Penerapan Metode Round Robin dalam Efektivitas Load Balancer pada Pendaftaran Beasiswa di Universitas Muhammadiyah Makassar
Kata Kunci:
Round Robin, Load Balancer, Pendaftaran Beasiswa, Kinerja Sistem, Nginx, LocustAbstrak
Penelitian ini bertujuan untuk menganalisis efektivitas metode Round Robin dalam load balancing guna meningkatkan kinerja sistem pendaftaran beasiswa di Universitas Muhammadiyah Makassar. Masalah utama yang dihadapi adalah lonjakan akses selama periode pendaftaran, yang menyebabkan kinerja server menurun dan waktu respons yang lambat. Penerapan load balancing bertujuan untuk mendistribusikan beban secara merata ke beberapa server, sehingga sistem dapat menangani lonjakan akses secara lebih efisien. Metode yang digunakan dalam penelitian ini melibatkan instalasi dan konfigurasi perangkat lunak Nginx sebagai load balancer dengan menggunakan metode Round Robin. Kinerja sistem diuji menggunakan alat uji beban Locust untuk mensimulasikan ribuan pengguna secara bersamaan. Pengujian dilakukan pada dua skenario, yaitu dengan dan tanpa load balancer, untuk membandingkan kinerja dari kedua konfigurasi tersebut. Hasil penelitian menunjukkan bahwa penerapan load balancing dengan metode Round Robin berhasil meningkatkan stabilitas dan efisiensi sistem, dengan waktu respons yang lebih cepat dan konsisten dibandingkan tanpa load balancer. Meskipun terdapat sedikit penurunan throughput, sistem dengan load balancer menunjukkan distribusi beban yang lebih merata dan penurunan waktu respons yang signifikan. Oleh karena itu, metode ini terbukti efektif dalam mengatasi masalah kinerja sistem selama periode lonjakan akses.
Referensi
Adityarini, E., Nur Ayuni, S., & Aminatus Sa’diah, R. (2021). ANALISIS SENTIMEN TERHADAP ULASAN PRODUK PADA SISTEM PENJUALAN TOKO PUTRA ELEKTRONIK. Journal of Islamic Business Management Studies (JIBMS), 2(2), 84–98. https://doi.org/10.51875/jibms.v2i2.184
Af'idah, D. I., Dairoh, D., Handayani, S. F., & Pratiwi, R. W. (2021). Pengaruh parameter word2vec terhadap performa deep learning pada klasifikasi sentimen. Jurnal Informatika: Jurnal Pengembangan IT, 6(3), 156-161.
Agung, B. A. I. G. N. (2023). Implementasi Deep Learning untuk ImageClasification menggunakan Arsitektur Convolutional Neural Network (CNN) pada Citra Sampah Hotel (Studi Kasus: Hotel http://eprints.unram.ac.id/id/eprint/41624%0Ahttp://eprints.unram.ac.id/4162
Akib, E. (2020). Pariwisata Dalam Tinjauan Pendidikan: Studi Menuju Era Revolusi Industri. PUSAKA (Journal of Tourism, Hospitality, Travel and Business Event), 2(1), 1–7. https://doi.org/10.33649/pusaka.v2i1.40
Amalia, P. R. (2021). Analisis Sentimen Berdasarkan Aspek Pada Ulasan Restoran Berbahasa Indonesia Menggunakan Kombinasi Convolutional Neural Network (CNN) dan Contextualized Word Embedding (Doctoral dissertation, Universitas Gadjah Mada).
Arsi, P., & Waluyo, R. (2021). Analisis Sentimen Wacana Pemindahan Ibu Kota Indonesia Menggunakan Algoritma Support Vector Machine (SVM). Jurnal Teknologi Informasi dan Ilmu Komputer, 8(1), 147. https://doi.org/10.25126/jtiik.0813944
Bahits, A., Komarudin, M. F., & Afriani, R. I. (2020). STRATEGI PENGEMBANGAN TEMPAT WISATA RELIGI UNTUK MENINGKATKAN PEREKONOMIAN MASYARAKAT DI GUNUNG SANTRI DESA BOJONEGARA KECAMATAN BOJONEGARA KABUPATEN SERANG BANTEN. Jurnal Manajemen STIE Muhammadiyah Palopo, 6(2), 55. https://doi.org/10.35906/jm001.v6i2.593
Cahyadi, M. L., Setiawan, H., & Mair, Z. R. (2023). Analisis PerbandinganKinerja Web Server Nginx dan Litespeed Menggunakan Httperf Dengan Sistem Operasi Debian. Jurnal Pengembangan Sistem Informasi dan Informatika, 4(2).
Dinata, R. K., Hasdyna, N., & Azizah, N. (2020). Analisis K-Means Clustering pada Data Sepeda Motor. 5(1).
