Analisis Skalabilitas Message Broker Terdistribusi dalam Pemrosesan Katalog Visual pada Platform Shopee
Keywords:
RabbitMQ, sistem terdistribusi, message broker, pemrosesan katalog, skalabilitas, Shopee.Abstract
Platform e-commerce berskala besar seperti Shopee mengelola jutaan produk visual secara real-time, sehingga membutuhkan infrastruktur pemrosesan data yang andal, latensi rendah, dan mampu menangani lonjakan beban tinggi. Penelitian ini bertujuan mengevaluasi skalabilitas message broker terdistribusi menggunakan RabbitMQ dalam mendukung aliran data katalog visual pada platform e-commerce, khususnya dalam aspek throughput, latensi, dan efisiensi distribusi beban kerja. Metode yang digunakan meliputi pengujian skalabilitas berbasis skenario beban bertahap (120 aset gambar produk elektronik) dengan membandingkan Skenario A (tunggal/single node) dan Skenario B (multi-worker terdistribusi paralel). Arsitektur pemrosesan katalog ini diintegrasikan dengan modul visi komputer untuk otomatisasi penamaan katalog visual (auto-rename). Hasil pengujian menunjukkan bahwa arsitektur terdistribusi paralel mampu memangkas waktu pemrosesan secara signifikan dan mencegah terjadinya penumpukan antrean (bottleneck) data pada kondisi beban tinggi. Penelitian ini menyimpulkan bahwa implementasi message broker terdistribusi merupakan solusi yang sangat relevan dan skalabel untuk mendukung kebutuhan pemrosesan gambar produk secara paralel pada ekosistem e-commerce modern.
References
[2] M. Ilham, I. F. Hanif, and F. Adiansyah, “Arsitektur Sistem Terdistribusi Untuk Enterprise: Model Desain Dan Implementasi,” J. Rekayasa Sist. Inf. dan Teknol., vol. 3, no. 1, pp. 60–67, 2025, doi: 10.70248/jrsit.v3i1.2503.
[3] A. Saleh, R. Morabito, S. Dustdar, S. Tarkoma, S. Pirttikangas, and L. Lovén, “Towards Message Brokers for Generative AI: Survey, Challenges, and Opportunities,” ACM Comput. Surv., vol. 58, no. 1, 2025, doi: 10.1145/3742891.
[4] T. P. Raptis and A. Passarella, “A Survey on Networked Data Streaming with Apache Kafka,” IEEE Access, vol. 11, no. August, pp. 85333–85350, 2023, doi: 10.1109/ACCESS.2023.3303810.
[5] D. A. Syahira, M. Irwan, and P. Nasution, “Analisis Arsitektur Data dalam Database Perusahaan E-Commerce: Studi Kasus Shopee,” J. Akad. Ekon. Dan Manaj., vol. 2, no. 2, pp. 546–553, 2025, [Online]. Available: https://doi.org/10.61722/jaem.v2i2.5112
[6] N. Karpiuk, H. Klym, and T. Tkachuk, “Usage of Apache Kafka for Low-Latency Image Processing,” Electron. Inf. Technol., vol. 26, pp. 46–58, 2024, doi: 10.30970/eli.26.5.
[7] R. Zulkifli, “Analisis Sentimen Real-Time Media Sosial Menggunakan Edge Computing dan Apache Kafka,” bit-Tech, vol. 7, no. 3, pp. 1106–1117, 2025, doi: 10.32877/bt.v7i3.2372.
[8] H. SA’DYAH, W. SARINASTITI, and R. R. RAMADHAN, “Rancang Bangun Mesin Crawler di Instagram dan Pinterest untuk Kebutuhan Data pada Riset Visual,” MIND J., vol. 4, no. 1, pp. 24–37, 2019, doi: 10.26760/mindjournal.v4i1.24-37.
[9] H. Hairatunnisa, H. A. Nugroho, and R. Margiono, “Analisis Kinerja Protokol MQTT dan HTTP Pada Akuisisi Data Magnet Berbasis Internet of Things,” J. Ilm. Inform., vol. 6, no. 2, pp. 71–80, 2021, doi: 10.35316/jimi.v6i2.1351.
[10] U. Widyatama and P. Korespondensi, “Utilization of Microservices Architecture for Improving the,” vol. 11, no. 2, 2024, doi: 10.25126/jtiik20241128307.
[11] R. Goel, “Evaluating Message Brokers: Performance, Scalability, and Suitability for Distributed Applications,” Am. J. Comput. Archit., vol. 2024, no. 5, pp. 62–65, 2024, doi: 10.5923/j.ajca.20241105.02.
[12] N. Thallapally, “Enhancing Distributed Systems with Message Queues: Architecture, Benefits, and Best Practices,” pp. 63–69, 2025.
[13] R. Maharjan, M. S. H. Chy, M. A. Arju, and T. Cerny, “Benchmarking Message Queues,” Telecom, vol. 4, no. 2, pp. 298–312, 2023, doi: 10.3390/telecom4020018.
[14] T. C. Paul, P. Lertpongrujikorn, H. D. Nguyen, and M. A. Salehi, “Benchmarking Message Brokers for IoT Edge Computing: A Comprehensive Performance Study,” 2026, [Online]. Available: http://arxiv.org/abs/2603.21600
[15] D. Khan, X. Liu, O. Mena, D. Jia, A. Kouyoumdjian, and I. Viola, “AIvaluateXR: An Evaluation Framework for on-Device AI in XR with Benchmarking Results,” IEEE Trans. Vis. Comput. Graph., pp. 1–18, 2026, doi: 10.1109/TVCG.2026.3693354.
[16] G. Schryen, “Speedup and efficiency of computational parallelization: A unifying approach and asymptotic analysis,” J. Parallel Distrib. Comput., vol. 187, no. December 2022, p. 104835, 2024, doi: 10.1016/j.jpdc.2023.104835.
