Konsolidasi Beban Kerja Kluster Web Server Dinamis dengan Pendekatan Backpropagation Neural Network

Meningkatnya permintaan pengguna applikasi WWW telah menyebabkan peningkatan yang sepadan dalam penggunaan sumber daya server kluster. Penelitian ini mengkaji tentang penyediaan sumber daya server Web berdasarkan parameter beban kerja server (load average CPU). Data yang digunakan adalah akses terhadap web server yang melayani applikasi Sistem Informasi Akademik Mahasiswa Universitas Brawijaya (SIAM-UB). Penggunaan sumber daya server secara maksimal (beban puncak) terjadi pada periode registrasi mahasiswa, yaitu lebih dari 65000 mahasiswa akan mengakses server SIAM secara bersamaan. Jumlah permintaan yang dilayani server dalam 1 hari dapat mencapai 1.7juta permintaan. Pada penelitian ini, penyediaan sumber daya server diprediksi untuk mendapatkan beban kerja CPU dalam kluster web server yang optimal. Prediksi beban kerja server diklasifikasikan menjadi 3 kelas, yaitu: Min (0-2), Medium (3-6), Maximum >7. Metode backpropagation neural network (BNN) digunakan untuk memprediksi kelas beban kerja server berdasarkan parameter input penggunaan CPU, memory, jaringan (throughput) dan jumlah IP akses. Arsitektur BNN dengan 32 input, 2 hidden layer dengan jumlah neuoron h1 512; h2 32, 3 output, dan learning rate 0.0001, menghasilkan bobot yang mampu melakukan klasifikasi dengan tingkat precision 90%, tingkat sensitivity 0.9, dan tingkat akurasi 93%.