Diponegoro, Sri Suning Kusumawardani, & Indriana Hidayah. (2021). Tinjauan Pustaka Sistematis: Implementasi Metode Deep Learning pada Prediksi Kinerja Murid. Jurnal Nasional Teknik Elektro dan Teknologi Informasi, 10(2), 131–138. https://doi.org/10.22146/jnteti.v10i2.1417
Hananta, R. (2023). Implementasi Load Balancer Service Menggunakan Metode Autoscaling Berbasis Orchestration System. Tugas Akhir. Program Studi S1 - Teknik Informatika, Fakultas Teknologi Informasi dan Komunikasi, Universitas Semarang.
HELDIANSYAH, M. F. (2022). DETEKSI EMOSI PADA TWEET DENGAN MENGGABUNGKAN CONTEXTUALIZED WORD EMBEDDING DAN CONVOLUTIONAL NEURAL NETWORK (CNN) (Doctoral dissertation, Universitas Gadjah Mada).
Hermanto, D. T., Setyanto, A., & Luthfi, E. T. (2021). Algoritma LSTM-CNN untuk Sentimen Klasifikasi dengan Word2vec pada Media Online. 8(1).
Jihad, M. A. A., Adiwijaya, A., & Astut, W. (2021). Analisis sentimen terhadap ulasan film menggunakan algoritma random forest. eProceedings of Engineering, 8(5).
Khesya, N. (2021). MENGENAL FLOWCHART DAN PSEUDOCODE DALAM ALGORITMA DAN PEMROGRAMAN.
Khomsah, S. (2021). Sentiment Analysis On YouTube Comments Using Word2Vec and Random Forest. Telematika, 18(1), 61. https://doi.org/10.31315/telematika.v18i1.4493
Kristiawan, K., & Widjaja, A. (2021). Perbandingan Algoritma Machine Learning dalam Menilai Sebuah Lokasi Toko Ritel. Jurnal Teknik Informatika dan Sistem Informasi, 7(1). https://doi.org/10.28932/jutisi.v7i1.3182
Manalu, D. A., & Gunadi, G. (2022). IMPLEMENTASI METODE DATA MINING K-MEANS CLUSTERING TERHADAP DATA PEMBAYARAN TRANSAKSI MENGGUNAKAN BAHASA PEMROGRAMAN PYTHON PADA CV DIGITAL DIMENSI. Infotech: Journal of Technology Information, 8(1), 43–54. https://doi.org/10.37365/jti.v8i1.131
Manalu, R., & Fikri, A. (2021). INNOVATIVE: Volume 1 Nomor 2 Tahun 2021 Research & Learning in Primary Education.
Naquitasia. (2021). ANALISIS SENTIMEN BERBASIS ASPEK PADA WISATA HALAL DENGAN DEEP LEARNING.
Ningsih, S. R., Hartama, D., Wanto, A., & Parlina, I. (2019). Penerapan Sistem Pendukung Keputusan Pada Pemilihan Objek Wisata di Simalungun.
Nurdin, A., Aji, B. A. S., Bustamin, A., & Abidin, Z. (2020). Perbandingan Kinerja Word Embedding Word2Vec, Glove, Dan Fasttext Pada Klasifikasi Teks. Jurnal Tekno Kompak, 14(2), 74-79.
Pelham, I. (2023). Erd2. Secretory Pathway, 5, 135–135. https://doi.org/10.1093/oso/9780198599425.003.0085
Peryanto, A., Yudhana, A., & Umar, R. (2020). Rancang Bangun Klasifikasi Citra Dengan Teknologi Deep Learning Berbasis Metode Convolutional Neural Network. Format : Jurnal Ilmiah Teknik Informatika, 8(2), 138. https://doi.org/10.22441/format.2019.v8.i2.007
Rachman, F. P., & Santoso, H. (2021). Perbandingan Model Deep Learning untuk Klasifikasi Sentiment Analysis dengan Teknik Natural Languange Processing. Jurnal Teknologi dan Manajemen Informatika, 7(2), 113–121. https://doi.org/10.26905/jtmi.v7i2.6506
R.H. Zer, P. P. P. A. N. W. F. I., Hayadi, B. H., & Damanik, A. R. (2022). PENDEKATAN MACHINE LEARNING MENGGUNAKAN ALGORITMA C4.5 BERBASIS PSO DALAM ANALISA PEMAHAMAN PEMROGRAMAN WEBSITE. Jurnal Informatika dan Teknik Elektro Terapan, 10(3). https://doi.org/10.23960/jitet.v10i3.2700
Samsir, S., Ambiyar, A., Verawardina, U., Edi, F., & Watrianthos, R. (2021). Analisis Sentimen Pembelajaran Daring Pada Twitter di Masa Pandemi COVID-19 Menggunakan Metode Naïve Bayes. JURNAL MEDIA INFORMATIKA BUDIDARMA, 5(1), 157. https://doi.org/10.30865/mib.v5i1.2580
Silitonga, Y. R. (2019). SISTEM PENDETEKSI BERITA HOAX DI MEDIA SOSIAL DENGAN TEKNIK DATA MINING SCIKIT LEARN. 4.
Tilasefana, R. A., & Putra, R. E. (2023). Penerapan Metode Deep Learning Menggunakan Algoritma CNN Dengan Arsitektur VGG NET Untuk Pengenalan Cuaca. 05.
