<![CDATA[Horizontal Pod Autoscaling (HPA) merupakan mekanisme penting dalam kubernetes untuk menjaga keseimbangan antara kualitas layanan dan penggunaan sumber daya. HPA yang umum digunakan masih berbasis ambang batas statis (threshold based), sehingga kurang adaptif terhadap perubahan beban kerja yang dinamis dan berpotensi menyebabkan over provisioning atau under provisioning. Penelitian ini mengusulkan pendekatan autoscaling berbasis reinforcement learning (RL) menggunakan algoritma Q-learning dan Q-learning berbasis fuzzy logic untuk mengatasi keterbatasan tersebut. Penerapan Q-learning secara langsung pada lingkungan dengan variabel observasi kontinu menghadapi permasalahan curse of dimensionality, di mana ruang state tumbuh secara eksponensial seiring bertambahnya variabel observasi sehingga menyulitkan konvergensi kebijakan optimal. Integrasi fuzzy logic bertujuan mengatasi permasalahan tersebut melalui reduksi ruang state menggunakan diskretisasi berbasis kategori linguistik. Eksperimen dilakukan dengan membandingkan tiga metode autoscaling, yaitu Q-learning, Q-learning berbasis fuzzy logic, dan HPA, menggunakan metrik utama tingkat pelanggaran SLO dan rata-rata jumlah replika. Hasil pelatihan selama 60 episode menunjukkan bahwa Q-learning berbasis fuzzy logic menghasilkan cumulative reward sebesar -453,4286, jauh lebih tinggi dibandingkan Q-learning sebesar -3.504,2705. Jumlah state yang terbentuk pada Q-learning mencapai 1.855, sedangkan pada Q-learning berbasis fuzzy logic hanya 21 state, menunjukkan reduksi ruang state sekitar 88 kali lebih kecil. Pada tahap pengujian, Q-learning menghasilkan tingkat pelanggaran SLO sebesar 70,9%, sedangkan Q-learning berbasis fuzzy logic hanya 13,8%, dan HPA sebesar 0,2%. Nilai P90 dan P95 pada Q-learning melampaui ambang batas SLO 1000 ms, sementara Q-learning berbasis fuzzy logic dan HPA tetap berada di bawah ambang batas tersebut. Dari sisi efisiensi sumber daya, rata-rata replika yang digunakan Q-learning berbasis fuzzy logic adalah 5,28, lebih rendah dibandingkan HPA sebesar 8,45 replika. Hasil penelitian menunjukkan bahwa integrasi fuzzy logic mampu mengatasi permasalahan curse of dimensionality pada Q-learning, sekaligus memberikan keseimbangan antara pemenuhan SLO dan efisiensi penggunaan sumber daya dalam mekanisme autoscaling Kubernetes]]>
