Pemantauan & Peringatan Produksi — Keandalan & Respons Insiden

Keandalan memerlukan visibilitas. Anda tidak dapat memperbaiki apa yang tidak dapat Anda lihat. Infrastruktur pemantauan dan peringatan kami menyediakan observabilitas komprehensif ke dalam kesehatan widget, kinerja, kesalahan, dan pengalaman pengguna — memungkinkan deteksi insiden proaktif dan respons cepat.

Pelacakan kesalahan terpusat

Setiap pengecualian ditangkap, diperkaya dengan konteks, dan diteruskan ke layanan pelacakan kesalahan (Sentry, Rollbar, Bugsnag, Application Insights). Data yang ditangkap mencakup:

• Jejak tumpukan lengkap dengan peta sumber untuk nomor file/baris yang dapat dibaca
• Konteks pengguna (ID pengunjung, ID sesi, ID percakapan — tidak ada PII)
• Informasi perangkat dan browser
• Jejak breadcrumb tindakan pengguna yang mengarah ke kesalahan
• Riwayat permintaan jaringan (panggilan API terbaru, kode respons)

Pemantauan dan metrik kinerja

Metrik kunci dilacak berdasarkan persentil (p50, p75, p90, p95, p99):

• Waktu hingga Byte Pertama (TTFB) — latensi respons API backend
• First Contentful Paint (FCP) — seberapa cepat widget menjadi terlihat
• Waktu hingga Interaktif (TTI) — ketika pengguna dapat mengirim pesan
• Waktu render pesan — berapa lama respons AI memerlukan waktu untuk ditampilkan
• Latensi pengambilan basis pengetahuan — kinerja pencarian

Metrik p95/p99 memastikan kasus tepi yang mempengaruhi persentase kecil pengguna ditangani.

Anggaran kinerja mencegah regresi

Tentukan ambang kinerja yang dapat diterima:

• "Widget harus dimuat dalam < 2 detik pada koneksi 3G"
• "Respons AI harus dirender dalam < 500ms"
• "Pencarian basis pengetahuan harus kembali dalam < 1 detik"

Pemantauan memberi peringatan ketika kinerja dunia nyata melanggar anggaran.

Aturan peringatan dan kebijakan eskalasi

Ambang untuk peristiwa yang dapat ditindaklanjuti:

• Tingkat kesalahan > 1% — memicu peringatan
• Tingkat kesalahan > 5% — memicu halaman kritis
• Latensi API p95 > 3 detik — memicu penyelidikan
• > 100 upaya otentikasi yang gagal dalam 5 menit — kemungkinan serangan

Peringatan diarahkan melalui sistem yang bertugas (PagerDuty, Opsgenie) dengan kebijakan eskalasi dan buku panduan terlampir.

Titik pemeriksaan kesehatan untuk pemantauan waktu aktif

• /health — mengembalikan 200 OK jika layanan beroperasi
• /health/deep — memverifikasi konektivitas database, akses basis pengetahuan, dan ketersediaan layanan AI

Pemeriksaan kesehatan dilakukan setiap 30-60 detik dari beberapa wilayah geografis. Kepatuhan SLA dilacak secara otomatis.

Deteksi anomali proaktif

Model pembelajaran mesin mendeteksi pola yang tidak biasa:

• Lonjakan lalu lintas mendadak (konten viral atau serangan DDoS?)
• Tingkat kesalahan yang tidak biasa (penyebaran terbaru menyebabkan regresi?)
• Anomali geografis (penurunan layanan di wilayah tertentu?)
• Pola temporal (kinerja menurun setiap malam pada pukul 2 pagi — mengapa?)