Mengkuantifikasi Trade-off Biaya-Kualitas dalam Autoscaling Kubernetes Berbasis Reinforcement Learning
DOI:
https://doi.org/10.58344/jii.v5i2.7527Keywords:
Pembelajaran Penguatan (Reinforcement Learning);, Kubernetes, Autoscaling, Hybrid DQN-PPO, Perjanjian Tingkat Layanan (Service Level Agreement)Abstract
Penelitian autoscaling Kubernetes berbasis reinforcement learning saat ini kurang memiliki evaluasi statistik yang ketat, dengan sebagian besar hanya mengandalkan eksperimen skenario tunggal yang tidak dapat membedakan keunggulan algoritmik yang sebenarnya dari variasi acak. Kesenjangan metodologis ini melemahkan validitas dan reprodusibilitas peningkatan kinerja yang dilaporkan dalam literatur manajemen sumber daya cloud. Studi ini mengembangkan kerangka evaluasi berbasis simulasi yang kuat secara statistik untuk membandingkan secara ketat algoritma autoscaling reinforcement learning terhadap Horizontal Pod Autoscaler (HPA) Kubernetes standar, membangun metodologi benchmarking yang dapat direproduksi dengan pengujian signifikansi statistik yang tepat dan kuantifikasi ukuran efek. Sebuah simulator kejadian diskrit Python yang mengemulasi komponen control-plane Kubernetes (Metrics Server, Controller Manager, Scheduler) dengan dinamika siklus hidup pod yang realistis telah dikembangkan. Autoscaler Hybrid DQN-PPO dan HPA dievaluasi menggunakan desain eksperimen berpasangan di 30 skenario lalu lintas sintetis independen selama 24 jam. Analisis statistik menggunakan uji normalitas Shapiro-Wilk, koreksi Holm-Bonferroni untuk perbandingan berganda, ukuran efek Cohen’s d, dan interval kepercayaan bootstrap. Hasil mengungkapkan trade-off fundamental antara biaya dan kualitas: Hybrid DQN-PPO mencapai kualitas layanan superior dengan 60,58% lebih sedikit pelanggaran SLA, 19,61% lebih cepat latensi P95, dan 4,83% lebih cepat waktu respons rata-rata (semua p < 0, 001). Namun, peningkatan kualitas ini memerlukan premi biaya 8,92% ($6,87 per skenario) dibandingkan dengan HPA, yang mempertahankan utilisasi CPU 7,96% lebih tinggi melalui efisiensi sumber daya yang agresif (p < 0, 001). Perbedaan kinerja berasal dari strategi kontrol yang sangat berbeda: HPA menggunakan kontrol reaktif (menunggu pelanggaran sebelum scaling), mengoptimalkan biaya; Hybrid menggunakan kontrol prediktif (mencegah pelanggaran secara proaktif).
References
Andriyani, W., Purnomo, R., Hendrawan, S. A., Irvani, A. I., Sujarwo, A., Asri, Y. N., Jones, A. H. S., Feta, N. R., Wulandari, I. Y., & Hatma, S. (2024). Data sebagai fondasi kecerdasan buatan. Tohar Media.
Azamat, K., Galiya, J., Bezhan, R., & Nurdana, Z. (2023). The impact of intangible assets on the value of FMCG companies worldwide. Journal of Innovation & Knowledge, 8(1), Article 100330. https://doi.org/10.1016/j.jik.2023.100330
Böhm, S., & Beránek, J. (2020). Böhm’s theorem and reinforcement learning for cluster autoscaling. arXiv. https://arxiv.org/abs/2004.08867
Djamaris, A. (2025). Panduan praktis pemilihan uji-uji statistik dalam penelitian.
Garg, S., Casale, G., & Croucher, S. (2021). Challenges in benchmarking autoscaling systems: Position paper. In Proceedings of the ACM/SPEC International Conference on Performance Engineering (pp. 1–6).
