Penelitian ini bertujuan untuk mengkaji pemanfaatan pemodelan dan simulasi berbasis Neural Network dalam memprediksi kinerja sistem komputasi melalui pendekatan studi literatur. Peningkatan kompleksitas beban kerja pada sistem komputasi modern menuntut metode prediksi yang lebih adaptif dan akurat. Melalui penelusuran artikel nasional dan internasional, ditemukan bahwa model deep learning seperti LSTM, GRU, CNN-LSTM, dan pendekatan hibrida mampu menangkap pola non-linier dan dinamika beban secara efektif. Hasil kajian menunjukkan bahwa metode ini mampu meningkatkan akurasi prediksi penggunaan CPU, memori, waktu eksekusi, serta efisiensi energi. Selain itu, integrasi prediksi dengan mekanisme autoscaling terbukti meningkatkan pemanfaatan sumber daya dan menurunkan waktu respons sistem. Namun, tantangan tetap ada, terutama terkait generalisasi model lintas hardware dan kebutuhan interpretabilitas. Temuan ini menegaskan pentingnya pengembangan model prediksi yang lebih adaptif dan efisien untuk mendukung performa sistem komputasi modern.
Copyrights © 2025