Effisiensi Energi dan Optimalisasi Kinerja Virtual Machine

pada Infrastruktur Cloud Computing: Literature Review

Muhammad Rizal1 Novianto Padaunan2

Program Studi Teknik Informatika
Program Magister Pasca Sarjana Universitas Hasanuddin
Jln. Poros Malino Kabupaten Gowa, Sulawesi Selatan
jrocksrizal@gmail.com1 nearanto@gmail.com2

Abstrak- Cloud computing telah menjadi hal Perkembangan cloud computing juga telah
yang penting di dalam industri IT saat ini. Akan sangat membantu industri IT dalam melakukan
tetapi dengan semakin berkembangnya penghematan besar-besaran terutama dalam
kebutuhan komputasi saat ini maka permintaan bidang konsumsi energi dan juga dalam
akan infrastruktur cloud computing juga semakin penyediaan infrastruktur perangkat keras. Hal ini
bertambah. Hal ini telah mengakibatkan jumlah disebabkan karena beberapa fungsi layanan
konsumsi energi untuk datacenter cloud server diletakkan pada beberapa VM yang
computing juga menjadi sangat besar dan tingkat berjalan diatas satu Physical Machine (PM) pada
kinerja dari inrastruktur cloud computing juga sebuah datacenter. Akan tetapi dengan semakin
menjadi tidak optimal. Untuk mengatasi masalah besarnya kebutuhan akan komputasi dari hari ke
tersebut dapat dilakukan dengan menggunakan hari maka tingkat konsumsi energi pada
metode VM migration dan VM placement. Dengan datacenter juga akan semakin besar, dari tahun
menggunakan kedua metode tersebut maka 2005 sampai 2010 konsumsi energi datacenter
jumlah konsumsi energi dari datacenter cloud telah meningkat 56%[1]. Sehingga yang menjadi
computing menjadi lebih efisien dan dapat tujuan utama dalam review paper ini adalah
mempertahankan tingkat kinerjanya agar tetap
Mengurangi tingkat konsumsi energi pada
optimal.
datacenter cloud computing.
Mempertahankan tingkat kinerja dari
Kata Kunci- Cloud Computing, Virtual Machine,
datacenter cloud computing pada tingkat
VM Migration, VM Placement.
optimal.

