CLUSTER DATABASE

Clustering Clustering adalah proses mengelompokkan atau penggolongan objek berdasarkan informasi yang diperoleh dari data yang menjelaskan hubungan antar objek dengan prinsip untuk memaksimalkan kesamaan antar anggota satu kelas dan meminimumkan kesamaan antar kelas/cluster. Clustering dalam data mining berguna untuk menemukan pola distribusi di dalam sebuah data set yang berguna untuk proses analisa data. Kesamaan objek biasanya diperoleh dari kedekatan nilai-nilai atribut yang menjelaskan objek-objek data, sedangkan objek-objek data biasanya direpresentasikan sebagai sebuah titik dalam ruang multidimensi. Clustering digunakan untuk mendapatkan high availability dan scalability. Pada high available cluster, dapat digunakan failover database cluster, dimana hanya ada satu node yang aktif melayani user, sedangkan node lainnya standby. Storage yang digunakan mempunyai koneksi ke setiap node pada cluster, sehingga jika primary node mati, database engine, listener process, dan logical host ip address akan dijalankan pada secondary node tanpa perlu menunggu operating system boot, sehingga downtime dapat diminimalisasi. High availability mempunyai standard uptime 99.999 persen, atau hanya boleh mati selama 5 menit dalam setahun. Beberapa contoh software yang dapat digunakan untuk membuat HA cluster adalah Sun Cluster dan Veritas Cluster. Pada scalable cluster, digunakan produk Oracle RAC, dimana setiap node aktif melayani user, sehingga diperoleh performa yang semakin baik dengan menggunakan lebih banyak node. Sun cluster dapat digunakan sampai 16 node, sedangkan Veritas Storage Foundation for Oracle RAC bisa sampai 32 node. Jika ada node yang mati, tentu akan menurunkan performa, namun tidak terjadi down time. Pada scalable cluster, seluruh node dapat terhubung secara langsung ke shared storage, namun dapat juga tidak mempunyai koneksi fisik ke storage, melainkan melalui private cluster transport.

Subspace Clustering Subspace clustering adalah suatu teknik clustering yang mencoba menemukan cluster pada dataset multidimensi dengan pemilihan dimensi yang paling relevan untuk setiap cluster, karena pada data multidimensi kemungkinan terdapat dimensi-dimensi yang tidak relevan yang dapat membingungkan algoritma clustering sehingga bisa mengaburkan cluster sebenarnya yang seharusnya dapat ditemukan. Masalah lainnya, cluster dapat saja berada

Clustering dapat dilakukan pada data yang memiliki beberapa atribut yang dipetakan sebagai ruang multidimensi. Pendekatan yang banyak diambil adalah menggabungkan metode hierarki dengan metode clustering lainnya seperti yang dilakukan oleh Chameleon. cluster akan sulit ditemukan. diperlukan juga metode untuk normalisasi bermacam atribut yang dimiliki data. . Subspace clustering secara otomatis akan menemukan unit-unit yang padat pada tiap subspace. tidak dapat didapatkan cluster yang optimal. Akibatnya. dimensionalitas dataset dikurangi dengan menghilangkan beberapa dimensi. mengilustrasikan bagaimana peningkatan jumlah dimensi mengakibatkan terpecahnya titik pada dataset. data-data tsb dimasukkan dalam cluster. Berbeda dengan association rule mining dan classification dimana kelas data telah ditentukan sebelumnya. Karena itu clustering sering digolongkan sebagai metode unsupervised learning.dalam subspace yang berbeda. pendekatan ini berakibat pada hilangnya beberapa informasi dan sekaligus mengurangi efektifitas penemuan cluster yang mungkin melibatkan dimensi yang dihilangkan tersebut. Beberapa kategori algoritma clustering yang banyak dikenal adalah metode partisi dimana pemakai harus menentukan jumlah k partisi yang diinginkan lalu setiap data dites untuk dimasukkan pada salah satu partisi. Cara yang sudah dikenal untuk mengatasi peningkatan jumlah dimensi adalah menggunakan teknik reduksi dimensi atau feature selection. Kelebihan metode ini adalah bentuk cluster yang lebih fleksibel. yaitu jumlah data yang ada di sekitar suatu data yang sudah teridentifikasi dalam suatu cluster. Algoritma yang terkenal adalah DBSCAN. dimana setiap subspace dibentuk dari kombinasi dimensi yang berbeda-beda. Banyak algoritma clustering memerlukan fungsi jarak untuk mengukur kemiripan antar data. Akhir-akhir ini dikembangkan juga metode berdasar kepadatan data. semakin banyak dimensi yang digunakan. Kelemahan 3 metode ini adalah bila bila salah satu penggabungan/pemecahan dilakukan pada tempat yang salah. Dengan cara ini. Pada Gambar diatas. Prinsip dari clustering adalah memaksimalkan kesamaan antar anggota satu kelas dan meminimumkan kesamaan antar kelas/cluster. metode lain yang telah lama dikenal adalah metode hierarki yang terbagi dua lagi : bottom-up yang menggabungkan cluster kecil menjadi cluster lebih besar dan top-down yang memecah cluster besar menjadi cluster yang lebih kecil. Bahkan clustering dapat dipakai untuk memberikan label pada kelas data yang belum diketahui itu. clustering melakukan penge-lompokan data tanpa berdasarkan kelas data tertentu. Bila jumlah data dalam jangkauan tertentu lebih besar dari nilai ambang batas.

