%0 Thesis
%9 S2
%A Setiawan, Yoga Putra
%B Biro Perpustakaan
%D 2025
%F umbprints:96608
%I Universitas Mercu Buana-Menteng
%K Optimasi downtime, Recovery Time Objective, DRP, Algoritma  Genetika      Downtime Optimization, Recovery Time Objective (RTO), Disaster  Recovery Planning (DRP), Genetic Algorithm.
%P 117
%T OPTIMASI DISASTER RECOVERY PLANNING (DRP) PADA  SITE RECOVERY MANAGER (SRM) MENGGUNAKAN  ALGORITMA GENETIKA
%U http://repository.mercubuana.ac.id/96608/
%X Bencana IT yang tidak dapat diprediksi dapat mengganggu operasional bisnis  secara signifikan, khususnya apabila tidak ada kesiapan yang memadai dalam  penanganannya. Dampak dari bencana tersebut dapat mencakup hilangnya data,  informasi dan catatan penting perusahaan, yang berdampak langsung pada  keberlanjutan operasional. Salah satu langkah penting untuk meningkatkan  kesiapan dalam menghadapi gangguan operasional tersebut adalah dengan  melakukan analisis kemungkinan bencana dan merancang rencana pemulihan  (Disaster Recovery Planning). Tantangan utama dalam penerapan DRP yaitu  penentuan prioritas pemulihan mesin virtual yang efisien, serta pengelolaan waktu  toleransi data (RPO) yang optimal, mengingat banyaknya VM yang harus  dipulihkan dalam waktu yang terbatas.  Penelitian bertujuan untuk mengembangkan metode optimasi DPR berbasis  algoritma genetika yang dapat diimplementasikan pada vMware Site Recovery  Manager (SRM). Algoritma genetika diterapkan untuk menentukan prioritas  pemulihan VM berdasarkan SLA nya degan langkah-langkah pembentukan  kromosom, inisialisasi populasi, evaluasi fitness, seleksi, crossover dan mutasi  untuk menghasilkan solusi yang paling efesien. Proses seleksi memilih individu  terbaik berdasarkan fitness function, crossover akan menghasilkan solusi baru  dengan menggabungkan solusi sebelumnya, dan mutasi akan memperkenalkan  keragaman dalam solusi yang dihasilkan. Evaluasi fitness digunakan untuk menilai  kualitas solusi berdasarkan pengurangan waktu pemulihan dan minimisasi  gangguan operasional.  Hasil penelitian menunjukkan bahwa penerapan algoritma genetika berhasil  mengurangi waktu downtime sistem IT secara signifikan. Untuk critical VMs,  waktu downtime berkurang dari 22 menit 45 detik menjadi 14 menit 34 detik,  sementara untuk non-critical VMs berkurang dari 3 menit 8 detik menjadi 1 menit  58 detik. Peningkatan efisiensi pemulihan mencapai hingga 50%, membuktikan  bahwa algoritma genetika mampu mengoptimalkan SRM secara signifikan. Dengan  demikian, model ini memberikan kontribusi yang substansial terhadap keberhasilan  DRP dan dapat menjadi acuan dalam strategi pemulihan bencana IT di masa  mendatang.      Unpredictable IT disasters can significantly disrupt business operations,  especially when there is inadequate preparedness in handling them. The impact of  such disasters can include the loss of data, information, and critical company  records, which directly affect operational continuity. One important step to improve  preparedness for operational disruptions is by conducting disaster scenario analysis  and developing a Disaster Recovery Plan (DRP). The main challenge in  implementing DRP is determining the efficient prioritization of virtual machine  recovery, as well as managing the optimal data recovery point objective (RPO),  considering the large number of VMs that must be recovered within a limited time.  This research aims to develop a DRP optimization method based on a genetic  algorithm that can be implemented on VMware Site Recovery Manager (SRM).  The genetic algorithm is applied to prioritize VM recovery based on their Service  Level Agreements (SLA), using the steps of chromosome formation, population  initialization, fitness evaluation, selection, crossover, and mutation to generate the  most efficient solution. The selection process identifies the best individuals based  on the fitness function, crossover combines previous solutions to create new ones,  and mutation introduces diversity in the generated solutions. Fitness evaluation is  used to assess the solution quality based on recovery time reduction and operational  disruption minimization.  The results show that applying the genetic algorithm significantly reduced IT  system downtime. For critical VMs, downtime was reduced from 22 minutes 45  seconds to 14 minutes 34 seconds, while for non-critical VMs, downtime decreased  from 3 minutes 8 seconds to 1 minute 58 seconds. The recovery efficiency improved  by up to 50%, demonstrating that the genetic algorithm can significantly optimize  SRM. Therefore, this model provides a substantial contribution to DRP success and  can serve as a reference in future IT disaster recovery strategies.