I. PENDAHULUAN Ada beberapa metode yang dapat

Cloud computing telah menciptakan era baru
dalam dunia industri IT. Dalam konsep cloud
computing semua fungsi komputasi dijalankan
dalam sebuah mesin yang bersifat virtual yang
disebut Virtual Machine (VM). Virtual Machine(VM)
telah menjadi inti dari cloud computing[1].
digunakan sebagai solusi dari permasalahan
diatas yaitu dengan menggunakan metode VM
migration dan metode placement VM. Metode VM
migration akan memindahkan suatu VM dari satu
PM ke PM yang lainnya sehingga beban kerja
dapat terbagi secara optimal. Sedangkan metode
VM placement bekerja dengan cara menemukan
PM mana yang terdapat di dalam datacenter yang III. PEMBAHASAN
memiliki kriteria penilaian yang sangat cocok
dengan VM yang akan diimplementasikan A. Virtual Machine Migration
sehingga VM akan dapat bekerja secara optimal.
VM migration adalah metode yang bekerja
Kedua metode ini dapat membantu untuk
dengan cara memindahkan sebuah VM dari satu
mengurangi konsumsi energi listrik dan dapat
PM ke PM yang lainnya untuk menciptakan
mempertahankan tingkat kinerja tetap optimal
sebuah lingkungan yang optimal. Seperti pada
pada sebuah datacenter.
penelitian[1] yang menggunakan metode VM
Sehingga penulis akan mereview beberapa
migration untuk mengatasi masalah konsumsi
penelitian terkait yang membahas seputar
energi dan optimasi kinerja pada datacenter cloud
penggunaan kedua metode di atas untuk
computing, dalam penelitian tersebut peneliti
menyelesaikan permasalahan yang telah dibahas
menggunakan algoritma MMD (Mean, Median,
sebelumnya.
Deviation) agar dapat mengetahui PM mengalami
overload atau tidak, selain itu peneliti juga
menggunakan algoritma Fuzzy Logic untuk
II. METODOLOGI
memilih VM mana yang terdapat pada PM yang
overload untuk dipindahkan ke PM lainnya, dan
Metode kajian pustaka secara sistematis
parameter inputan dalam fuzzy logic tersebut
dapat dilakukan untuk mengabungkan beberapa
adalah RAM, stdev, korelasi serta parameter
penelitian yang terkait dan membahas suatu
keluaran dari fuzzy logic tersebut adalah VM
topik permasalahan yang sama atau sejenis.
selection.
Untuk mencari beberapa jurnal penelitian
Peneliti menemukan beberapa metode yang
yang relevan, proses pencarian dilakukan pada
sudah pernah dilakukan sebelumnya yaitu
repositori jurnal Springer dengan menggunakan
metode untuk mengetahui PM yang overload
kata kunci Journal of Cloud Computing dan VM
diantaranya IQR (Inter Quartile Range), MAD
Migration serta VM Placement sebagai metode
(Median Absolute Deviation), THR (Threshold), LR
yang diajukan untuk menyelesaikan permasalah
(Local Regression), LRR (Local Robust Regression),
diatas pada bagian pencarian judul. Hasil
sedangkan metode untuk memilih VM yang akan
pencarian secara total terdapat 325 jurnal
dipindahkan diantaranya adalah MC (Maximum
penelitian yang ditemukan hingga tahun 2016.
Corellation), MMT (Minimum Migration Time), dan
Kemudian dari total keseluruhan jurnal yang
RS (Random Selection). Dari 5 metode untuk
ditemukan tersebut hanya dipilih sebanyak 6
mengecek PM overload dan 3 metode untuk
jurnal penelitian yang memiliki keterkaitan
memilih VM yang akan dipindahkan kita
dengan pokok permasalahan yang menjadi
mendapatkan 15 kombinasi metode kemudian
pembahasan dalam review ini.
kinerja dari 15 kombinasi metode itu akan
Proses review jurnal dilakukan dengan
dibandingkan dengan metode yang diusulkan
mencari inti permasalahan yang menjadi pokok
oleh peneliti dalam penelitian tersebut.
pembahasan dalam tiap-tiap jurnal, kemudian
Hasil yang diperoleh dari penelitian tersebut
dilanjutkan dengan menemukan metode yang
menunjukkan bahwa metode yang diusulkan oleh
digunakan oleh penulis masing-masing jurnal
peneliti memiliki kinerja yang lebih baik untuk
untuk menyelesaikan permasalahan tersebut
mengurangi konsumsi energi dan tetap dapat
disertai dengan hasil yang diperoleh.
mempertahankan kinerja tetap optimal dengan
nilai SLA Violation yang kecil bila dibandingkan
dengan beberapa metode yang lainnya.
Gambar 3.1 Perbandingan Konsumsi Energi[1]
Gambar 3.2 Perbandingan SLAV[1]
