Kluster Kubernetes sering mengalami inefisiensi sumber daya karena Horizontal Pod Autoscaler (HPA) bawaan bersifat reaktif dan sering tertinggal dalam merespons fluktuasi beban kerja. Penelitian ini menyajikan evaluasi empiris terhadap sistem autoscaling prediktif multi-model dinamis yang dirancang untuk meningkatkan akurasi keputusan dan responsivitas. Kerangka kerja ini mengintegrasikan sembilan teknik peramalan, meliputi metode statistik, decision tree, dan neural network, dengan mekanisme seleksi berbasis MinHeap untuk mengidentifikasi model optimal secara dinamis. Untuk meminimalkan latensi inisialisasi, recurrent neural network yang membutuhkan komputasi intensif dikecualikan dari deployment aktif, sehingga mengurangi waktu setup sebesar 60%. Melalui 90 eksperimen terkontrol pada kluster AWS dengan berbagai pola beban kerja, sistem ini menunjukkan peningkatan dibandingkan HPA standar. Hasil penelitian menunjukkan pengurangan penggunaan pod hingga 68% selama periode lalu lintas rendah dengan tetap mempertahankan tingkat keberhasilan layanan di atas 96%. Secara khusus, model statistik sederhana seperti Holt-Winters sering terpilih sebagai opsi yang efektif, sementara model berbasis tree unggul dalam kondisi yang memerlukan pelatihan ulang secara cepat. Temuan ini menunjukkan bahwa arsitektur deep learning yang kompleks mungkin tidak selalu diperlukan untuk autoscaling yang efektif, mengindikasikan bahwa pendekatan statistik yang ringan dapat menawarkan efisiensi dan kepraktisan yang sebanding dalam lingkungan produksi.