Penjadwalan cloud berbasis metaheuristik sangat dipengaruhi oleh kualitas pemilihan parameter algoritma. Namun, pada banyak penelitian, parameter genetic algorithm masih ditetapkan secara tetap atau dituning secara konvensional, sehingga kurang adaptif terhadap perubahan karakteristik workload. Penelitian ini mengusulkan pendekatan penyetelan parameter berbantuan machine learning untuk penjadwalan cloud berbasis metaheuristik guna memprediksi parameter genetic algorithm berdasarkan karakteristik workload cloud. Dataset yang digunakan berasal dari GoCJ mentah yang ditransformasikan menjadi 45 skenario workload melalui tiga regime, yaitu tight, medium, dan loose. Tahapan penelitian meliputi pembentukan fitur workload, pelabelan parameter terbaik genetic algorithm, pembangunan model prediksi parameter, serta evaluasi dampaknya terhadap performa penjadwalan. Metode usulan, yaitu GA-ML, dibandingkan dengan FCFS, EDF, GA-Default, dan GA-Grid. Hasil eksperimen menunjukkan bahwa GA-ML memberikan performa lebih baik dibandingkan GA-Grid pada tiga dari empat metrik evaluasi. Secara khusus, GA-ML menurunkan total penalty sebesar 8,269%, weighted tardiness sebesar 8,804%, dan violation rate sebesar 1,366% dibandingkan GA-Grid. Namun, GA-ML menghasilkan makespan sedikit lebih tinggi sebesar 0,582%. Hasil uji Wilcoxon signed-rank menunjukkan bahwa perbedaan antara GA-ML dan GA-Grid signifikan pada seluruh metrik. Temuan ini menunjukkan bahwa penyetelan parameter berbantuan machine learning efektif untuk meningkatkan performa penjadwalan berbasis SLA, terutama dalam menekan penalti, keterlambatan berbobot, dan tingkat pelanggaran deadline, meskipun terdapat trade-off kecil pada makespan.
Copyrights © 2026