Penelitian serupa dilakukan oleh[2], dalam
penelitian tersebut peneliti membahas tentang
penerapan VM dalam perangkat mobile. Agar
kinerja VM pada perangkat mobile dapat optimal
maka lokasi dari server cloud computing dengan
perangkat mobile harus berdekatan agar latency
menjadi rendah sehingga konsumsi energi dapat
diminimalkan dan kinerja VM dapat optimal. Akan
tetapi perangkat mobile sifatnya bergerak
sehingga jika perangkat mobile berpindah lokasi
jaringan maka koneksi antara VM dan perangkat
mobile akan terputus dan hal ini akan sangat
menggangu kinerja sistem karena VM harus di
load kembali pada server cloud computing yang
berada dekat dengan lokasi jaringan yang baru.
Untuk mengatasi masalah tersebut maka
peneliti menggunakan metode VM migration
dengan teknik Multipath TCP (MTCP), supaya
ketika perangkat mobile berpindah lokasi jaringan
maka VM juga akan secara otomatis berpindah
dari satu PM ke PM yang berada di lokasi jaringan
yang berdekatan dengan lokasi jaringan yang
baru dari perangkat mobile sehingga latency yang
rendah dapat dipertahankan dan konsumsi energi
serta kinerja dari VM dapat tetap optimal. MTCP
bekerja dengan 2 interface, dimana interface
yang satu akan terhubung ke perangkat mobile
sedangkan interface yang satu akan standby dan
ketika perangkat mobile berpindah lokasi jaringan
maka interface yang kedua akan aktif dan
terhubung dengan PM yang berada dekat dengan
perangkat mobile untuk melakukan VM migration
dan setelah proses VM migration selesai maka
koneksi yang baru antara perangkat mobile dan
VM akan terbentuk dan interface yang kedua
tersebut akan kembali ke posisi standby. Dari
hasil penelitian tersebut diperoleh hasil bahwa
throughput, RTT, latency dan downtime migration
VM menunjukkan hasil yang baik.
Gambar 3.3 Virtual Machine Downtime[2]
Sedangkan penelitian[3] menerapkan sebuah
konsep energy-aware pada datacenter, hal ini
karena di dalam suatu datacenter terkadang
terdapat beberapa PM yang mengalami overload
sedangkan beberapa PM yang lainnya mengalami
underload sehingga kinerja menjadi tidak optimal
sekaligus mempengaruhi effisiensi konsumsi
energi. Sistem energy-aware yang dibuat oleh Hasil pengujian menunjukkan hasil bahwa
peneliti menggunakan algoritma FFO (Firefly algoritma FFO memiliki tingkat kemampuan untuk
Optimization), menurut peneliti pendekatan mengurangi konsumsi energi yang paling baik
dengan menggunakan algoritma berbasiskan yaitu mencapai 44,39% secara keseluruhan yang
biologi jauh lebih baik di terapkan di datacenter diperoleh dari pengurangan sebesar 72,34% dari
karena dapat mengatasi masalah heterogenous konsumsi energi pada proses perpindahan VM dan
yang terdapat pada datacenter. penghematan sebesar 34,36% dari PM.
Algoritma FFO ini bekerja dengan menghitung
nilai consumption energi dan computation time
node pada setiap PM, setelah itu hasilnya akan B. Virtual Machine Placement
digunakan untuk menghitung nilai Attraction
Placement VM adalah metode yang akan
Index (AI) dari masing-masing PM. Lalu nilai AI
mencari dan menemukan PM yang memiliki
masing-masing PM akan digunakan untuk
kriteria penilaian sangat cocok dengan VM yang
menghitung nilai distance, nilai AI dari PM yang
akan diimplementasikan sehingga VM dapat
terdekat dengan distance akan dinyatakan
bekerja secara optimal. Pada penelitian[4] peneliti
sebagai PM overload sedangkan yang terjauh
membahas mengenai metode placement VM
akan dinyatakan sebagai underload. Sedangkan
untuk mengoptimalkan kinerja serta untuk
untuk mencari VM dari PM yang dinyatakan
mengeffisiensikan konsumsi energi yang terdapat
overload dilakukan dengan cara menghitung nilai
pada datacenter cloud computing sehingga
load dari masing-masing VM di dalam PM tersebut,
dapat meningkatkan jumlah keuntungan bagi
VM dengan nilai load terbesar akan menjadi VM
perusahaan penyedia layanan Infrastructure As A
yang terpilih dan akan dipindahkan ke PM yang
Service (IAAS).
underload sehingga hal ini akan mengoptimalkan
Adapun pendekatan yang digunakan oleh
kinerja dari datacenter sekaligus mengefisienkan
peneliti berdasarkan pada fungsi kegunaan dan
