OPTIMIZING FUZZY LOGIC PARAMETERS USING SURROGATE-ASSISTED MULTI-OBJECTIVE PARTICLE SWARM OPTIMIZATION FOR ADAPTIVE LOAD BALANCING IN HETEROGENEOUS CLOUD ENVIRONMENTS

Oleh :
Rizky Pratama - L0122144 - Fak. Teknologi Informasi dan Sains Data

Lingkungan komputasi awan semakin banyak beroperasi dengan konfigurasi server yang heterogen, di mana algoritma load balancing statis gagal mendistribusikan beban kerja secara proporsional terhadap kapasitas server. Load balancer berbasis Fuzzy Logic (FL) konvensional bergantung pada parameter Membership Function (MF) yang dikalibrasi secara manual sehingga tidak merepresentasikan karakteristik trafik secara akurat, yang mengakibatkan degradasi sensitivitas inferensi dan kualitas layanan. Penelitian ini mengusulkan Multi-Objective Particle Swarm Optimization (MOPSO) yang diintegrasikan dengan surrogate model Ordinary Least Squares (OLS) untuk mengoptimasi parameter Triangular Membership Function (TMF) pada load balancer berbasis FL dalam ruang parameter berdimensi 27. Sistem diimplementasikan pada Microsoft Azure dengan dua node server heterogen yang dibatasi menggunakan Docker, kemudian dievaluasi pada skenario beban kerja Normal, Spike, dan Ramp melalui tiga siklus pengujian independen. MOPSO secara simultan meminimalkan Degree of Imbalance (DI) dan Average Response Time (ART), menghasilkan Pareto front yang menyediakan konfigurasi trade-off yang dapat dipilih operator. Hasil penelitian menunjukkan peningkatan yang konsisten pada seluruh objektif, skenario, dan siklus pengujian, dengan arah peningkatan yang tidak pernah berbalik. Pada skenario Spike, DI menurun dari 0,1298 menjadi 0,0920 dan ART berkurang dari 352,99 ms menjadi 332,90 ms, dengan waktu respons maksimum berhasil ditekan sebesar 16,4%, melampaui penurunan latensi rata-rata dan mengonfirmasi supresi kondisi terburuk yang lebih kuat. Pada skenario Ramp, Balanced CPU Utilization meningkat dari 0,8410 menjadi 0,8925 sementara waktu respons maksimum berkurang sebesar 87,78 ms. Verifikasi empiris terbukti sangat penting karena arah peningkatan yang diproyeksikan surrogate dan hasil aktual berbeda pada skenario Spike, mengonfirmasi bahwa hasil surrogate tidak dapat diasumsikan mereplikasi perilaku infrastruktur nyata. Temuan ini menegaskan bahwa optimasi metaheuristik multiobjektif berbantuan surrogate merupakan kerangka kerja yang layak untuk kalibrasi MF secara otomatis pada sistem inferensi fuzzy.