| Call Number | SK-AJ-2881 (softcopy SK-2362) |
| Collection Type | Skripsi |
| Title | Pendekatan Berbasis Foundation Model untuk Pemulihan Bencana Prediktif di Lingkungan Kubernetes |
| Author | Gabriella Naomi Hutagalung; |
| Publisher | Depok: Fasilkom UI, 2026 |
| Subject | Foundation Model, Lingkungan Kubernetes |
| Location | FASILKOM-UI; |
| Nomor Panggil | ID Koleksi | Status |
|---|---|---|
| SK-AJ-2881 (softcopy SK-2362) | TERSEDIA |
Pemulihan bencana yang andal di Kubernetes memerlukan peramalan yang akurat untuk mencegah overload saat failover. Namun, pendekatan berbasis machine learning (ML) yang ada biasanya hanya mengandalkan prediksi titik dengan satu metrik dan model LSTM yang dikelola sendiri, sehingga tidak memperhitungkan ketidakpastian dan memerlukan pelatihan ulang secara terus-menerus. Penelitian ini mengevaluasi apakah foundation model untuk data deret waktu dapat menjadi dasar yang lebih tangguh dan efisien secara operasional untuk DR prediktif. Komponen peramalan berbasis TimeGPT dengan kemampuan prediksi multi-metrik dan kuantil diintegrasikan ke dalam alur kerja DR dan dibandingkan dengan sistem LSTM yang dikelola sendiri. Dari dua puluh simulasi DR, prediksi multi-metrik meningkatkan pemilihan cluster yang aman dari 30% menjadi 100%. Dalam delapan puluh eksperimen tambahan, prediksi titik menunjukkan tingkat kegagalan migrasi sebesar 20%, sedangkan prediksi berbasis kuantil 90% mencegah semua kegagalan. Analisis biaya selama tiga tahun menunjukkan bahwa DR berbasis LSTM menimbulkan biaya pelatihan ulang dan infrastruktur sebesar $11.842, dibandingkan $2.326 untuk pendekatan foundation model. Secara keseluruhan, hasil ini menunjukkan bahwa peramalan berbasis foundation model meningkatkan keamanan dan efisiensi operasional pemulihan bencana di Kubernetes.