penggunaan energi.
untuk proses pencarian kecocokan antara VM dan
Dalam penelitian ini peneliti membandingkan
PM peneliti menggunakan algoritma genetika.
metode energy-aware yang telah dibuatnya
Peneliti melakukan teknik pengujian dengan
menggunakan algoritma FFO dengan beberapa
menggunakan 3 model sample yaitu 50 VM-50 PM,
algoritma lainnya diantaranya yaitu Ant Colony
100 VM-100 PM dan 150 VM-150 PM serta peneliti
Optimazion (ACO), dan First Fit Decreasing (FFD).
juga membandingkan hasil pengujian placement
VM dengan menggunakan 2 pendekataan yaitu
pendekatan heuristik dan pendekatan fungsi
kegunaan menggunakan algoritma genetika
seperti yang diusulkan oleh peneliti. Peneliti juga
mencoba untuk menghitung dan membandingkan
jumlah profit yang dapat diperoleh dari kedua
pendekatan VM placement tersebut.
Setelah serangkaian pengujian diatas
dilakukan diperoleh hasil bahwa penempatan VM
dengan pendekatan kegunaan dapat mengurangi
Gambar 3.4 Perbandingan Konsumsi Energi[3] rata-rata konsumsi energi sebesar 6% dan
mengurangi SLA violation lebih dari 38%. Sedangkan penelitian yang lainnya dilakukan
Placement VM dengan menggunakan pendekatan oleh[5] pada penelitian tersebut peneliti
berdasarkan fungsi kegunaan dan algoritma menggunakan aplikasi simulasi yaitu cloudsim
genetika karena dapat menurukan konsumsi dan peneliti juga membandingkan kinerja dari
energi dan mengurangi SLA Violation sehingga algoritma VM placement default yang dimiliki oleh
dapat meningkatkan profit bagi penyedia layanan aplikasi simulasi cloudsim yaitu Power Aware Best
IAAS. Fit Decreasing (PABFD) dengan beberapa
algoritma VM placement lainnya yang diusulkan
oleh peneliti yaitu Modified First Fit Decreasing
VM Placement (MFFDVP), Modified Worst Fit
Decreasing VM Placement (MWFDVP), Second
Worst Fit Decreasing VM Placement (SWFDVP),
First Fit Decreasing with Decreasing Host VM
Placement (FFDHDVP). Dalam penelitian ini juga
peneliti menggunakan 5 algoritma untuk
mendeteksi PM overload yaitu Inter Quartile
Range (IQR), Local Regression (LR), Local Robust
Gambar 3.5 Perbandingan Konsumsi Energi[4] Regression (LRR), Median Absolute Deviation
(MAD), Threshold (THR) dan peneliti juga
menggunakan 4 algoritma untuk VM selection
dalam proses VM migration yaitu Maximum
Corellation (MC), Minimum MIgration Time (MMT),
MU, Random Selection (RS).
Skenario pengujian yang dilakukan oleh
peneliti adalah dengan menguji jumlah konsumsi
energi dan tingkat SLA Violation serta PDM (Power
Degradation due VM Migration) dari total 20
algoritma yang diperoleh dari kombinasi 5
algoritma untuk mendeteksi PM overload dengan
Gambar 3.6 Perbandingan SLAV[4] 4 algoritma untuk VM selection pada setiap
algoritma VM placement yang telah diusulkan
oleh peneliti dan default aplikasi cloudsim.
Hasil dari pengujian yang telah dilakukan oleh
peneliti diperoleh bahwa setelah dihitung secara
rata-rata ternyata semua algoritma yang
diusulkan oleh peneliti memiliki kemampuan yang
jauh lebih baik bila dibandingkan dengan
algoritma PABFD yang dimiliki secara default oleh
cloudsim karena memiliki tingkat konsumsi energi,
nilai SLA violation dan nilai PDM yang paling kecil
dibandingkan dengan yang lainnya. Peneliti juga
Gambar 3.7 Perbandingan Keuntungan[4] mengusulkan agar menggunakan algoritma
FFDHDVP LR-MMT sebagai algoritma untuk VM Penelitian terakhir yang direview oleh
placement karena memiliki nilai rata-rata untuk penulis[6] pada penelitian tersebut peneliti
konsumsi energi dan SLA violation yang paling membuat sebuah sebuah algoritma sebagai
kecil dibandingkan dengan algoritma VM sistem Topology-Aware pada sebuah datacenter
placement lainnya yang diusulkan oleh peneliti. dengan menggunakan teknik atau metode VM
placement. Algoritma tersebut diberi nama
Topology-Aware Virtual Machine Placement
(TAVMP), kemudian algoritma yang dibuat oleh
peneliti tersebut dibandingkan kinerjanya dengan
2 algoritma lainnya yaitu algoritma Round Robin
dan algoritma PABFD. Hasilnya ternyata algoritma
TAVMP mampu menerima jauh lebih banyak VM
tanpa berpengaruh pada effisiensi energi.

