"Dengan evolusi teknologi yang pesat, kebutuhan dalam mengolah/membuat data, sumber komputasi, serta kapasitas layanan digital telah membengkak secara eksponensial. Kebutuhan tersebut telah melampaui kecepatan perkembangan infrastruktur yang ada secara fisik, sehingga dilakukan adaptasi dengan mengadopsi komputasi awan (Cloud Computing) secara global sebagai alternatif yang bisa diatur skalanya serta menghemat biaya secara signifikan. Fitur yang mengatur skala komputasi awan, disebut scalability, merupakan fitur penting yang menyesuaikan sumber daya digital secara dinamis sebagai respons langsung dari beban kerja (workload) yang fluktuatif. Performa dari sistem yang mengatur skala sistem Cloud secara otomatis, disebut Autoscaling, berpengaruh dari beberapa faktor termasuk batas scaling, akurasi dari prediksi traffic, termasuk pengetahuan dari topologi sistem. Dengan sistem autoscaling yang sudah melakukan tuning, hal tersebut akan memperkecil frekuensi terjadinya gangguan seperti packet-loss dan/atau latency yang berlebihan dari sistem cloud. Studi ini berfokus kepada evaluasi performa dari sistem autoscaling untuk tools instrumentasi private cloud yang bersifat open-source, menggunakan analisis perbandingan untuk menilai efektifitas dari implementasi autoscaling, mencari batasan tertentu serta potensi improvement dari tools yang ada. Dan Hasil pengujian pada platform Apache CloudStack menunjukkan bahwa mekanisme autoscaling dapat meningkatkan performa sistem secara dinamis. Berdasarkan lima metrik utama—waktu respon, penggunaan CPU, penggunaan RAM, throughput, dan error rate—diperoleh rata-rata waktu respon sebesar 1.143 ms, CPU usage 62,8%, dan RAM usage 6.957MB. Throughput sistem tercatat stabil pada 120 request/detik, dengan error rate mendekati 1%. Temuan ini menunjukkan bahwa CloudStack mampu mempertahankan kinerja yang efisien dan stabil saat terjadi lonjakan beban.
With the rapid evolution of technology, the demand for data processing, computational resources, and digital service capacity has grown exponentially. This demand has outpaced the capabilities of existing physical infrastructure, prompting global adaptation through the adoption of cloud computing as a scalable and significantly cost-efficient alternative. The feature responsible for adjusting the scale of cloud computing resources, known as scalability, plays a crucial role in dynamically aligning digital resources in response to fluctuating workloads. The performance of systems that automatically manage scaling in cloud environments, known as autoscaling, is influenced by several factors including scaling thresholds, the accuracy of traffic prediction, and knowledge of system topology. A well-tuned autoscaling systems can reduce the frequency of disruptions such as packet loss and/or excessive latency in cloud systems. This study focuses on evaluating the performance of autoscaling systems within open-source cloud instrumentation tools, using comparative analysis to assess the effectiveness of existing autoscaling implementations, identify specific limitations, and explore potential improvements. The test results on the Apache CloudStack platform demonstrate that the autoscaling mechanism can dynamically improve system performance. Based on five key metrics—response time, CPU usage, RAM usage, throughput, and error rate—the average response time was recorded at 1.143 ms, CPU usage at 62,8%, and RAM usage at 6.957MB. The system throughput remained stable at 120 requests per second, with an error rate close to 1%. These findings indicate that CloudStack can maintain efficient and stable performance under fluctuating loads."