Hafidz, M. R. (2024). Penerapan continuous integration/continuous deployment (CI/CD) dalam pengembangan web aplikasi di lingkungan Kubernetes berbasis Rancher Kubernetes Engine [Skripsi, Sekolah Tinggi Teknologi Terpadu Nurul Fikri].
Mao, H., Alizadeh, M., Menache, I., & Kandula, S. (2016). Resource management with deep reinforcement learning. In Proceedings of the 15th ACM Workshop on Hot Topics in Networks (HotNets) (pp. 50–56). ACM.
Maulana, S., & Ilman, N. (2025). Pengaruh persepsi kemudahan penggunaan dan kegunaan aplikasi JMO (Jamsostek Mobile) BPJS Ketenagakerjaan terhadap kepuasan pengguna di Kota Palopo. Integrative Perspectives of Social and Science Journal, 2(3), 4915–4927.
Nirsal, N., Judijanto, L., Apriyanto, A., Susilo, A., Akbar, M. H., Sagala, L. O. H. S., Arief, M. I., Saruman, A. S., & Paliling, A. (2025). Riset bidang komputer. PT Sonpedia Publishing Indonesia.
Pradangga, A., & Yamasari, Y. (2025). Validasi data kemiskinan berbasis web menggunakan algoritma isolation forest di Mojo Surabaya. Journal of Informatics and Computer Science (JINACS), 7(2), 466–473.
Rossi, F., Nardelli, M., & Cardellini, V. (2020). Horizontal pod autoscaling in Kubernetes for elastic container orchestration. In Proceedings of the 3rd International Workshop on Edge Systems, Analytics and Networking (pp. 31–36).
Tjalla, A., Wahyuni, L. D., & Afriadi, B. (2023). Konstruksi alat ukur dalam pendidikan. UNJ Press.
Watrianthos, R., Ahmad, S. T., & Muskhir, M. (2025). MOOCs dan transformasi pendidikan global: Panduan pengembangan dan implementasi. Pustaka Galeri Mandiri.
Wibowo, A., & Kom, M. (2025a). Multidisiplin antara kecerdasan buatan (AI) dan ilmu hukum. Yayasan Penerbit.
Wibowo, A., & Kom, M. (2025b). Penerapan AI pada infrastruktur, rekayasa teknik sipil dan konstruksi. Yayasan Penerbit.
Wibowo, I. A., & Kom, M. (2025a). Cara berpikir kritis dan analogi kreatif pada statistik, sains dan teknologi. Yayasan Penerbit.
Wibowo, I. A., & Kom, M. (2025b). Teknologi DDM (dynamic decision making). Yayasan Penerbit.
Xu, M., & Buyya, R. (2019). Managing performance overhead of virtual machines in cloud computing: A survey, empirical study, and classification. ACM Computing Surveys (CSUR), 51(6), 1–32.
Zhang, W., Li, Q., Chen, M., & Wang, J. (2022). Intelligent autoscaling for hybrid cloud platforms: A multi-agent reinforcement learning approach. IEEE Transactions on Services Computing, 15(6), 3421–3435.
Zuhri, M. W. A., Mualifin, M. I., & Ainul, M. (n.d.). Strategi pelacakan kebutuhan perangkat lunak: Evaluasi teknik dan dampaknya terhadap keterlacakan dan konsistensi requirement.
A. K. Mishra, A. K. Tripathi, and P. Singh, “Adaptive workload autoscaling for large-scale cloud systems using deep reinforcement learning,” Journal of Cloud Comput- ing, vol. 13, no. 1, pp. 87–103, 2024.
Andriyani, W., Purnomo, R., Hendrawan, S. A., Irvani, A. I., Sujarwo, A., Asri, Y. N., Jones, A. H. S., Feta, N. R., Wulandari, I. Y., & Hatma, S. (2024). Data Sebagai Fondasi Kecerdasan Buatan. Tohar Media.
