OTOMATISASI DETEKSI ANOMALI PERANGKAT KERAS DATA CENTER BERBASIS N8N DAN LLM LOKAL

Abstract

Efisiensi operasional pusat data modern sangat bergantung pada sinergi antara performa perangkat lunak dan stabilitas fisik lingkungan. Namun, sistem monitoring konvensional saat ini sering kali bekerja secara terpisah antara metrik server dan parameter lingkungan, sehingga menghambat deteksi dini terhadap kegagalan infrastruktur akibat stres termal atau anomali daya. Penelitian ini mengusulkan sebuah arsitektur data pipeline terpadu menggunakan n8n sebagai mesin orkestrasi low-code yang diimplementasikan secara lokal melalui teknologi kontainerisasi di atas hypervisor Proxmox. Metode yang digunakan adalah integrasi data heterogen dari sensor IoT fisik dan log sistem digital secara real-time pada pt. xyz. Inovasi utama dalam penelitian ini terletak pada pemanfaatan Local Large Language Model (LLM) melalui Ollama sebagai agen cerdas untuk melakukan Complex Event Processing dan analisis korelasi data langsung pada jaringan lokal. Hasil penelitian menunjukkan bahwa arsitektur ini mampu mengurangi latensi pemrosesan, menjamin kedaulatan data, serta meningkatkan akurasi deteksi anomali melalui normalisasi log menjadi tindakan mitigasi otomatis. Kesimpulannya, integrasi n8n dengan AI lokal menyediakan solusi monitoring yang skalabel, efisien, dan tangguh untuk infrastruktur IT kritis yang mengutamakan privasi serta kecepatan respons.