Analisis Fitur Telemetri untuk Identifikasi Layanan Sumber Masalah pada Arsitektur Microservices Menggunakan XGBoost dan SHAP

⭐ Brandon Alexander Abuthan, Aurelius (2026) Analisis Fitur Telemetri untuk Identifikasi Layanan Sumber Masalah pada Arsitektur Microservices Menggunakan XGBoost dan SHAP. Bachelor Thesis, Universitas Multimedia Nusantara.

	PDF HALAMAN_AWAL.pdf Restricted to Registered users only Download (610kB)
	PDF BAB_I.pdf Download (410kB)
	PDF BAB_II.pdf Download (1MB)
	PDF BAB_III.pdf Restricted to Registered users only Download (362kB)
	PDF BAB_IV.pdf Restricted to Registered users only Download (1MB)
	PDF BAB_V.pdf Restricted to Registered users only Download (226kB)
	PDF DAFTAR_PUSTAKA.pdf Restricted to Registered users only Download (221kB)
	PDF LAMPIRAN.pdf Restricted to Registered users only Download (1MB)
	Archive (ZIP) 00000075101_2521_LembarPengesahan.pdf Restricted to Registered users only Download (66kB)

Abstract

Kompleksitas struktural pada arsitektur microservices menyulitkan identifikasi layanan akar masalah saat kegagalan sistem, sehingga fusi data observabilitas multimodal diperlukan untuk melengkapi titik buta pemantauan tunggal. Penelitian ini memformulasikan model klasifikasi XGBoost berbasis ekstraksi fitur delta dari data metrik dan traces, dievaluasi pada kondisi unimodal dan multimodal menggunakan dataset RCAEval RE2 pada arsitektur Online Boutique (RE2-OB) dan Train Ticket (RE2-TT). Kondisi multimodal dan unimodal metrik mencapai Macro F1-Score tertinggi 0,8629 pada RE2-OB, sedangkan unimodal traces terbaik pada RE2-TT sebesar 0,8667. Analisis SHAP TreeExplainer menunjukkan fitur metrik mendominasi keputusan pada RE2-OB (99,8%), sementara kontribusi traces meningkat menjadi 16,7% pada RE2-TT seiring tingginya keterkaitan antarlayanan. Reduksi fitur menggunakan 15 tipe sinyal teratas SHAP mempertahankan performa penuh pada RE2-OB meski ruang fitur direduksi 51,4%, sedangkan reduksi 47,4% pada RE2-TT menurunkan Macro F1-Score dari 0,8429 menjadi 0,7214 akibat kegagalan klasifikasi total pada ts-order-service, layanan dengan kepercayaan prediksi terendah sejak model fitur penuh. Temuan ini menegaskan bahwa kontribusi tiap jenis data observabilitas dan efektivitas seleksi fitur bergantung pada topologi arsitektur yang dipantau, sehingga sistem diagnosis root cause perlu disesuaikan dengan lingkungan operasionalnya.

Item Type:	Thesis (Bachelor Thesis)
Creators:	Brandon Alexander Abuthan, Aurelius (00000075101)
Contributors:	Waworuntu, Alexander
Keywords:	Kepentingan Fitur, Microservices, Root Cause Analysis, SHAP, XGBoost
Subjects:	000 Computer Science, Information and General Works
Divisions:	Faculty of Engineering & Informatics > Informatics
Date Deposited:	29 Jul 2026 12:01
URI:	https://kc.umn.ac.id/id/eprint/48646

Actions (login required)

View Item