Hal yang sangat penting bagi Teknologi komunikasi data adalah database sebagai penyedia data. Saat ini aplikasi databse semakin berkembang. Banyak sekali manfaat yang diperoleh dari teknologi cluster diantaranya meningkatkan ketersediaan dan performansi system.Teknologi Cluster Kebutuhan akan komunikasi data dewasa ini sangat penting seiring dengan kemajuan dan perkembangan teknologi komunikasi data yang semakin canggih. maupun kompleksitas. semua mesin yang menyimpan data tersebut dianggap sebagai satu kesatuan. Berbagai jenis server diikat menjadi satu untuk menjadikan suatu pelayanan tunggal (one stop shopping). Oleh sebab itu. diperlukan perancangan yang tepat dan handal dalam membangun databse server. baik dalam hal kegunaan. konsekuensi dari semua itu adalah beban databse server akan semakin bertambah berat dan mengakibatkan kurang optimalnya kinerja dari server tersebut. Hal ini dapat dimaklumi karena database server telah di rancang untuk dapat melayani beragam jenis akses data. dan tidak ada bottleneck. Banyak sekali manfaat yang diperoleh dari teknologi cluster diantaranya meningkatkan ketersediaan dan performansi system. Database pada masa sekarang ini dituntut agar dapat berjalan dengan cepat dan mempunyai kehandalan yang tinggi. Pada server database yang besar dalam pelayanannya tidak menggunakan server databse tunggal. Database tercluster tersebut dapat dianggap personal desktop atau database tunggal bagi penggunanya. Arsitektur yang digunakan harus menjamin bahwa sistem bekerja dengan baik. ukuran. Kemampuan clustering memungkinkan sebuah database tetap hidup dalam waktu yang lama.999 . Metode clustering seperti ini sangat baik untuk load balancing dan penanganan system failure karena kemampuan tiap mesin akan digunakan dan jika ada salah satu mesin yang mengalami failure maka sistem tidak akan langsung terganggu karena mesin lain akan tetap berfungsi. beberapa buah server databse dihubungkan menjadi satu pada lingkungan yang sangat kompleks. Aplikasi-aplikasi database dituntut untuk mampu melayani banyak akses data. tetapi dilayani oleh sekelompok server database. setiap server mengerjakan beban semestinya. MySQL berani menjanjikan angka 99. Solusi praktis dan tepat yang dapat diterapkan untuk mengatasi permasalahan diatas antara lain dengan penerapan Teknologi Cluster. Hal ini secara langsung akan berdampak pada server database sebagai penyedia layanan terhadap akses databse. Dengan clustering ini database yang disimpan dapat terbagi ke beberapa mesin dan pada saat aplikasi berjalan.

