PENERAPAN ARTIFICIAL INTELLIGENCE UNTUK PREDIKSI PENGGUNAAN RESOURCE CPU DAN RAM PADA SERVER DEBIAN 12 MENGGUNAKAN METODE LINEAR REGRESSION
Abstract
Pengelolaan sumber daya (resource) server yang optimal merupakan aspek krusial dalam menjaga stabilitas dan ketersediaan layanan sistem informasi. Keterbatasan pemantauan yang bersifat reaktif seringkali membuat administrator terlambat menangani lonjakan penggunaan CPU dan RAM yang tidak terduga, yang berpotensi menyebabkan penurunan performa hingga kegagalan sistem (downtime). Oleh karena itu, penelitian ini bertujuan untuk merancang, mengimplementasikan, dan menguji sistem kecerdasan buatan proaktif untuk memprediksi tingkat penggunaan resource CPU dan RAM di masa mendatang pada lingkungan server bersistem operasi. Linux Debian 12. Penelitian ini menggunakan pendekatan pemodelan Machine Learning dengan algoritma Linear Regression. Alur penelitian diawali dengan otomasi pengumpulan data menggunakan Bash Script yang mengeksekusi utilitas Linux (vmstat dan free) setiap 60 detik untuk merekam metrik secara real-time ke dalam format CSV. Selanjutnya, dilakukan pelatihan model AI menggunakan Python dengan pustaka Pandas untuk ekstraksi data dan Scikit-Learn untuk melatih model regresi. Variabel independen yang digunakan adalah indeks waktu historis, sedangkan variabel dependennya adalah persentase memori dan prosesor. Model yang terbentuk diekspor menggunakan modul Pickle untuk fungsi prediksi lanjutan. Hasil implementasi pada server Debian 12 (Bookworm) menunjukkan bahwa skrip data logger berjalan stabil dan model AI berhasil dilatih secara dinamis menggunakan data historis tersebut. Pada fase prediksi, program mampu memuat ulang model yang tersimpan dan menampilkan estimasi persentase beban CPU dan RAM untuk interval 1, 5, dan 10 menit ke depan dengan mengkalkulasi tren data historis secara akurat. Sistem ini terbukti fungsional sebagai alat bantu peringatan dini (early warning tool) yang ringan untuk manajemen infrastruktur server
References
[2] D. O. Nasrulah, A. W. Hertaliando, R. Tullah, and F. Ferawati, “Evaluasi Perbandingan Sistem Operasi Linux untuk Pemanfaatan Client-Server: Studi Kasus Ubuntu dan Debian,” MALCOM: Indonesian Journal of Machine Learning and Computer Science, vol. 5, no. 1, pp. 242–248, Dec. 2024, doi: 10.57152/malcom.v5i1.1702.
[3] V. Leis, A. Alhomssi, T. Ziegler, Y. Loeck, and C. Dietrich, “Virtual-Memory Assisted Buffer Management,” Proceedings of the ACM on Management of Data, vol. 1, no. 1, pp. 1–25, May 2023, doi: 10.1145/3588687.
[4] S. Mufti Prasetiyo et al., “Manajemen Penyimpanan Sementara (RAM) Dan Pengelolaannya,” 2024. [Online]. Available: https://jurnalmahasiswa.com/index.php/biikma
[5] H. Hilman Asyhari, N. Asisten, M. Faqih Nefawan, C. Maharani, M. Puji Lestari Saragih, and M. Ihsan Hafizh, “LAPORAN TEORI PEMROGRAMAN SISTEM OPERASI PERMISSION FILE DAN SCHEDULING,” 2025.
[6] Rakhmadi Rahman, Nurfaida Nurfaida, and Muhammad Hasyim Rusmin, “ANALISIS KEAMANAN FILE SERVER BERBASIS LINUX TERHADAP AKSES TIDAK SAH,” Jurnal Riset Sistem Informasi, vol. 3, no. 2, pp. 58–62, Jan. 2026, doi: 10.69714/38pr8578.
[7] P. Studi Rekayasa Komputer Jaringan, J. Komputer dan Bisnis, and P. Negeri Tanah Laut, “Implementasi Sistem Monitoring Server Berbasis Linux pada ICT Politeknik Negeri Tanah Laut Khomsah Wiyana Baitul Izza 1) , Eka Wahyu Sholeha 2).”
[8] H. Gunawan, A. Handijono, A. Putra, and A. Zein, “SISTEM MONITORING SERANGAN DOS DENGAN METODE INTRUSION DETECTION SYSTEM (IDS) SNORT MENGGUNAKAN APLIKASI BERBASIS PYTHON PADA SISTEM OPERASI LINUX,” vol. 2, no. 3, 2025.
[9] A. S. Asmoro and S. Sriyono, “Peran Machine Learning dalam Pengambilan Keputusan Manajerial di Industri Fintech: Studi Kasus pada Perusahaan Startup”, doi: 10.38035/jafm.v6i3.
[10] A. F. A. H. Alnuaimi and T. H. K. Albaldawi, “An overview of machine learning classification techniques,” in BIO Web of Conferences, EDP Sciences, Apr. 2024. doi: 10.1051/bioconf/20249700133.
