Apa itu APM (application performance management)?

Sebagai pendahulu solusi observabilitas, APM memungkinkan tim TI untuk memvisualisasikan, mencegah, memprediksi, dan mengatasi masalah kinerja aplikasi sebelum berdampak negatif pada pengguna.

APM juga merupakan akronim untuk pemantauan kinerja aplikasi, di mana alat pemantauan terus mengumpulkan data pada metrik kinerja aplikasi seperti waktu respons, tingkat kesalahan, pemanfaatan sumber daya dan aktivitas pengguna. Istilah ini sering digunakan secara bergantian; namun, pemantauan kinerja hanyalah salah satu komponen dari strategi application performance management holistik.

Selain pemantauan, APM menggunakan proses analisis data (untuk mengidentifikasi tren, penyimpangan, dan hambatan kinerja), protokol pemecahan masalah (untuk mengotomatiskan analisis akar masalah dan penyelesaian masalah) dan alat pengoptimalan (untuk secara proaktif mengatasi penurunan kinerja dan memaksimalkan efisiensi aplikasi bagi pengguna).

Solusi APM juga dapat membantu tim TI untuk melihat aplikasi dan layanan mana yang paling penting bagi pengguna dan bagaimana masalah kinerja dapat memengaruhi produktivitas pengguna.

Alat bantu APM yang efektif, bersama dengan solusi observabilitas yang canggih, terbukti sangat berharga bagi organisasi yang mengandalkan aplikasi perangkat lunak untuk memberikan layanan kepada pengguna akhir.

Alat bantu APM membantu pengembang menjaga kesehatan dan kinerja aplikasi perusahaan, terutama ketika portofolio aplikasi organisasi tersebar di seluruh lingkungan TI (seperti hybrid cloud dan multicloud). Meskipun konfigurasi pasti sistem APM bervariasi dari satu bisnis ke bisnis lainnya (dan dari satu alat ke alat lainnya), sebagian besar alat APM terkemuka beroperasi dalam lima dimensi utama (awalnya diterbitkan oleh Gartner Research).

Alat bantu pemantauan pengalaman pengguna akhir pasif dan aktif menilai bagaimana pengguna mengalami dan berinteraksi dengan aplikasi. Pemantauan pasif mengacu pada pengumpulan data pengguna secara terus menerus (dari sensor, lalu lintas jaringan, dan log kesalahan) dari pengguna yang sebenarnya.

Pemantauan aktif menyimulasikan aktivitas pengguna untuk lebih memahami dan memprediksi perilaku perangkat lunak situasional (bagaimana kinerja aplikasi saat terjadi lonjakan trafik yang tidak terduga, misalnya).

Alat bantu pemantauan pengalaman dalam perangkat lunak APM dapat, misalnya, menjalankan skrip perilaku (atau jalur) untuk menyimulasikan pengalaman pelanggan dengan proses checkout di situs e-commerce . Kemudian, perangkat lunak dapat memantau skrip untuk memahami seberapa cepat aplikasi memproses pembayaran dan bagaimana aplikasi menangani throughput checkout.

Pemantauan arsitektur aplikasi waktu proses memberikan visibilitas ke dalam arsitektur yang mendasari aplikasi. Solusi ini memungkinkan tim TI untuk memahami bagaimana komponen dan dependensi yang berbeda (seperti basis data, server, perangkat jaringan, dan mesin virtual) berinteraksi untuk mendukung aplikasi.

Alat bantu APM mengotomatiskan  proses pemodelan, secara dinamis memetakan topologi aplikasi, layanan, komponen infrastruktur, dan interaksi pengguna—idealnya di seluruh pusat data lokal,  cloud pribadi, cloud publik (termasuk solusi SaaS)dan lingkungan hybrid cloud. Peta topologi APM membantu tim TI dengan cepat mengidentifikasi hambatan kinerja dan peluang pengoptimalan.

Juga disebut manajemen transaksi bisnis, profil transaksi menawarkan pendekatan yang lebih spesifik untuk pemantauan. Fitur profil melacak transaksi pengguna tertentu saat mereka pindah melalui tumpukan aplikasi, dari perangkat pengguna dan melalui setiap komponen atau sumber daya yang terlibat dalam transaksi.

