Andreas Bona Fajar Sinurat

Cloud computing memberikan fleksibilitas dalam pengelolaan sumber daya TI, khususnya melalui mekanisme auto-scaling yang memungkinkan penyesuaian kapasitas secara otomatis berdasarkan beban kerja. Dalam lingkungan cloud privat, auto-scaling berperan penting untuk menjaga ketersediaan layanan tanpa pemborosan sumber daya. Namun, efektivitas auto-scaling sangat bergantung pada kemampuan sistem dalam memprediksi beban kerja di masa depan secara akurat. Penelitian ini bertujuan untuk mengevaluasi tiga model prediksi deret waktu, yaitu ARIMA, Holt’s Linear Trend, dan Simple Exponential Smoothing (SES), dalam memprediksi penggunaan CPU, RAM, dan aktivitas disk pada sistem cloud privat berbasis virtualisasi. Data historis dianalisis untuk mengidentifikasi pola penggunaan sumber daya. Hasil menunjukkan bahwa data CPU dan aktivitas disk bersifat fluktuatif dan non-stasioner, sedangkan data RAM cenderung lebih stabil. Model-model diuji menggunakan metrik RMSE, MAE, dan MAPE. Dari hasil evaluasi, model ARIMA secara konsisten memberikan tingkat kesalahan prediksi yang paling rendah di seluruh jenis data. Dengan akurasi yang lebih tinggi dibandingkan model lainnya, ARIMA direkomendasikan sebagai model utama dalam mendukung sistem auto-scaling yang efisien, responsif, dan adaptif di lingkungan cloud privat. Model ini mampu menangkap pola tren dan musiman dalam data, sehingga dapat mengoptimalkan alokasi sumber daya secara otomatis dan mengurangi risiko pemborosan maupun kekurangan kapasitas.