Optimasi Hyperparameter Bayesian pada Model BiLSTM untuk Prediksi Time-Series Workload: Studi Kasus Proactive Auto-scaler Kubernetes
Tahun 2026 · Penulis: Hasyim Ashari Abdul Mukti
Faculty of Computer Science, Universitas Jember
Abstrak
Teks yang dipakai untuk pengindeksan BM25 dan IndoSBERT
Terjemahan mesin (opus-mt-en-id) · dipakai untuk pengindeksan
Optimasi Hyperparameter Bayesian pada Model BiLSTM untuk Prediksi Time-Series Workload: Studi Kasus Proactive Auto-scaler Kubernetes
Kubernetes auto-scaling melalui Horizontal Pod Autoscaler (HPA) bergantung pada mekanisme reaktif yang memantau metrik real-time seperti penggunaan CPU dan memori. Namun, pendekatan reaktif ini sering menyebabkan gangguan layanan dan ketidakstabilan sistem karena menunda respon terhadap perubahan sumber daya. Penelitian ini mengusulkan menerapkan proaktif auto-scaling menggunakan Memori Pendek-Term Panjang Bidireksian (BiLSTM) model untuk prediksi beban waktu, yang dioptimalkan melalui optimasi hyperparameter Bayesian untuk meningkatkan akurasi prediksi dan keseluruhan kinerja sistem. Penelitian ini menggunakan data FIFA WorldCup98 yang berisi log permintaan HTTP dari 30 April 1998, sampai 26 Juli 1998. Preproses data mencakup 70:30 kereta-tes pemisahan, normalisasi, dan urutan penciptaan dengan waktu langkah 10. Optimasi Bayesian diimplementasikan menggunakan pustaka Optuna dengan algoritma Parzen Estimator (TPE) yang berstruktur pohon. Tiga model dibandingkan dengan dua model dasar dari penelitian sebelumnya dan satu model teroptimasi. Hasil menunjukkan bahwa optimisasi Bayesian berhasil mengidentifikasi hyperparameter optimal. Model yang teroptimalkan mencapai peningkatan kinerja dengan 15-18% tes yang lebih baik kehilangan sementara mempertahankan kecepatan prediksi kompetitif (58,00 ms). Namun, integrasi skala otomatis menunjukkan hasil campuran di mana model yang teroptimasi outcommentasi outcomperates baseline Dang dengan 4.95% peningkatan kecepatan elastis dan mengurangi over-provisioning kesalahan, tetapi undercomertes the Mondal baseline. Penelitian ini mengungkapkan bahwa peningkatan kinerja model tidak selalu berhubungan dengan peningkatan kinerja tingkat sistem, menunjukkan faktor kompleks mempengaruhi end-to-end efektivitas auto-scaling melebihi akurasi prediksi. Penemuan ini turut memahami tantangan dari mesin penerjemah untuk belajar perbaikan untuk aplikasi dunia nyata.
Dokumen Serupa
Berdasarkan kemiripan vektor embedding IndoSBERT (cosine similarity).
- Cosine 0,849
Tahun 2026 · Penulis: Kharisma Kurnia Wulandari
Hybrid Particle Swarm Optimization dan Multi-Layer Perceptron dalam Klasifikasi Biner
Perkembangan pembelajaran mesin telah mendorong penggunaan metode klasifikasi yang mampu menghasilkan prediksi akurat pada pola data yang kompleks. Multi-Layer Perceptron (MLP) adalah salah satu model yang digunakan secara luas karena kemampuannya untuk memper
- Cosine 0,833
Tahun 2024 · Penulis: Syah Reza Pahlevi
Analisis Perbandingan Teknik Optimasi Hyperparameter pada Metode Catboost dan Xgboost untuk Klasifikasi Penyakit Kardiovaskular
Penyakit Kardiovaskular (PKV) merupakan kondisi di mana terjadi penyempitan atau penyumbatan pembuluh darah yang dapat mengakibatkan serangan jantung atau stroke. Penyakit ini merupakan penyebab utama kematian global yang mematikan. Pencegahan dini dengan iden
- Cosine 0,819
Tahun 2026 · Penulis: Ummu Ni'matun Nada
Implementasi Model XGBoost dengan Hyperparameter Tuning Grid Search pada Sistem Klasifikasi Gangguan Tidur Berbasis Web
Gangguan tidur dapat mempengaruhi kesehatan fisik, kesehatan mental, dan produktivitas individu. Tingkat penyebaran gangguan tidur yang tinggi menunjukkan perlunya deteksi dini turut mengurangi risiko terkena berbagai penyakit kronis. Akan tetapi, metode diagn