<![CDATA[Penelitian ini bertujuan merancang dan mengimplementasikan sistem prediksi penggunaan sumber daya CPU dan RAM pada server Debian Linux menggunakan metode deep learning berbasis Long Short-Term Memory (LSTM). Data monitoring dikumpulkan secara otomatis dan real-time melalui modul collect.py dengan interval lima detik, menghasilkan 1.859 record yang memuat timestamp, persentase CPU, persentase RAM, penggunaan RAM dalam megabyte, dan jumlah proses aktif. Tahap pemrosesan meliputi pengurutan berdasarkan waktu, ekstraksi fitur jam dan hari, normalisasi menggunakan MinMaxScaler, serta pembentukan sequence dengan sliding window sebanyak 30 timestep. Model dibangun menggunakan PyTorch dengan dua lapisan LSTM berukuran 64 dan 32 unit, dilanjutkan lapisan fully connected, ReLU, dan dropout. Pelatihan dilakukan selama 50 epoch menggunakan optimizer Adam dan fungsi loss Mean Squared Error. Hasil pengujian menunjukkan training loss akhir sebesar 0,0140, test loss 0,0310, RMSE 0,1761, dan MAE 0,1426 pada data ternormalisasi. Modul predict.py mampu menghasilkan estimasi CPU dan RAM setiap lima detik serta memberikan klasifikasi kondisi NORMAL atau WASPADA berdasarkan ambang batas yang ditentukan. Sistem dapat berjalan stabil dengan latensi prediksi kurang dari satu detik, sehingga berpotensi mendukung monitoring dan perencanaan kapasitas server secara proaktif. Meskipun demikian, periode pengumpulan data yang singkat dan dominasi kondisi beban rendah membatasi generalisasi model, sehingga pengujian dengan data yang lebih panjang dan bervariasi masih diperlukan.]]>
Copyrights © 2026