Pendekatan pemantauan ini memberi pengembang insight terperinci tentang fitur dan fungsi aplikasi penting, sehingga mereka dapat mengatasi komponen yang bermasalah atau berkinerja buruk sebelum memengaruhi pengalaman pengguna.

DDCM berfokus pada komponen aplikasi individual (seperti web dan server aplikasi), memantau bagian kode tertentu, panggilan layanan eksternal, kueri basis data, dan elemen lain di tingkat kode.

Memeriksa komponen aplikasi tertentu membantu tim mengidentifikasi akar masalah kinerja dengan cepat dan melakukan peningkatan yang ditargetkan tanpa melibatkan komponen yang tidak terkait.

Perangkat lunak APM mengumpulkan data dalam jumlah besar, dan fitur analitik dan pelaporan dalam alat APM merupakan pusat proses konversi data yang diambil menjadi insight yang dapat ditindaklanjuti.

Platform APM mengumpulkan data dari setiap titik pemantauan untuk membuat laporan, dasbor, dan visualisasi yang mudah dipahami, membantu tim IT mengidentifikasi tren kinerja dan membuat keputusan terarah mengenai solusi dan pengoptimalan.

Gartner Research secara khususnya telah meruntuhkan lima dimensinya menjadi tiga. Pemantauan pengalaman pengguna akhir sekarang disebut pemantauan pengalaman digital (DEM). Dimensi application discovery, pelacakan, dan diagnostik (ADTD) mencakup tiga fungsi yang sebelumnya terpisah—tetapi saling terkait—: penemuan arsitektur waktu proses, pembuatan profil transaksi yang ditentukan pengguna. Dimensi pelaporan dan analitik tetap merupakan fungsi yang berdiri sendiri.

Alat bantu pemantauan kinerja aplikasi berfokus secara eksklusif pada pemantauan dan hanya mewakili satu aspek APM.

Solusi pemantauan tradisional bergantung pada komponen perangkat lunak kecil yang disebut “agen”, yang diterapkan di seluruh lingkungan aplikasi dan infrastruktur pendukung untuk mengambil sampel kinerja dan metrik terkait kinerja (atau telemetri) secara berkala (sesering sekali setiap menit). Solusi yang lebih modern menggunakan pemantauan tanpa agen untuk pendekatan pengumpulan data yang tidak mengganggu, dengan mengandalkan analisis lalu lintas jaringan untuk mengumpulkan data kinerja aplikasi.

Application performance management adalah, dalam banyak hal, langkah alami berikutnya dalam siklus hidup pemeliharaan aplikasi (setelah pemantauan). Sistem manajemen kinerja aplikasi mengumpulkan insight dari data kinerja aplikasi dan proses pemantauan untuk membantu pengembang mengoptimalkan kinerja dan ketersediaan aplikasi perusahaan.

Solusi APM menyediakan alat yang cocok untuk semua untuk menangkap data yang kaya dan analitik dari layanan dalam aplikasi. Mereka membuat arsitektur aplikasi dapat diamati. Dan meskipun pendekatan APM dulunya cukup memadai untuk manajemen aplikasi berkualitas tinggi, pendekatan ini tidak diperlengkapi untuk mengelola aplikasi dan layanan terdistribusi dengan banyak waktu proses dan banyak lapisan.

Aplikasi saat ini bergantung pada layanan dan layanan mikro, sering berjalan di klaster Kubernetes yang dikontainerkan. Itu berarti beberapa waktu proses dengan setiap waktu proses menghasilkan log di lokasi yang berbeda dalam arsitektur. Untuk mengakomodasi beberapa waktu proses menggunakan APM, pengembang perlu menerapkan beberapa alat APM. Mereka juga perlu menggunakan layanan streaming log atau alat agregasi lain untuk mengonsolidasikan data pencatatan dari setiap lokasi. 

Dan ketika bisnis menambahkan lebih banyak layanan dan layanan mikro ke dalam arsitektur, mereka memperkenalkan lebih banyak kompleksitas, sehingga lebih sulit untuk melacak permintaan ketika terjadi kesalahan.

Solusi observabilitas melampaui alat APM dengan mengambil pendekatan holistik dan cloud native terhadap pencatatan dan pemantauan aplikasi. Mereka menyediakan otomatisasi proses yang mulus dan bekerja dengan data kontekstual historis untuk membantu tim mengoptimalkan aplikasi perusahaan dengan lebih baik.