sebuah aplikasi daftargaji menyimpan data di dalam sebuah cluster.1. semua MySQL server yang lain yang meminta data ini dapat melihat perubahannya dengan seketika.2 dan di dalam binary releases dari MySQL-Max 4. cluster tersebut dapat menangani kegagalan dari node-node penyimpanan individual dengan tidak ada dampak lain dari sejumlah transaksi dihentikan karena kegagalan . NDB berarti bagian dari suatu rangkaian yang dikhususkan sebagai mesin penyimpanan. Mac OS X.3 System operasi yang didukung adalah Linux. Semua program-program tersebut bekerja bersama-sama untuk membentuk MySQL Cluster. Tabel-tabel seperti itu dapat diakses secara langsung dari semua MySQL server yang lain di dalam cluster tersebut. node-node penyimpanan untuk cluster NDB. Data yang disimpan di dalam node-node penyimpanan pada MySQL Cluster dapat di mirror (dicerminkan). dalam satu tahun kira-kira hanya lima menit waktu database itu tidak hidup. Ketika data disimpan di dalam mesin penyimpan media NDB cluster. dan tidak membutuhkan perangkat keras dan lunak dengan spesifikasi khusus. MySQL Cluster MySQL Cluster menggunakan mesin penyimpanan cluster NDB baru yang mampu menjalankan beberapa MySQL Server di dalam sebuah cluster. dan Solaris. jika sebuah aplikasi mengupdate/memperbaharui gaji seorang karyawan. MySQL Cluster menggabungkan MySQL Server biasa dengan sebuah mesin penyimpanan in-memory tercluster yang dinamakan NDB. Sebuah MySQL Cluster terdiri dari sekumpulan komputer. Arsitektur tersebut juga handal karena masing-masing komponen mempunyai memory dan disk tersendiri. Mesin penyimpanan cluster NDB tersedia di dalam BitKepper dari MySQL release 4. Dengan cara demikian. server-server manajemen dan program-program pengakses data yang khusus. Sederhananya. masing-masing menjalankan sejumlah proses mencakup beberapa MySQL server.1.persen ketersediaan databasenya. sedangkan MySQL Cluster diartikan sebagai kombinasi atau gabungan dari MySQL dan mesin penyimpanan yang baru tersebut. pihak MySQL sedang membuat/mengembangkan agar cluster NDBdapat berjalan pada semua system operasi yang didukung oleh MySQL termasuk Windows. tabel-tabel disimpan didalam node-node penyimpanan pada NDB Cluster. Overview MySQL Cluster adalah sebuah teknologi baru untuk memungkinkan clustering di dalam memory database dalam sebuah sistem share-nothing. Arsitektur share-nothing mengijinkan sistem dapat bekerja dengan hardware/perangkat keras yang sangat murah.

WWW. karena itu setiap partisi atau group adalah sama menurut kriteria atau metrik tertentu. Dengan memperkenalkan MySQL Cluster pada dunia open source. Clustering menurut optimasi dari sekumpulan fungsi-fungsi digunakan pada analisis data. Sebagian dari MySQL Cluster dikonfigurasi tidak tergantung/bebas dari server-server MySQL yang lain. perfomance yang tinggi dan skalabilitas ketersediaan untuk siapa saja yang memerlukannya. misalnya ketika mensetting tarif asuransi klien dapat disegmentasi menurut sejumlah parameter. … – clustering dokumen2 – clustering data log web untuk mendapatkan group dengan pola akses yang sama. masing-masing bagian dari cluster dianggap sebagai sebuah node. Di dalam MySQL Cluster. Mesin penyimpanan NDB pada MySQL Cluster berisi sebuah kumpulan lengkap dari data. maka terdapat sejumlah teknik untuk membentuk cluster. Sekarang akan diuraikan bagaimana mengatur sebuah MySQL Cluster yang terdiri dari sebuah mesin penyimpanan NDB dan beberapa MySQL server. contohnya segmentasi basis klien. Mesin penyimpanan NDB dapat diatur dengan sebuah bidang failover dan pilihan-pilhan load-balancing. . Contoh aplikasi : – Perangkat ‘stand-alone’ : explore data distribution – Langkah preprocessing untuk algoritma lain – Pengenalan pola. Kebanyakan aplikasi2 data mining menggunakan clusteing menurut similarity (kesamaan). Jika pengukuran kesamaan tersedia. pengenalan citra. Sejak aplikasi untuk proses-proses transaksi diharapkan mampu menangani kegagalan transaksi. bergantung hanya pada data lainnya di dalam cluster itu sendiri. tetapi untuk memulai paling mudah dengan mesin penyimpanan pada level cluster. MySQL membuat manajemen data cluster dengan ketersediaan yang tinggi. analisis data spasial. ini semua tidak seharusnya menjadi sumber permasalahan.proses transaksi. Analisis Cluster Clustering dan segmentasi sebenarnya mempartisi database. Dasar konsep-konsep MySQL Cluster NDB adalah sebuah mesin penyimpanan memory yang menawarkan ketersediaan yang tinngi dan fitur-fitur persistensi data. market research.

