Kinerja Cloud Terdistribusi pada Google Cloud Platform menggunakan metode Benchmarking Workload Artificial Intelligence MobileNetV2

'Ijazi, Muhammad Saifurridwani (2026) Kinerja Cloud Terdistribusi pada Google Cloud Platform menggunakan metode Benchmarking Workload Artificial Intelligence MobileNetV2. Sarjana thesis, UIN Sunan Gunung Djati Bandung.

Preview	Text 1_cover.pdf Download (164kB) | Preview
Preview	Text 2_abstrak.pdf Download (177kB) | Preview
Preview	Text 3_skbebasplagiarism.pdf Download (466kB) | Preview
Preview	Text 4_daftarisi.pdf Download (174kB) | Preview
Preview	Text 5_bab1.pdf Download (325kB) | Preview
	Text 6_bab2.pdf Restricted to Registered users only Download (448kB) | Request a copy
	Text 7_bab3.pdf Restricted to Registered users only Download (653kB) | Request a copy
	Text 8_bab4.pdf Restricted to Registered users only Download (562kB) | Request a copy
	Text 9_bab5.pdf Restricted to Registered users only Download (219kB) | Request a copy
	Text 10_daftarpustaka.pdf Restricted to Registered users only Download (204kB) | Request a copy
	Text 11_lampiran.pdf Restricted to Repository staff only Download (182kB) | Request a copy

Abstract

Penerapan inferensi Artificial Intelligence (AI) pada arsitektur cloud terdistribusi rentan terhadap lonjakan trafik instan (bursty) yang memicu degradasi performa. Penelitian ini bertujuan menganalisis karakteristik kinerja serta mengevaluasi efektivitas konfigurasi native Google Kubernetes Engine (GKE) dalam menjaga stabilitas dan meminimalkan overhead beban kerja inferensi MobileNetV2. Metode yang digunakan adalah empirical benchmarking berbasis desain faktorial 3×3, menguji tiga skenario arsitektur klaster terhadap variasi beban 10, 50, dan 100 concurrent users menggunakan Locust. Hasil pengujian menunjukkan Skenario A mengalami resource starvation pada beban 100 users, menghasilkan throughput 14,40 RPS, latensi rata-rata 7.121,81 ms, dan Error Rate 70,67%. Skenario B menunjukkan stabilitas transaksi yang lebih baik (19,62 RPS, latensi 4.636,13 ms), di mana penurunan kinerja dipicu oleh kemacetan pada Ingress Gateway alih-alih saturasi komputasi CPU. Sementara itu, Skenario C mencatatkan throughput puncak tertinggi sebesar 19,82 RPS pada beban 100 users, namun mengalami anomali penurunan performa non-monoton pada beban menengah akibat osilasi replika (pod thrashing) di sekitar ambang batas Horizontal Pod Autoscaler (HPA). Analisis tingkat kernel pada Skenario C membuktikan bahwa pembatasan kaku Linux cgroups memicu CPU Throttling hingga 28,75%, kegagalan kontainer (OOMKilled), cluster blackout selama 3 menit, serta latensi pemulihan pod 6,40–8,54 detik dengan Error Rate global 71,18%. Disimpulkan bahwa konfigurasi default GKE kurang efektif dalam merespons beban AI yang fluktuatif ekstrem, sehingga direkomendasikan penerapan alokasi resource burstable dan autoscaling adaptif berbasis metrik kustom.

Actions (login required)

View Item