Dengan alat bantu observabilitas, tim dapat lebih memahami bagaimana layanan bekerja satu sama lain (menggunakan grafik ketergantungan, misalnya) dan menyesuaikannya dengan arsitektur secara keseluruhan. Mereka juga dapat menggunakan solusi pengamatan untuk mengumpulkan dan memeriksa data aplikasi dan menerima insight yang dapat ditindaklanjuti dari data tersebut.

Alat APM saat ini serbaguna, dengan berbagai fitur yang dapat disesuaikan yang membantu bisnis menerapkan strategi APM yang disesuaikan. Setiap fitur dapat membantu tim TI mendapatkan full-stack observability ke dalam ekosistem aplikasi mereka. Beberapa contohnya antara lain:

• Pemantauan aplikasi: Alat APM memantau seluruh tumpukan aplikasi, termasuk kerangka kerja aplikasi (misalnya Java atau .NET), sistem operasi dan basis data, semua antarmuka pemrograman aplikasi (API) atau middleware, dan server aplikasi web.

• Pelacakan kesalahan: Solusi APM dapat mengelompokkan kesalahan aplikasi terkait ke dalam kelompok masalah, sehingga memberikan tim lebih banyak konteks untuk memahami kesalahan sistem dan memaksimalkan efisiensi dalam proses pemecahan masalah.

• Pemantauan infrastruktur: Dengan protokol pemantauan infrastruktur APM, tim dapat mengumpulkan data tentang pemanfaatan CPU, ruang disk, dan kinerja jaringan.

• Penelusuran terdistribusi: Alat APM memungkinkan pengembang untuk melacak permintaan data saat mereka melintasi jaringan, dari layanan front-end hingga backend, membantu tim memantau ketergantungan per permintaan dan mengisolasi kesalahan tertentu.

• Pemantauan basis data: Platform APM membantu bisnis memvisualisasikan metrik kinerja kueri dan tingkat host (seperti pengguna, program, dan objek teratas), dan menilai prosedur SQL untuk menentukan bagaimana desain database dan saturasi sumber daya memengaruhi kinerja aplikasi.

• Pembuatan profil kode: Menggunakan alat bantu APM, tim dapat mengambil snapshot kinerja kode untuk menemukan komponen aplikasi mana yang bergerak terlalu lambat atau menggunakan terlalu banyak sumber daya.

• Pemantauan pengalaman digital: Alat bantu APM dapat mengimplementasikan pemantauan pengguna nyata (RUM) dan pemantauan sintetis untuk mengumpulkan data kinerja (waktu muat, waktu respons, latensi, waktu aktif dan waktu henti) dari perangkat pengguna, bot, dan komponen perangkat lunak lainnya yang bukan manusia.

• Pemantauan Internet of Things (IoT): Karena pengguna biasanya mengakses aplikasi menggunakan perangkat mobile, pemecahan masalah aplikasi dapat menjadi proses yang rumit dan memakan waktu. Kemampuan pemantauanIoT dalam solusi APM memberikan tim tampilan aplikasi terpadu di seluruh perangkat yang terhubung.

Seperti banyak praktik dan solusi operasi TI (ITOps) lainnya, alat bantu APM telah berubah secara signifikan dengan berkembangnya kecerdasan buatan (AI) dan evolusi komputasi cloud.

Pengambilan sampel berkala yang terkait dengan alat bantu APM tradisional sudah cukup untuk mengelola aplikasi monolitik dan aplikasi tradisional yang terdistribusi (di mana kode baru dirilis secara berkala dan alur kerja, dependensi, server, dan sumber daya terkait terkenal atau mudah dilacak).

Namun saat ini, ketika bisnis mengadopsi praktik pengembangan aplikasi modern dan teknologi cloud-native (seperti metodologi Agile dan DevOps, layanan mikro, kontainer Docker, Kubernetes, dan fungsi tanpa server), mereka sering menerapkan komponen aplikasi baru terlalu sering, di terlalu banyak bahasa dan lokasi, untuk mengandalkan Strategi pemantauan tradisional. 

Selain itu, teknik APM tradisional memantau eksekusi kode untuk mendiagnosis masalah. Tetapi aplikasi SaaS berbasis cloud saat ini terdiri dari jutaan baris kode, seringkali tersebar di seluruh kontainer.

