Implementasi Sistem Load Balancing Pada Web Server Berbasis Raspberry Pi Dengan Metode Long Short-Term Memory
DOI:
https://doi.org/10.52436/1.jpti.477Kata Kunci:
Load Balancing, Long Short-Term Memory, Raspberry Pi, Time Series, Web ServerAbstrak
Peningkatan jumlah pengguna internet telah berhasil meningkatkan beban pada web server, mengakibatkan risiko overload dan penurunan kinerja layanan. Sistem load balancing menjadi solusi penting untuk mendistribusikan permintaan layanan secara merata. Penelitian ini mengembangkan sistem load balancing berbasis metode Long Short-Term Memory (LSTM) pada server web dengan menggunakan Raspberry Pi sebagai platform komputasi. Metode ini dijalankan untuk memprediksi beban CPU berdasarkan data time series, memungkinkan distribusi beban yang lebih akurat dan dioptimalkan. Hasil pengujian menunjukkan peningkatan total permintaan sebesar 4%, penurunan waktu respons rata-rata sebesar 9%, pengurangan tingkat error sebesar 32%, dan peningkatan throughput sebesar 12%. Penelitian ini memberikan kontribusi penting pada pengembangan sistem load balancing berbasis prediksi yang lebih disesuaikan terhadap pola lalu lintas dinamis, sekaligus menawarkan solusi hemat biaya untuk implementasi pada skala kecil.
Unduhan
Referensi
M. Waluyo, F. Antony, and C. Setiawan, “Implementasi Load Balancing Web Server Dengan Haproxy Menggunakan Algoritma Round Robin,” Journal of Intelligent Networks and IoT Global, vol. 1, pp. 46–52, Jul. 2023, doi: 10.36982/jinig.v1i1.3074.
E. P. Cynthia, I. Iskandar, and A. A. Sipayung, “Rancang Bangun Server HAproxy Load Balancing Master to Master MySQL (Replication) Berbasis Cloud Computing,” Algoritma?: Jurnal Ilmu Komputer Dan Informatika, vol. 4, no. 1, pp. 45–54, 2020, doi: 10.30829/algoritma.v4i1.7275.
A. Fadila and M. Nasir, “JAISE?: Journal of Artificial Intelligence and Software Engineering Implementasi Sistem Load Balancing Web server Pada Jaringan Public Cloud Computing Menggunakan Least Connection.”
S. D. Riskiono and D. Pasha, “Analisis Perbandingan Server Load Balancing dengan Haproxy & Nginx dalam Mendukung Kinerja Server E- Learning,” Jurnal Telekomunikasi dan Komputer, vol. 10, no. 3, p. 135, 2020, doi: 10.22441/incomtech.v10i3.8751.
Y. Permana, R. Ritzkal, and Y. Afrianto, “Load Balancing Method Performance Analysis on Haproxy and Router OS,” Jurnal Mantik, vol. 4, no. 3, pp. 1588–1596, 2020, [Online]. Available: https://iocscience.org/ejournal/index.php/mantik
T. Wira Harjanti, H. Setiyani, and J. Trianto, “Load Balancing Analysis Using Round-Robin and Least-Connection Algorithms for Server Service Response Time,” Applied Technology and Computing Science Journal, vol. 5, no. 2, pp. 40–49, 2022, doi: 10.33086/atcsj.v5i2.3743.
M. E. Mumcuoglu et al., “Driving behavior classification using long short term memory networks,” 2019 AEIT International Conference of Electrical and Electronic Technologies for Automotive, AEIT AUTOMOTIVE 2019, 2019, doi: 10.23919/EETA.2019.8804534.
S. D. Riskiono and D. Pasha, “Analisis Metode Load Balancing Dalam Meningkatkan Kinerja Website E-Learning,” Jurnal Teknoinfo, vol. 14, no. 1, p. 22, 2020, doi: 10.33365/jti.v14i1.466.
M. A. Nugroho and R. Kartadie, “Analisis Kinerja Penerapan Container untuk Load Balancing Web Server,” JIPI (Jurnal Ilmiah Penelitian dan Pembelajaran Informatika), vol. 1, no. 02, pp. 7–15, 2016, doi: 10.29100/jipi.v1i02.35.
B. Tjahjono, A. Sulaeman, F. Adikara, and K. Juman, “Implementation of Load Balancing Technology Using Raspberry Pi as a Server for Computer Based Examination,” International Conference on Islam, Science and Technology, 2020, doi: 10.4108/eai.2-10-2018.2295570.
A. Hanafiah and R. Wandri, “Implementasi Load Balancing Dengan Algoritma Penjadwalan Weighted Round Robin Dalam Mengatasi Beban Webserver,” IT Journal Research and Development, vol. 5, no. 2, pp. 226–233, 2021, doi: 10.25299/itjrd.2021.vol5(2).5795.
A. A. Aulia, A. M. Elhanafi, H. Dafitri, A. Aulia, A. M. Elhanafi, and H. Dafitri, “Implementasi Algoritma Gated Recurrent Unit Dalam Melakukan Prediksi Harga Kelapa Sawit Dengan Memanfaatkan Model Recurrent Neural Network (RNN),” Prosiding SNASTIKOM: Seminar Nasional Teknologi Informasi & Komunikasi Paper, pp. 288–294, 2021.
L. Wang, L. Bai, Z. Li, R. Zhao, and F. Tsung, “Correlated Time Series Self-Supervised Representation Learning via Spatiotemporal Bootstrapping,” IEEE International Conference on Automation Science and Engineering, vol. 2023-Augus, 2023, doi: 10.1109/CASE56687.2023.10260640.
T. O. Hodson, “Root-mean-square error (RMSE) or mean absolute error (MAE): when to use them or not,” Geosci Model Dev, vol. 15, no. 14, pp. 5481–5487, 2022, doi: 10.5194/gmd-15-5481-2022.
S. Prayudani, A. Hizriadi, Y. Y. Lase, Y. Fatmi, and Al-Khowarizmi, “Analysis Accuracy of Forecasting Measurement Technique on Random K-Nearest Neighbor (RKNN) Using MAPE and MSE,” J Phys Conf Ser, vol. 1361, no. 1, 2019, doi: 10.1088/1742-6596/1361/1/012089.
M. Dartono and D. Irawan, “Penerapan Metode Per Connection Classifier (PCC) Pada Perancangan Load Balancing Dengan Router Penerapan Metode Per Connection Classifier (Pcc) Pada Perancangan Load Balancing Dengan Router Mikrotik.”
N. Agung Pambudi and A. Hendri Hendrawan, “Digital Information Board Using Rasberry Pi 3 Model B Based on Raspbian,” Jurnal Mantik, vol. 4, no. 4, pp. 2588–2592, 2021, [Online]. Available: https://iocscience.org/ejournal/index.php/mantik
S. K. Rout, J. V. R. Ravindra, A. Meda, S. N. Mohanty, and V. Kavididevi, “A Dynamic Scalable Auto-Scaling Model as a Load Balancer in the Cloud Computing Environment,” EAI Endorsed Transactions on Scalable Information Systems, vol. 10, no. 5, pp. 1–7, 2023, doi: 10.4108/eetsis.3356.
