<![CDATA[Efisiensi pengelolaan sumber daya menjadi tantangan krusial di lingkungan cloud-native yang dinamis, terutama karena Horizontal Pod Autoscaler (HPA) berbasis metrik CPU yang reaktif kerap gagal mengantisipasi lonjakan beban, memicu keterlambatan respons dan thrashing yang berulang (yaitu osilasi jumlah replika), serta representasi beban yang keliru karena CPU hanyalah metrik supply-side, bukan sinyal permintaan aktual pengguna. Penelitian ini mengusulkan autoscaler proaktif berbasis Kalman Filter (selanjutnya disebut KF Proactive) yang bersifat training-free dan lightweight, memanfaatkan metrik Requests Per Second (RPS) untuk mengestimasi sekaligus memprediksi beban kerja secara real-time. Empat varian autoscaler diuji pada klaster Kubernetes single-node menggunakan trace replay dataset NASA HTTP Log 13 Juli 1995, dengan 6 kali pengulangan per varian. Hasil pengujian menunjukkan KF Proactive unggul signifikan dalam efisiensi sumber daya, hanya mengonsumsi 37,65 pod-hours atau 60,7% lebih rendah dibandingkan HPA berbasis CPU yang mencapai 95,77 pod-hours, sekaligus mencatatkan availability sempurna tanpa satu pun error 5xx selama pengujian. Meskipun demikian, efisiensi tersebut menghadirkan trade-off yang perlu dicermati, yaitu SLO compliance latensi P95 KF Proactive tercatat 96,39%, lebih rendah dibandingkan HPA berbasis CPU sebesar 99,84%, sebagai konsekuensi langsung dari konfigurasi parameter yang secara sengaja diarahkan untuk memprioritaskan efisiensi sumber daya.]]>
Copyrights © 2026
