Optimasi Backend Inference AI Diagnosis Kanker melalui Penerapan Asynchronous Processing dan Redis Caching pada Arsitektur Microservices

⭐ Farrell Dharma, Jacques (2026) Optimasi Backend Inference AI Diagnosis Kanker melalui Penerapan Asynchronous Processing dan Redis Caching pada Arsitektur Microservices. Bachelor Thesis, Universitas Multimedia Nusantara.

	PDF HALAMAN_AWAL.pdf Restricted to Registered users only Download (3MB)
	PDF BAB_I.pdf Download (218kB)
	PDF BAB_II.pdf Download (429kB)
	PDF BAB_III.pdf Restricted to Registered users only Download (1MB)
	PDF BAB_IV.pdf Restricted to Registered users only Download (1MB)
	PDF BAB_V.pdf Restricted to Registered users only Download (232kB)
	PDF DAFTAR_PUSTAKA.pdf Restricted to Registered users only Download (213kB)
	PDF LAMPIRAN.pdf Restricted to Registered users only Download (744kB)
	Archive (ZIP) 00000069027_2521_LembarPengesahan.pdf Restricted to Registered users only Download (66kB)

Abstract

Berbagai platform diagnosis kanker berbasis kecerdasan buatan telah dikembangkan untuk membantu proses diagnosis, salah satunya adalah AIRA (AI Research of Oncology), sebuah platform berbasis web yang memanfaatkan model machine learning untuk menganalisis data biologis pasien. Arsitektur backend inference yang bersifat synchronous pada sistem ini menyebabkan latensi tinggi dan tingkat kegagalan yang signifikan pada kondisi beban tinggi, karena setiap permintaan harus menunggu proses inferensi model selesai sebelum respons dikembalikan. Penelitian ini menerapkan kombinasi asynchronous processing dan Redis caching pada lapisan API Gateway berbasis Node.js tanpa melakukan modifikasi pada model AI maupun infrastruktur deployment yang ada. Evaluasi performa dilakukan menggunakan Apache JMeter melalui tiga skenario pengujian, yaitu pengujian endpoint non-inference, profiling sepuluh model inferensi, dan perbandingan arsitektur synchronous dengan asynchronous pada kondisi cold cache dan warm cache. Hasil profiling menunjukkan response time rata-rata yang bervariasi signifikan antar model, berkisar dari 792 ms hingga 110.885 ms pada kondisi beban tinggi, dengan model gene-18 mencatatkan response time tertinggi sehingga dipilih sebagai representasi worst-case workload. Pada model gene-18 dengan 100 pengguna konkuren, kondisi warm cache menunjukkan penurunan rata-rata latensi sebesar 99,99% dari 152.514 ms menjadi 6 ms, peningkatan throughput sebesar 136,4%, serta eliminasi error rate dari 24,52% menjadi 0,00%, sementara kondisi cold cache yang mengisolasi kontribusi masing-masing mekanisme menunjukkan penurunan latensi sebesar 50,9% dan penurunan error rate hingga 1,17% tanpa bantuan caching. Penelitian ini menyimpulkan bahwa kombinasi kedua mekanisme secara sinergis meningkatkan performa sistem secara signifikan, dengan Redis caching berkontribusi dominan pada pengurangan latensi dan asynchronous processing berkontribusi dominan pada peningkatan stabilitas dan keandalan sistem.

Item Type:	Thesis (Bachelor Thesis)
Creators:	Farrell Dharma, Jacques (00000069027)
Contributors:	Endariahna Surbakti, Eunike
Keywords:	Asynchronous Processing, Backend Inference, Caching, Microservices, Redis
Subjects:	000 Computer Science, Information and General Works
Divisions:	Faculty of Engineering & Informatics > Informatics
Date Deposited:	24 Jul 2026 08:01
URI:	https://kc.umn.ac.id/id/eprint/48016

Actions (login required)

View Item