Perbaikan Mekanisme Load Balancing untuk Komputasi Klaster pada Kondisi Dinamis

Abstract

Salah satu permasalahan yang sering terjadi pada lingkungan komputasi klaster adalah terjadinya beban yang tidak seimbang yang dapat menurunkan Quality of Service (QoS). Oleh sebab itu, dibutuhkan metode load balancing yang handal dalam pendistribusian beban. Pada beberapa kasus, metode load balancing dinamis gagal berperan sebagai metode load balancing yang optimal jika lingkungan implementasi tidak sesuai dengan lingkungan yang diasumsikan saat metode tersebut dikembangkan. Dalam penelitian ini diusulkan metode load balancing adaptif dengan menggunakan algoritma reinforcement learning (RL) yang mampu beradaptasi terhadap perubahan lingkungan. Hasil pengujian menunjukkan bahwa kinerja dari metode load balancing yang diusulkan lebih efisien dibandingkan dengan metode load balancing dinamis baik pada kondisi lingkungan tidak mengalami beban dengan peningkatan total waktu eksekusi sebesar 45% maupun pada saat lingkungan mengalami beban yang tidak seimbang dengan peningkatan waktu eksekusi sebesar 21%.