ANALISIS PERFORMA WEBSITE DENGAN MENGGUNAKAN FORECAST INSTANCE LOAD BALANCER SKALA ENTERPRISE DENGAN MODEL MULTI LINEAR REGRESSION DAN XGBOOST REGRESSION

Kemajuan teknologi telah membuat situs web menjadi pusat dari hampir setiap institusi, terutama dengan perkembangan search engine yang semakin pintar. Semakin banyak organisasi yang memberikan informasi melalui situs web mereka, semakin banyak pula pengunjung yang mengaksesnya. Website tidak hanya berfungsi sebagai media informasi, tetapi juga sebagai indikator kualitas suatu organisasi. Dalam lingkungan berskala enterprise, mengelola kinerja dan fault tolerance website menjadi tantangan yang kompleks. Oleh karena itu, organisasi semakin tertarik untuk menemukan solusi yang efektif dalam mengoptimalkan kinerja dan ketahanan situs web mereka. Salah satu pendekatan inovatif adalah menggunakan teknik prakiraan beban, untuk meramalkan beban permintaan masa depan dan mengalokasikan sumber daya secara efektif. Penelitian ini bertujuan untuk menganalisis pengaruh penggunaan Forecast Instance Load Balancer pada performa situs web di lingkungan skala enterprise, dengan fokus pada peningkatan efisiensi dan penyebaran beban kerja yang merata di antara server-instance. Selain itu, penelitian ini juga bertujuan untuk meningkatkan tingkat fault tolerance website dengan menerapkan model Multi Linear Regression dan XGBoost Regression untuk meramalkan tren dan pola kesalahan yang mungkin terjadi, sehingga memungkinkan adopsi langkah-langkah pencegahan atau pemulihan yang lebih cepat. Metode penelitian melibatkan penggunaan model Multi Linear Regression (MLR) dan XGBoost Regression untuk melakukan forecasting. Sistem ini diintegrasikan dengan Amazon Web Service (AWS) untuk optimalitas kinerja. Proses validasi dilakukan dengan menggunakan metrik evaluasi seperti R-squared, MAE, MSE, RMSE, dan MAPE. Hasil penelitian menunjukkan bahwa model Multi Linear Regression menghasilkan nilai R-squared sebesar 99.98%, dengan MAE bernilai 8.19, MSE bernilai 107.43, RMSE bernilai 10.36 dan MAPE 0.28%. Sementara itu, model XGBoost Regression menghasilkan R-squared sebesar 98.12%, dengan MAE bernilai 34.18, MSE bernilai 2141.37, RMSE bernilai 46.27, dan MAPE 1.34%. Integrasi dengan layanan AWS menunjukkan bahwa simulasi selama 8 hari dengan rata-rata jumlah request antara 2.000 hingga 5.000 data dan penggunaan 2 hingga 4 server instance dapat menjaga kinerja yang stabil dan responsif. Proses simulasi juga membantu mengidentifikasi waktu puncak dan kapasitas server yang diperlukan untuk menjaga kinerja situs web.