IV. KESIMPULAN
Gambar 3.8 Perbandingan Konsumsi Energi[5]

Kesimpulan yang dapat diambil dari

Gambar 3.9 Perbandingan SLAV[5]
Gambar 3.10 Perbandingan PDM[5]
pembahasan diatas untuk mengurangi jumlah
konsumsi energi dan mempertahankan tingkat
performa tetap optimal pada datacenter cloud
computing dilakukan dengan menggunakan 2
metode yaitu VM migration dan VM placement.
Pendekatan terbaik yang dapat digunakan adalah
dengan menggunakan pendekatan berdasarkan
fungsi kegunaan, dalam VM migration terdapat
beberapa algoritma yang dapat digunakan untuk
menentukan PM yang overload dan underload
seperti algoritma FFO serta terdapat beberapa
algoritma yang dapat digunakan untuk memilih
VM yang mana yang dipindahkan ke PM yang
lainnya.
Sampai saat ini algoritma terbaik untuk
memilih VM yang akan dipindahkan adalah
dengan menggunakan algoritma fuzzy logic.
Selain itu untuk memindahkan VM dari satu
datacenter ke datacenter yang lainnya yang telah
berbeda lokasi jaringan dapat dilakukan dengan
menggunakan Multipath TCP. Untuk VM
placement terdapat beberapa algoritma yang
dapat digunakan seperti First Fit Decreasing with
Decreasing Host VM Placement (FFDHDVP) dan
Topology Aware Virtual Machine Placement REFERENSI
(TAVMP) dan algoritma genetika.
Untuk penelitian selanjutnya penulis merasa [1] M. A. H. Monil and R. M. Rahman, VM consolidation

perlu adanya sebuah sistem Energy-Aware yang approach based on heuristics, fuzzy logic, and migration

jauh lebih baik lagi dari yang ada sekarang. control, J. Cloud Comput., vol. 5, no. 1, p. 8, 2016.

Sistem ini harus menggunakan algoritma terbaik [2] F. Teka, C.-H. Lung, and S. A. Ajila, Nearby live virtual
untuk menentukan PM yang overload dan machine migration using cloudlets and multipath TCP, J.
underload pada datacenter selain itu algoritma Cloud Comput., vol. 5, no. 1, p. 12, 2016.
yang digunakan untuk memilih VM yang akan
[3] N. J. Kansal and I. Chana, Energy-aware Virtual Machine
dipindahkan juga harus memiliki kemampuan
Migration for Cloud Computing - A Firefly Optimization
untuk mengurangi konsumsi energi dan dapat
Approach, J. Grid Comput., pp. 119, 2016.
mempertahankan kinerja tetap optimal, untuk
[4] A. Mosa and N. W. Paton, Optimizing virtual machine
meningkatkan effisiensi energi dan optimasi
placement for energy and SLA in clouds using utility
kinerja maka dalam sistem Energi-Aware tersebut
functions, J. Cloud Comput., vol. 5, no. 1, p. 17, 2016.
dirasa perlu juga untuk ditambahkan dengan
metode VM placement dengan penggunaan [5] M. R. Chowdhury, M. R. Mahmud, and R. M. Rahman,

algoritma yang efektif sehingga PM yang akan Study and performance analysis of various VM

digunakan sebagai tempat meletakkan VM yang placement strategies, 2015 IEEE/ACIS 16th Int. Conf.

dipindahkan tidak hanya yang mengalami Softw. Eng. Artif. Intell. Netw. Parallel/Distributed Comput.

underload saja tetapi juga haru memiliki kriteria SNPD 2015 - Proc., 2015.

penilaian yang cocok dengan VM tersebut [6] R. A. C. da Silva and N. L. S. da Fonseca, Topology-Aware
sehingga effisiensi, efektifitas dan optimasi dari Virtual Machine Placement in Data Centers, J. Grid
sistem Energi-Aware pada data center cloud Comput., vol. 14, no. 1, pp. 7590, 2016.
computing dapat ditingkatkan menjadi jauh lebih
baik lagi.
Selain itu sistem yang dibuat tersebut juga
harus diuji pada beberapa jenis layanan cloud
computing seperti private, public dan hybrid cloud,
serta perlu juga penelitian untuk mengatasi
migrasi data pada cloud computing karena hal ini
akan menimbulkan tantangan baru karena
adanya kecepatan proses baca tulis pada
harddisk. Jika bandwith yang tersedia lebih kecil
dari pada proses baca tulis harddisk maka proses
perpindahan VM akan menjadi sangat lama dan
hal ini dapat mengurangi effektifitas dari sistem
yang dibuat.