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

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

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

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

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

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.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. Kartu Anggota. 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. Tujuannya adalah untuk meningkatkan kesetiaan mereka terhadap toko tsb. 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. Pada tugas saat ini kita tertarik akan Jenis kelamin pelanggan/Customers’ Gender. 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. Pendidikan. pembagian cluster tersebut membentuk cluster2 yang kecil Metode berbasis densitas – Berbasis koneksitas dan fungsi densitas – Noise disaring. dan Penjual toko. Status Perkawinan/marital status. Pada basis cluster mereka yang akan dibuat. Pendapatan tahunan. .   Langkah 1 Ketika kita akan menggolongkan pelanggan. kita harus memilih Customer sebagai kasus pada halaman yang pertama dari OLAP Data Mining Wizard. Langkah 2– pada langkah ini kita memilih karakteristik yang akan diproses oleh algoritma tsb. gabungan dari cluster-cluster membentuk cluster yang besar – Divisive: semua objek berada dalam suatu cluster.

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

Sign up to vote on this title
UsefulNot useful