Pemanfaatan Pemodelan Dan Simulasi Neural Network Untuk Prediksi Kinerja Sistem Komputasi: Kajian Literatur
Utilization of Neural Network Modeling and Simulation for Predicting Computing System Performance: A Literature Review
Abstract
Penelitian ini bertujuan untuk mengkaji pemanfaatan pemodelan dan simulasi berbasis Neural Network dalam memprediksi kinerja sistem komputasi melalui pendekatan studi literatur. Peningkatan kompleksitas beban kerja pada sistem komputasi modern menuntut metode prediksi yang lebih adaptif dan akurat. Melalui penelusuran artikel nasional dan internasional, ditemukan bahwa model deep learning seperti LSTM, GRU, CNN-LSTM, dan pendekatan hibrida mampu menangkap pola non-linier dan dinamika beban secara efektif. Hasil kajian menunjukkan bahwa metode ini mampu meningkatkan akurasi prediksi penggunaan CPU, memori, waktu eksekusi, serta efisiensi energi. Selain itu, integrasi prediksi dengan mekanisme autoscaling terbukti meningkatkan pemanfaatan sumber daya dan menurunkan waktu respons sistem. Namun, tantangan tetap ada, terutama terkait generalisasi model lintas hardware dan kebutuhan interpretabilitas. Temuan ini menegaskan pentingnya pengembangan model prediksi yang lebih adaptif dan efisien untuk mendukung performa sistem komputasi modern.
References
Bai, L., Ji, W., Li, Q., Yao, X., Xin, W., & Zhu, W. (2022). DNNAbacus: A lightweight prediction model for deep neural network computational performance across hardware platforms. Journal of Systems Architecture, 128, 102–117.
Bahaswan, J., & Pramono, P. (2025). Model regresi linear untuk prediksi waktu eksekusi berdasarkan pemakaian sumber daya cloud. Jurnal Ilmu Komputer Terapan, 7(2), 88–100.
Halimatusyadiah, H., Afrianto, Y., & Prakosa, B. A. (2025). Implementasi LSTM untuk prediksi beban server Raspberry Pi sebagai dasar load balancing. Jurnal Informatika & Komputasi, 8(1), 45–59.
Hanif, N., Priyanto, D., & Sulistianingsih, N. (2025). Hybrid LSTM–Fuzzy Logic untuk prediksi penggunaan CPU dan RAM pada cluster Proxmox. Jurnal Teknologi Informasi dan Komputer, 12(1), 15–27.
Li, F., Cao, Z., Yu, Q., & Tang, X. (2024). CNN–BiGRU with Horned Lizard Algorithm for cloud workload and energy consumption prediction. Expert Systems with Applications, 245, 123–137.
Pratama, F. A., Mulyadi, D., & Wijaya, A. F. (2024). Analisis kinerja CPU pada aplikasi berbasis kecerdasan artifisial. Jurnal Teknologi dan Sains Komputasi, 9(4), 233–245.
Wang, Y., & Yang, X. (2025). Optimizing cloud computing resource scheduling using LSTM-based workload prediction. arXiv preprint arXiv:2501.04567.
Xu, M., Song, C., Wu, H., Gill, S. S., Ye, K., & Xu, C. (2022). esDNN: Enhanced GRU-based workload prediction for cloud data centers. IEEE Transactions on Cloud Computing, 11(2), 350–362.
Zhang, Y., Kumar, R., & Lee, J. (2024). Deep CNN–LSTM model for cloud workload forecasting and SLA violation detection. International Journal of Cloud Computing, 18(3), 221–239.