[11] A. T. Widiyatmoko, S. Butsianto, and A. Nugroho, “Penerapan Machine Learning untuk Prediksi Kenaikan Harga Beras Premium Menggunakan Algoritma Regresi Linier,” MALCOM: Indonesian Journal of Machine Learning and Computer Science, vol. 5, no. 3, pp. 1125–1132, Aug. 2025, doi: 10.57152/malcom.v5i3.2123.
[12] H. Hardika, M. Martanto, A. R. Dikananda, and M. Mulyawan, “ALGORITMA REGRESI LINIER UNTUK MENINGKATKAN MODEL PREDIKSI PENJUALAN PADA TOKO DEVANJAYABAN,” Jurnal Informatika dan Teknik Elektro Terapan, vol. 13, no. 2, Apr. 2025, doi: 10.23960/jitet.v13i2.6357.
[13] I. N. Syahri, M. Martanto, A. R. Dikananda, and M. Mulyawan, “IMPLEMENTASI ALGORITMA REGRESI LINEAR UNTUK MODEL PREDIKSI PENJUALAN DI TOKO AMANDA BROWNIES,” Jurnal Informatika dan Teknik Elektro Terapan, vol. 13, no. 2, Apr. 2025, doi: 10.23960/jitet.v13i2.6337.
[14] R. A. Gunawan, D. Prasetya Zulkarmain, S. T. Arianto, F. Ekonomi, and D. Bisnis, “Perbandingan Metode Ordinary Least Square (OLS) dan Metode Partial Least Square (PLS) Untuk Mengatasi Multikolinearitas,” 2023, doi: 10.5281/zenodo.10476911.
[15] M. Sholeh, R. Y. Rachmawati, and E. N. Cahyo, “Penerapan Regresi Linear Ganda Untuk Memprediksi Hasil Nilai Kuesioner Mahasiswa Dengan Menggunakan Python,” Jurnal Dinamika Informatika, vol. 11, no. 1, 2022.
[16] G. Ramasamy, B. A. Shaik, Y. Kancharla, and A. R. Manikanta, “A Bash-based approach to simulating multi-process file systems: Design and implementation,” in Challenges in Information, Communication and Computing Technology, CRC Press, 2024, pp. 200–206. doi: 10.1201/9781003559092-35.
[17] F. Fadhilah and R. Adrian, “Implementasi Modul Otomatisasi Penetration Testing Menggunakan Bourne Again Shell Scripting pada Website Aplikasi Stream PT. Intikom Berlian Mustika Berbasis Kali Linux,” Jurnal Sistem dan Teknologi Informasi (JustIN), vol. 11, no. 3, p. 554, Jul. 2023, doi: 10.26418/justin.v11i3.67468.
[18] A. Pannadhitthana Candra, “Analisis Data Menggunakan Python: Memperkenalkan Pandas dan NumPy,” vol. 3, no. 1, pp. 11–16, 2025.
[19] H. Syarkowi Harahap, “Analisis Performa Python dalam Penyelesaian Persoalan Aljabar dan Kalkulus Menggunakan NumPy dan SymPy: Studi Eksperimen Komputasi,” Mathematical and Data Analyticst, 2024, doi: 10.47709/10.47709/mda.v1i1.3631.
[20] A. D. Kellas et al., “PickleBall: Secure Deserialization of Pickle-based Machine Learning Models,” in CCS 2025 - Proceedings of the 2025 ACM SIGSAC Conference on Computer and Communications Security, Association for Computing Machinery, Inc, Nov. 2025, pp. 3341–3355. doi: 10.1145/3719027.3765037.
[21] N. Hanif, D. Priyanto, and N. Sulistianingsih, “Prediksi Beban Kerja Server Secara Real-Time pada Pusat Data Cloud dengan Pendekatan Gabungan Long Short-Term Memory (LSTM) dan Fuzzy Logic,” JTIM : Jurnal Teknologi Informasi dan Multimedia, vol. 7, no. 3, pp. 420–432, Jun. 2025, doi: 10.35746/jtim.v7i3.731.
[22] S. Malik, M. Tahir, M. Sardaraz, and A. Alourani, “A Resource Utilization Prediction Model for Cloud Data Centers Using Evolutionary Algorithms and Machine Learning Techniques,” Applied Sciences (Switzerland), vol. 12, no. 4, Feb. 2022, doi: 10.3390/app12042160.
[23] A. Z. Ramadhani, A. Solehudin, A. Voutama, S. Informasi, I. Komputer, and S. Karawang, “Analisis Pemanfaatan Resource Server pada Cloud Computing Menggunakan EDA dan K-Means Clustering,” 2026, doi: 10.55382/jurnalpustakadata.v6i2.1808.
[24] S. Namira Rizqi Astin, P. Adytia, P. Studi Teknik Informatika, and S. Widya Cipta Dharma, “PREDIKSI PENGGUNAAN KAPASITAS HARDISK PADA KOMPUTER SERVER BERBASIS REGRESI LINIER.” [Online]. Available: https://www.codepolitan.com/instal-python-dengan-anaconda
[25] G. Kaya, E. Şen, and O. Altay, “Predicting CPU Performance Score with Regression Analysis,” DÜMF Mühendislik Dergisi, vol. 16, no. 1, pp. 1–11, Mar. 2025, doi: 10.24012/dumf.1493049.
[26] R. Mohamad and W. Ibadi, “DISKURSUS METODOLOGI PENELITIAN,” 2024.

