Perancangan Sistem Monitoring dan Forecasting Sumber Daya Server Berbasis Grafana di PT. Dirgantara Indonesia
Abstract
Pengelolaan sumber daya server secara tepat sangat dibutuhkan dalam mendukung kinerja sistem informasi yang andal dan stabil, terutama di tengah meningkatnya beban kerja yang dapat menyebabkan terjadinya overload. Penelitian ini dilakukan untuk merancang sistem pemantauan dan peramalan (forecasting) terhadap penggunaan sumber daya utama server, yaitu CPU, memori, ruang penyimpanan (disk), dan bandwidth jaringan, pada sistem operasi Linux berbasis virtualisasi. Sistem ini memanfaatkan Prometheus dan Node Exporter untuk mengumpulkan data secara berkala, kemudian menyimpannya ke dalam InfluxDB sebagai basis data time-series. Selanjutnya, visualisasi data dilakukan menggunakan Grafana agar hasil pemantauan dapat disajikan secara real-time dan mudah dipahami. Untuk memprediksi tren pertumbuhan sumber daya, digunakan algoritma Prophet dari pustaka Python yang bekerja berdasarkan pola historis selama 20 hari terakhir. Dari hasil pengolahan data, ditemukan bahwa CPU dan memori menunjukkan tren peningkatan yang cukup signifikan, sementara penggunaan disk dan bandwidth cenderung stabil. Visualisasi yang dihasilkan memberikan gambaran yang jelas terhadap kondisi sistem dan dapat dimanfaatkan untuk mendeteksi potensi gangguan sejak dini. Dengan demikian, sistem ini dapat mendukung proses perencanaan kapasitas yang lebih matang dan responsif terhadap kebutuhan perusahaan di masa mendatang.
Kata Kunci — monitoring server, forecasting, perencanaan kapasitas, Prometheus, Grafana
References
Mukta, K., & Harikumar, S. (2024). Time Series Models for Web Service Activity Prediction. International Journal of Computational Science and Engineering.
J. Turnbull, The Prometheus Monitoring System and Time Series Database. [Online]. Available: https://prometheus.io/docs/introduction/overview/. Accessed: Jun. 20, 2025.
P. B. C. Pragathi, H. Maddirala, and S. M., “Implementing an Effective Infrastructure Monitoring Solution with Prometheus and Grafana,” International Journal of Computer Applications, vol. 186, no. 38, pp. 7–15, Sep. 2024. doi: 10.5120/ijca2024923873.
R. Sayfan and D. C. Ongaro, “How InfluxDB handles large-scale time series data ingestion,” InfluxData Tech Paper, Oct. 2021. [Online]. Available: https://www.influxdata.com. Accessed: Jun. 20, 2025.
A. Sharma and R. Chatterjee, “Efficient Time Series Data Management in Modern Monitoring Systems,” International Journal of Advanced Computer Science and Applications (IJACSA), vol. 12, no. 3, pp. 100–108, Mar. 2021. doi: 10.14569/IJACSA.2021.0120313.
Satrio, C. B. A., Darmawan, W., Nadia, B. U., & Hanafiah, N. (2021). Time series analysis and forecasting of coronavirus disease in Indonesia using ARIMA model and PROPHET. Procedia Computer Science, 179, 524-532.
. I. A. Zunic, B. Filipovic, and D. Rancic, “Comparison of Prophet and ARIMA Models for Forecasting of Product Sales,” Facta Universitatis, vol. 35, no. 2, pp. 159–170, 2020. doi: 10.2298/FUEE2002159Z.
A. Kumar and P. Dix, “Web Traffic Forecasting Using Facebook Prophet and LSTM,” International Journal of Recent Technology and Engineering (IJRTE), vol. 9, no. 5, pp. 101–107, Jan. 2021. doi: 10.35940/ijrte.E6278.019520.
M. Topping, M. Ashmore, and A. L. Hodgson, “Forecasting Ambient NO₂ Concentrations Using Facebook Prophet,” Environmental Modelling & Software, vol. 134, 104873, 2020. doi: 10.1016/j.envsoft.2020.104873.
M. Szafraniec, “Visualizing Influx metrics with Grafana,” j-labs Tech Blog, 20 Mar. 2021.