Azamat, K., Galiya, J., Bezhan, R., & Nurdana, Z. (2023). The impact of intangible assets on the value of FMCG companies worldwide. Journal of Innovation and Knowledge, 8(1). https://doi.org/10.1016/j.jik.2023.100330
Djamaris, A. (2025). Panduan Praktis Pemilihan Uji-Uji Statistik dalam Penelitian.
Hafidz, M. R. (2024). Penerapan Continuous Integration/Continuous Deployment (Ci/Cd) Dalam Pengembangan Web Aplikasi Di Lingkungan Kubernetes Berbasis Rancher Kubernetes Engine. Sekolah Tinggi Teknologi Terpadu Nurul Fikri.
Maulana, S., & Ilman, N. (2025). Pengaruh Persepsi Kemudahan Penggunaan dan Kegunaan Aplikasi JMO (Jamsostek Mobile) BPJS Ketenagakerjaan terhadap Kepuasan Pengguna di Kota Palopo. Integrative Perspectives of Social and Science Journal, 2(03 Juli), 4915–4927.
Nirsal, N., Judijanto, L., Apriyanto, A., Susilo, A., Akbar, M. H., Sagala, L. O. H. S., Arief, M. I., Saruman, A. S., & Paliling, A. (2025). Riset Bidang Komputer. PT. Sonpedia Publishing Indonesia.
Pradangga, A., & Yamasari, Y. (2025). Validasi Data Kemiskinan Berbasis Web Menggunakan Algoritma Isolation Forest di Mojo Surabaya. Journal of Informatics and Computer Science (JINACS), 7(02), 466–473.
Tjalla, A., Wahyuni, L. D., & Afriadi, B. (2023). Konstruksi Alat Ukur dalam Pendidikan. UNJ PRESS.
Watrianthos, R., Ahmad, S. T., & Muskhir, M. (2025). MOOCs dan Transformasi Pendidikan Global: Panduan Pengembangan dan Implementasi. Pustaka Galeri Mandiri.
Wibowo, A., & Kom, M. (2025a). Multidisiplin antara Kecerdasan Buatan (AI) dan Ilmu Hukum. yayasan penerbit.
Wibowo, A., & Kom, M. (2025b). Penerapan AI pada Infrastruktur, Rekayasa Teknik Sipil dan Konstruksi. yayasan penerbit.
Wibowo, I. A., & Kom, M. (2025a). CARA BERPIKIR KRITIS dan ANALOGI KREATIFpada Statistik, Sains dan Teknologi. yayasan penerbit.
Wibowo, I. A., & Kom, M. (2025b). TEKNOLOGI DDM (Dynamic Decision Making). yayasan penerbit.
Zuhri, M. W. A., Mualifin, M. I., & Ainul, M. (n.d.). Strategi Pelacakan Kebutuhan Perangkat Lunak: Evaluasi Teknik dan Dampaknya Terhadap Keterlacakan dan Konsistensi Requirment.
Downloads
Published
Issue
Section
License
Copyright (c) 2026 Rohmat Rohmat, Mauridhi Hery Purnomo, Feby Artwodini Muqtadiroh
This work is licensed under a Creative Commons Attribution-ShareAlike 4.0 International License.
Authors who publish with this journal agree to the following terms:
- Authors retain copyright and grant the journal right of first publication with the work simultaneously licensed under a Creative Commons Attribution-ShareAlike 4.0 International (CC-BY-SA). that allows others to share the work with an acknowledgement of the work's authorship and initial publication in this journal.
- Authors are able to enter into separate, additional contractual arrangements for the non-exclusive distribution of the journal's published version of the work (e.g., post it to an institutional repository or publish it in a book), with an acknowledgement of its initial publication in this journal.
- Authors are permitted and encouraged to post their work online (e.g., in institutional repositories or on their website) prior to and during the submission process, as it can lead to productive exchanges, as well as earlier and greater citation of published work.
