Penerapan Konsolidasi Beban Kerja Kluster Web server Secara Dinamis Dengan Melakukan Klasifikasi Beban Kerja Server Menggunakan Pendekatan Backpropagation Neural Network

Balantimuhe, Alan Stevrie and Dr. Ir. Sholeh Hadi Pramono,, M.S. and Hadi Suyono,, S.T., M.T., Ph.D., IPM. (2018) Penerapan Konsolidasi Beban Kerja Kluster Web server Secara Dinamis Dengan Melakukan Klasifikasi Beban Kerja Server Menggunakan Pendekatan Backpropagation Neural Network. Magister thesis, Universitas Brawijaya.

Abstract

Meningkatnya permintaan pengguna aplikasi WWW telah menyebabkan peningkatan yang sepadan dalam penggunaan sumber daya kluster server web. Penelitian ini mengkaji tentang penyediaan sumber daya web server berdasarkan parameter beban kerja server (load average CPU). Data yang digunakan adalah akses terhadap web server yang melayani applikasi Sistem Informasi Akademik Mahasiswa Universitas Brawijaya (SIAM-UB). Penggunaan sumber daya server secara maksimal (beban puncak) terjadi pada periode registrasi mahasiswa, yaitu lebih dari 65000 mahasiswa akan mengakses server SIAM secara bersamaan. Jumlah permintaan yang dilayani server dalam 1 hari dapat mencapai 1.7juta permintaan. Pada penelitian ini, dilakukan prediksi (klasifikasi) konsolidasi beban kerja CPU dalam kluster web server untuk penyediaan sumber daya server yang optimal. Prediksi konsolidasi beban kerja server diklasifikasikan menjadi 3 kelas, yaitu: Min (0-2), Medium (3-6), Maximum (n > 7). Metode backpropagation neural network (BNN) digunakan untuk memprediksi kelas konsolidasi beban kerja server berdasarkan parameter input penggunaan CPU, memory, jaringan (throughput) dan jumlah IP akses. Arsitektur BNN dengan 32 input, 2 hidden layer dengan jumlah neuoron h1 512; h2 32, 3 output, dan learning rate 0.00001, menghasilkan bobot yang mampu melakukan klasifikasi konsolidasi beban kerja CPU dengan tingkat precision 90%, tingkat sensitivity 0.9, dan tingkat akurasi 93%.

English Abstract

The increasing demand for users of WWW applications has led to a commensurate increase in the use of cluster server resources. This study examines the provision of web server resources based on server workload parameters (load average CPU). Researchers conduct research on the cluster web server that serves Academic Student Information System of Universitas Brawijaya (SIAM-UB) application. Maximum use of server resources (peak load) occurs during the student registration period, more than 65000 students will access the SIAM server simultaneously. The number of requests served by the server in 1 day can reach 1.7 million requests. In this research, the server resources is predicted to determine the optimal CPU load average in web server cluster. The server workload predictions are classified into 3 classes, namely: Min (0-2), Medium (3-6), Maximum (n > 7). The backpropagation neural network (BNN) method, is then used to predict the server workload class based on the following parameters such as CPU usage, memory, network (throughput) and number of IP access to SIAM cluster server. The BNN architecture with the 32 inputs, 2 hidden layers including the number of neuron h1 512 and h2 32, 3 outputs, and learning rate of 0.00001, have produced the weights that can perform the classification consolidation work load with the precision level of 90%, the sensitivity level of 0.9, and the accuracy level of 93%.

Item Type:	Thesis (Magister)
Identification Number:	TES/006.32/BAL/p/2018/041808814
Uncontrolled Keywords:	Klasifikasi, prediksi, konsolidasi, Backpropagation neural network, load average, cluster web server,Classification, Prediction, Consolidation, Backpropagation neural network, load average, cluster web server.
Subjects:	000 Computer science, information and general works > 006 Special computer methods > 006.3 Artificial intelligence > 006.32 Neural nets (neural networks)
Divisions:	S2/S3 > Magister Teknik Elektro, Fakultas Teknik
Depositing User:	soegeng sugeng
Date Deposited:	09 Aug 2022 07:35
Last Modified:	09 Aug 2022 07:35
URI:	http://repository.ub.ac.id/id/eprint/193084

Text ALAN STEVRIE BALANTIMUHE.pdf Download (3MB)

Actions (login required)

View Item