Itulah sebabnya alat APM terkemuka menerapkan instrumen pemantauan mutakhir yang memungkinkan full stack observability, dan mengandalkan teknologi AI dan machine learning (ML) untuk mengorelasikan dan menganalisis data secara real time.

Alat bantu APM yang didorong oleh AI dapat bekerja di lingkungan TI yang kompleks dan terdistribusi, menerapkan algoritma AI yang dapat dengan cepat menganalisis volume besar data kinerja, mengorelasikan data kinerja dengan data kontekstual, dan menentukan akar penyebab masalah kinerja.

Sistem APM modern juga menggunakan model ML untuk menghasilkan analisis prediktif dan meramalkan tren kinerja. Dan dengan kemampuan pemrosesan bahasa alami (NLP), perangkat lunak APM dapat menyaring data kinerja secara metodis dan memberikan insight bahasa sederhana tim.

Teknologi AI bukannya tanpa tantangan; kemudahan menjelaskan, privasi, dan keamanan data merupakan masalah umum pada peralatan TI berbasis AI. Namun, perangkat lunak APM berbasis AI dapat secara signifikan mempercepat pemantauan dan pemecahan masalah serta membantu perusahaan membuat keputusan yang lebih cerdas dan lebih proaktif tentang portofolio aplikasi mereka.

APM membantu memastikan bahwa aplikasi perangkat lunak perusahaan tetap efisien dan andal. Mereka juga memfasilitasi:

Berdasarkan data kinerja historis, alat APM dapat memperkirakan kebutuhan sumber daya di masa depan, memungkinkan perencanaan kapasitas yang lebih efektif dan membantu bisnis meningkatkan infrastruktur mereka seiring meningkatnya permintaan.

APM dapat memfasilitasi masukan berkelanjutan melalui siklus pengembangan perangkat lunak . Tim dapat memantau aplikasi di lingkungan pementasan dan produksi, sehingga membantu pengembang membangun budaya masukan yang berkelanjutan.

SLA menentukan standar kinerja untuk sebagian besar aplikasi bisnis, dan layanan APM menyediakan data yang diperlukan untuk menjaga kepatuhan dengan SLA. Metrik kepatuhan dapat digunakan juga dalam laporan pemangku kepentingan untuk menunjukkan pemenuhan SLA.

Untuk aplikasi yang menggunakan API eksternal, alat bantu APM dapat melacak waktu respons API dan tingkat kesalahan sehingga organisasi dapat mengidentifikasi masalah dengan layanan pihak ketiga yang dapat memengaruhi kinerja aplikasinya.

Alat bantu APM dapat membantu memfasilitasi:

• Pengalaman pengguna yang ditingkatkan. Alat bantu APM membantu bisnis mempertahankan tingkat kepuasan dan keterlibatan pengguna yang tinggi, yang keduanya sangat penting untuk retensi pelanggan dan manajemen reputasi.
  
  
• MTTD dan MTTR lebih cepat. APM memungkinkan tim untuk menemukan dan memperbaiki masalah kinerja dan kemacetan dengan cepat, mempercepat waktu rata-rata untuk mendeteksi (berapa lama waktu yang dibutuhkan organisasi untuk menemukan masalah) dan waktu rata-rata untuk memperbaiki (berapa lama waktu yang dibutuhkan organisasi untuk memperbaiki masalah).
  
  
• Pemanfaatan sumber daya yang lebih baik. Memantau dan menganalisis data kinerja memungkinkan organisasi untuk mengoptimalkan alokasi sumber daya, meningkatkan penghematan biaya, dan merampingkan operasi.
  
  
• Peningkatan ketangkasan bisnis. APM mendukung metodologi tangkas dengan memberikan masukan real-time tentang kinerja aplikasi, memungkinkan iterasi cepat dan peningkatan berkelanjutan.
  
  
• Migrasi yang lebih lancar. Fitur penelusuran terdistribusi dan pemetaan layanan dapat membantu memastikan bahwa migrasi dan modernisasi cloud berjalan dengan lancar dan tidak menimbulkan kesalahan pada jaringan.
  
  
• Kolaborasi karyawan yang lebih baik. Dengan kemampuan penelusuran menyeluruh dari APM, tim front-end dan backend dapat mengakses data yang sama secara bersamaan, sehingga memudahkan proses pemecahan masalah dan pengoptimalan yang lebih kolaboratif.