Implementasi Sistem Load Balancing Web Server Menggunakan Metode Auto Regressive Integrated Moving Average (ARIMA)
DOI:
https://doi.org/10.52436/1.jpti.512Kata Kunci:
ARIMA, data time series, load balance, optimasi web server, prediksi penggunaan CPU, web serverAbstrak
Web server adalah perangkat lunak yang menyediakan layanan berbasis data dan merespons permintaan dari web browser, Akan tetapi masalah umum yang dihadapi oleh server web, seperti lalu lintas tinggi, waktu henti, beban yang tidak merata, dan pemilihan server yang tidak tepat dapat mengurangi kinerja dan efiensi sistem, masalah tersebut juga dapat diatasi secara efektif melalui berbagai teknik Load Balance. Teknik load balancing adalah proses mendistribusikan beban kerja di berbagai sumber daya komputasi untuk mengoptimalkan waktu respon dan meningkatkan kinerja sistem. Penelitian ini bertujuan untuk meningkatkan kinerja web server melalui implementasi sistem load balancing berbasis metode Auto Regressive Integrated Moving Average (ARIMA). Teknik ini diterapkan untuk memprediksi penggunaan Central Processing Unit/Processor (CPU) dan mengarahkan lalu lintas ke server dengan beban paling ringan. Hasil menunjukkan peningkatan throughput dan total request pada server sebesar 27% dan 58%, serta penurunan waktu respon rata-rata dan persentase error sekitar 18% dan 46%. Metode ini memberikan kontribusi signifikan terhadap optimasi kinerja sistem dan manajemen sumber daya komputasi, serta dapat mengatasi masalah beban yang tidak merata dan pemilihan server yang tidak tepat secara efektif.
Unduhan
Referensi
H. Nurwarsito and V. B. Sejahtera, “Implementation of Dynamic Web Server Based on Operating System-Level Virtualization using Docker Stack,” in 2020 12th International Conference on Information Technology and Electrical Engineering (ICITEE), IEEE, Oct. 2020, pp. 33–38. doi: 10.1109/ICITEE49829.2020.9271710.
M. M. Vikor, M. I. Kurniansyah, and S. Sinurat, “Sistem Pendukung Keputusan Pemilihan Server Hosting Dan Domain Terbaik Untuk WEB Server Menerapkan Metode VIKOR,” 2020. doi: 10.30865/JSON.V2I1.2450.
D. K. Hakim, D. Y. Yulianto, and A. Fauzan, “Pengujian Algoritma Load Balancing pada Web Server Menggunakan NGINX,” JRST (Jurnal Riset Sains dan Teknologi), vol. 3, no. 2, p. 85, Sep. 2019, doi: 10.30595/jrst.v3i2.5165.
D. R. Achmmad Mustofa, “Implementasi Load Balancing Dan Failover To Device Mikrotik Router Menggunakan Metode Nth (Studi Kasus: Pt. Go-Jek Indonesia),” Jurnal Teknologi Informasi dan Ilmu Komputer, vol. 7, pp. 139–144, 2019, doi: 10.25126/jtiik.202071638.
F. Apriliansyah, I. Fitri, and A. Iskandar, “Implementasi Load Balancing Pada Web Server Menggunakan Nginx,” Jurnal Teknologi dan Manajemen Informatika, vol. 6, no. 1, pp. 18–26, Apr. 2020, doi: 10.26905/jtmi.v6i1.3792.
C. Zhang and X. Zhou, “Forecasting value-at-risk of crude oil futures using a hybrid ARIMA-SVR-POT model,” Heliyon, vol. 10, no. 1, p. e23358, Jan. 2024, doi: 10.1016/j.heliyon.2023.e23358.
R. Hyndman, A. Koehler, K. Ord, and R. Snyder, Forecasting with Exponential Smoothing. in Springer Series in Statistics. Berlin, Heidelberg: Springer Berlin Heidelberg, 2008. doi: 10.1007/978-3-540-71918-2.
A. A. Suryanto, “PENERAPAN METODE MEAN ABSOLUTE ERROR (MEA) DALAM ALGORITMA REGRESI LINEAR UNTUK PREDIKSI PRODUKSI PADI,” SAINTEKBU, vol. 11, no. 1, pp. 78–83, Feb. 2019, doi: 10.32764/saintekbu.v11i1.298.
C. Kosma, G. Nikolentzos, N. Xu, and M. Vazirgiannis, “Time Series Forecasting Models Copy the Past: How to Mitigate,” International Conference on Artificial Neural Networks, pp. 366–378, Jul. 2022, [Online]. Available: http://arxiv.org/abs/2207.13441
M. Kang and J. Yu, “Multi-step Forecast of Ending Balance Based on Machine Learning,” in 2020 IEEE 5th International Conference on Cloud Computing and Big Data Analytics (ICCCBDA), IEEE, Apr. 2020, pp. 206–210. doi: 10.1109/ICCCBDA49378.2020.9095752.
