Analisis Efektivitas Continual Learning pada Workload Forecasting Menggunakan iTransformer dan FRNet untuk Mendukung Cloud Resource Provisioning

Innayah, Andina Safitri (2026) Analisis Efektivitas Continual Learning pada Workload Forecasting Menggunakan iTransformer dan FRNet untuk Mendukung Cloud Resource Provisioning. Other thesis, Institut Teknologi Sepuluh Nopember.

Text 5025221204-Undergraduate_Thesis.pdf - Accepted Version Restricted to Repository staff only Download (5MB) | Request a copy

Abstract

Perubahan pola workload pada lingkungan cloud computing menyebabkan distribusi data bersifat dinamis sehingga dapat menurunkan akurasi model workload forecasting yang dilatih secara statis. Pendekatan Continual Learning menawarkan kemampuan adaptasi terhadap perubahan distribusi data tanpa melakukan pelatihan ulang secara menyeluruh. Penelitian ini bertujuan mengevaluasi efektivitas Continual Learning berbasis Experience Replay pada workload forecasting menggunakan arsitektur iTransformer dan FRNet untuk mendukung resource provisioning di lingkungan cloud. Penelitian menggunakan datasdllibaba Cluster Trace v2020 yang diolah menjadi data time-series dengan interval 30 menit. Evaluasi dilakukan pada dua feature set, yaitu demand only dan demand capacity, dengan tiga strategi pembelajaran, yaitu Experience Replay, Periodic Retraining, dan Static Baseline. Kinerja model dievaluasi menggunakan metrik Mean Squared Error (MSE), Mean Absolute Error (MAE), Average Accuracy, dan Backward Transfer (BWT). Lalu untuk kualitas simulasi resource provisioning dianalisis menggunakan Under-Provisioning Rate, Over-Provisioning Rate, SLA Violation Rate, dan ΩSLA-VR.
Hasil penelitian menunjukkan bahwa strategi Experience Replay menghasilkan performa yang lebih baik dibandingkan Static Baseline pada seluruh kombinasi arsitektur dan feature set. Experience Replay menghasilkan performa learning terbaik berdasarkan metrik Backward Transfer. Kemudian feature set demand capacity memberikan hasil yang lebih baik dibandingkan demand only. Pada simulasi resource provisioning, penggunaan safety margin secara konsisten menurunkan under-provisioning rate, over-provisioning rate, SLA violation rate, dan ΩSLA-VR. Berdasarkan hasil tersebut, Continual Learning berbasis Experience Replay efektif meningkatkan kemampuan belajar model. Sedangkan penggunaan feature set demand capacity memberikan kualitas prediksi dan simulasi resource provisioning yang lebih baik pada lingkungan cloud yang dinamis.

Item Type:	Thesis (Other)
Uncontrolled Keywords:	Cloud Resource Provisioning, Continual Learning, Experience Replay, FRNet, iTransformer, Workload Forecasting
Subjects:	T Technology > T Technology (General) > T174 Technological forecasting
Divisions:	Faculty of Intelligent Electrical and Informatics Technology (ELECTICS) > Informatics Engineering > 55201-(S1) Undergraduate Thesis
Depositing User:	Andina Safitri Innayah
Date Deposited:	28 Jul 2026 07:16
Last Modified:	28 Jul 2026 07:16
URI:	http://repository.its.ac.id/id/eprint/138585

Available Versions of this Item

• Analisis Efektivitas Continual Learning Pada Workload Forecasting Menggunakan iTransformer Dan FRNet Untuk Mendukung Cloud Resource Provisioning. (deposited 28 Jul 2026 04:25)
  • Analisis Efektivitas Continual Learning pada Workload Forecasting Menggunakan iTransformer dan FRNet untuk Mendukung Cloud Resource Provisioning. (deposited 28 Jul 2026 07:16) [Currently Displayed]

Actions (login required)

View Item