Penggelompokkan data ke cluster2 – Data yang sama satu sama lain berada pada cluster yang sama – Yang tidak sama berada pada cluster lain – ‘Unsupervised learning’: klas2 yang belum ditentukan Clustering Yang Baik · Intraclass similarity (Kesamaan di dalam klas) yang tinggi dan interclass similarity (kesamaan antar klas) yang rendah bergantung pada pengukuran kesamaan · Kemampuan untuk mendapatkan beberapa atau semua pola yang tersembunyi. Kebutuhan Clustering · Scalability : Kemampuan mengerjakan atribut2 dari berbagai tipe · Penemuan clusters dengan bentuk yang tidak tentu · Kebutuhan minimal untuk pengetahuan domain untuk menentukan parameter input · Dapat menerima noise dan outlier · Tidak mengindahkan susunan record dari input · Dimensi yang tinggi · Menyatu dengan batasan yang dispesifikasikan oleh user · Interpretability and usability Tipe-tipe Data pada Clustering · Variabel2 berskala interval · Variabel biner · Variabel nominal. ordinal dan rasio · Variable2 dari berbagai tipe variable .

Status Perkawinan/marital status.Kategori Pendekatan Clustering · Algoritma Partisi · Mempartisi objek2 ke dalam k cluster · Realokasi objek2 secara iteratif untuk memperbaiki clustering Algoritma Hirarkis – Agglomerative: setiap objek merupakan cluster. gabungan dari cluster-cluster membentuk cluster yang besar – Divisive: semua objek berada dalam suatu cluster. . Pada tugas saat ini kita tertarik akan Jenis kelamin pelanggan/Customers’ Gender. Kita akan menggunakan algoritma clustering di database Foodmart2000 dimana segmen pelanggan ada di OLAP cube sales dalam tiga kategori yang berdasarkan pada informasi berikut: Jenis kelamin. Kartu Anggota. Kita tertarik untuk menemukan 3 segmen pelanggan dari toko Foodmart dalam rangka menciptakan suatu program untuk menawarkan manfaat yang berbeda untuk pelanggan yang tergantung pada karakteristik pribadi mereka. pembagian cluster tersebut membentuk cluster2 yang kecil Metode berbasis densitas – Berbasis koneksitas dan fungsi densitas – Noise disaring. Pendapatan tahunan. Tujuannya adalah untuk meningkatkan kesetiaan mereka terhadap toko tsb. Langkah 2– pada langkah ini kita memilih karakteristik yang akan diproses oleh algoritma tsb. Pada basis cluster mereka yang akan dibuat. kita harus memilih Customer sebagai kasus pada halaman yang pertama dari OLAP Data Mining Wizard. status perkawinan. Pendidikan.   Langkah 1 Ketika kita akan menggolongkan pelanggan. dan Penjual toko. kemudian temukan cluster2 dalam bentuk sembarang – Metode berbasis grid – Kuantisasi ruang objek ke dalam struktur grid Berbasis Model – Gunakan model untuk menemukan keadaan data yang baik Contoh Clustering  Terdapat Database Foodmart2000 dengan OLAP Cube Sales.

ringkasan hasil. Pendapatan tahunan/yearly income dan penjual toko. Oracle9 menggunakan teknologi bersama-penyimpanan.pendidikan/education. kedua campuran. pilih DB2 teknologi Bersama-apa-apa. Kartu anggota/Member Card.  Hasil Penerapan sistem cluster database saat ini lebih berhasil. . semua node dalam komputasi paralel untuk memproses data. distribusi data ke setiap node. Ini tidak diragukan lagi cara yang paling sempurna. itu sebabnya mengapa kita memilihnya. Teori database cluster terbaru didasarkan pada komputasi terdistribusi. DB2. jangkauan lebih luas dari aplikasi adalah: Oracle Corporation Oracle9 dengan IBM. Tapi masih belum mencapai semua fitur.

Sign up to vote on this title
UsefulNot useful