Pendekatan Optimasi Pareto Untuk Penempatan Mesin Virtual di Cloud Data Center Berbasis Algoritma Genetika

Gusti Agung Rama Ayudhya, Drs. Medi, M.Kom.

2026 | Skripsi | ILMU KOMPUTER

Virtual Machine Placement (VMP) merupakan tantangan optimasi krusial dalam manajemen cloud data center untuk meningkatkan efisiensi sumber daya. Penelitian ini mengatasi masalah VMP sebagai problem optimasi multiobjektif, dengan tujuan simultan untuk meminimalkan total konsumsi energi server dan total biaya komunikasi antar-VM. Mengingat VMP bersifat NP-hard dan memiliki struktur sebagai grouping problem yang tidak cocok untuk algoritma genetika konvensional, penelitian ini mengusulkan algoritma hibrida NS-GGA-II, yang mengintegrasikan mekanisme seleksi berbasis non-dominated sorting dari NSGA-II dengan representasi kromosom dan operator genetika dari Grouping Genetic Algorithm (GGA).

Kinerja NS-GGA-II dibandingkan dengan algoritma NSGA-II konvensional yang dimodifikasi (menggunakan representasi array). Evaluasi perbandingan dilakukan pada instance masalah yang dibangkitkan secara prosedural untuk skenario skala kecil dan besar. Kualitas himpununan solusi Pareto dari kedua algoritma diukur menggunakan metrik standar seperti Hypervolume, Spacing, Generational Distance Plus (GD+), dan Inverted Generational Distance Plus (IGD+). Penelitian ini diharapkan menunjukkan efektivitas pendekatan hibrida NS-GGA-II dalam menemukan solusi VMP multiobjektif yang lebih baik.

Virtual Machine Placement (VMP) is a crucial optimization challenge in cloud data center management aimed at enhancing resource efficiency. This research addresses the VMP problem as a multi-objective optimization problem, with the simultaneous goals of minimizing total server energy consumption and total inter-VM communication costs. Given that VMP is NP-hard and functions as a grouping problem, making it ill-suited for conventional genetic algorithms. This study proposes a hybrid algorithm, NS-GGA-II, which integrates the non-dominated sorting selection mechanism from NSGA-II with the chromosome representation and genetic operators of the Grouping Genetic Algorithm (GGA).

The performance of NS-GGA-II is compared against a modified conventional NSGA-II (utilizing array-based representation). Comparative evaluations were conducted on procedurally generated problem instances for both small-scale and large-scale scenarios. The quality of the Pareto solution sets from both algorithms was measured using standard metrics, including Hypervolume, Spacing, Generational Distance Plus (GD+), and Inverted Generational Distance Plus (IGD+). This research is expected to demonstrate the effectiveness of the NS-GGA-II hybrid approach in identifying superior multi-objective VMP solutions.

Kata Kunci : Komputasi Awan, Penempatan Mesin Virtual, Metode Optimasi Multiobjektif, Algoritma Genetika, Nondominated Sorting Genetic Algorithm II (NSGA-II), Grouping Genetic Algorithm (GGA)