahwa Cold Pool berhasil memangkas latensi penyediaan kontainer hingga 99,45% (menjadi 138 ms). Model LSTM Quantile menekan defisit kapasitas hingga 0,0158% dengan skor efisiensi SLA tertinggi sebesar 0,4960. Pengujian beban menghasilkan error rate 0,00416% (di bawah batas SLA 0,01%) dan latensi P95 di bawah 560 ms. Pengujian kelayakan (User Acceptance Testing) terhadap 17 responden memperoleh skor 90,59% ("Sangat Layak"). Penelitian ini membuktikan bahwa kombinasi LSTM Quantile dan Cold Pool efektif menjamin kepatuhan SLA tanpa pemborosan sumber daya berlebih.
Tidak tersedia versi lain
Karya Umum 
Filsafat 
Agama 
Ilmu-ilmu Sosial 
Bahasa 
Ilmu-ilmu Murni 
Ilmu-ilmu Terapan 
Kesenian, Hiburan, dan Olahraga 
Kesusastraan 
Geografi dan Sejarah