Article Per Year (5 Year)
p-Index From 2021 - 2026
0.23
P-Index
This Author published in this journals
All Journal Journal of Artificial Intelligence and Digital Business
Firamawati Hia Hia
Universitas Katolik Santo Thomas Medan
Computer Science & IT Economics, Econometrics & Finance Electrical & Electronics Engineering Engineering

Published : 1 Documents Claim Missing Document
Claim Missing Document
Check
Articles

Found 1 Documents
Search

 1 
Implementasi Deep Learning untuk Prediksi Penggunaan Resource CPU dan RAM pada Server Debian Linux Firamawati Hia Hia; Ronita Olive Angelie; Lotar Mateus Sinaga
RIGGS: Journal of Artificial Intelligence and Digital Business Vol. 5 No. 2 (2026): Mei-Juli
Publisher : Prodi Bisnis Digital Universitas Pahlawan Tuanku Tambusai

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.31004/riggs.v5i2.11453

Abstract

Penelitian ini mengimplementasikan metode deep learning berbasis Long Short-Term Memory (LSTM) untuk memprediksi penggunaan sumber daya CPU dan RAM pada server Debian Linux secara real-time. Data monitoring dikumpulkan otomatis setiap lima detik melalui modul collect.py dan menghasilkan 1.859 rekaman yang memuat timestamp, persentase CPU, persentase RAM, jumlah RAM terpakai, dan jumlah proses aktif. Data diproses melalui pengurutan waktu, ekstraksi fitur jam dan hari, normalisasi MinMaxScaler, serta pembentukan sequence menggunakan sliding window 30 timestep. Model dibangun dengan PyTorch menggunakan dua lapisan LSTM berukuran 64 dan 32 unit, diikuti lapisan fully connected, aktivasi ReLU, dan dropout. Pelatihan dilakukan selama 50 epoch dengan optimizer Adam dan fungsi kerugian Mean Squared Error. Hasil evaluasi akhir menunjukkan training loss 0,0140, test loss 0,0310, RMSE 0,1761, dan MAE 0,1426 pada skala ternormalisasi. Modul predict.py mampu menghasilkan prediksi CPU dan RAM setiap lima detik serta memberikan status NORMAL atau WASPADA berdasarkan ambang CPU 80% dan RAM 85%. Hasil ini menunjukkan bahwa LSTM dapat diterapkan sebagai dasar monitoring prediktif untuk mendukung tindakan proaktif administrator. Meskipun demikian, data dikumpulkan dalam durasi relatif singkat dan didominasi beban rendah, sehingga pengujian pada periode lebih panjang dan variasi beban yang lebih luas tetap diperlukan sebelum sistem digunakan pada lingkungan produksi. Sistem juga mempertahankan arsitektur modular agar mudah dipelihara dan dikembangkan.
Co-Authors Lotar Mateus Sinaga Ronita Olive Angelie