Grid Computing - Jaringan Komputer (NETWORK)

Grid computing merupakan sebuah aplikasi pengembangan dari jaringan komputer (network). Hanya saja, tidak seperti jaringan komputer konvensional yang berfokus pada komunikasi antar pirati, aplikasi pada grid computing dirancang untuk memanfaatkan sumber daya pada terminal dalam jaringannya. Grid computing biasanya diterapkan untuk menjalankan sebuah fungsi yang terlalu kompleks atau terlalu intensif untuk dikerjakan oleh satu sistem tunggal.

Definisi Grid Computing

Definisi Grid Computing menurut beberapa sumber, yaitu:

Komputasi Grid adalah penggunaan sumber daya yang melibatkan banyak komputer yang terdistribusi dan terpisah secara geografis untuk memecahkan persoalan komputasi dalam skala besar. (http://id.wikipedia.org)

Komputasi grid adalah infrastruktur perangkat keras dan perangkat lunak yang dapat menyediakan akses yang bisa diandalkan, konsisten, tahan lama dan tidak mahal terhadap kemampuan komputasi mutakhir yang tersedia. (The Grid 2: Blue Print for a New Computing Infrastructure yang ditulis oleh Ian Foster dan Carl Kesselman)

Grid computing merupakan sebuah sistem komputasi terdistribusi, yang memungkinkan seluruh sumber daya (resource) dalam jaringan, seperti pemrosesan, bandwidth jaringan, dan kapasitas media penyimpan, membentuk sebuah sistem tunggal secara virtual. (http://ismetsaja.wordpress.com)

Grid computing merupakan sistem komputer dengan sumber daya yang dikelola dan dikendalikan secara lokal. Dimana sumber daya ini berbeda dalam hal kebijakan dan mekanisme yaitu  mencakup sumber daya komputasi yang dikelola oleh sistem batch berbeda, sistem storage berbeda pada node berbeda. Kebijakan berbeda dipercayakan kepada user yang sama pada sumber daya berbeda pada Grid. Grid computing memiliki sifat alami dinamis artinya Sumber daya dan pengguna dapat sering berubah.

Grid computing dibangun dengan cara menggabungkan seluruh sistem komputasi grid yang ada di institusi-institusi penelitian menjadi sebuah kesatuan. Pengaturan hardware dan software pada masing-masing sistem di tingkat institusi kemungkinan berbeda, namun dengan menjalankan teknologi Grid computing dengan menggabungkan simpul-simpul penghubung dari masing-masing sistem, maka akan terbentuk sebah kesatuan sumber daya komputasi grid. Dengan ini berarti pengguna pada suatu institusi dapat memanfaatkan sumber daya komputasi yang berada di luar institusinya. Salah satu syarat dari pembentukan grid computing adalah adanya suatu backbone jaringan berkapasitas besar untuk menghubungkan simpul-simpul penghubung (memiliki lebar pita mulai dari 2 Mbps sampai dengan 155 Mbps).

Jenis-jenis atau komponen-komponen grid computing adalah:

1.    Gram (Grid Resources Allocation & Management)

Komponen ini dibuat untuk mengatur seluruh sumberdaya komputasi yang tersedia dalam sebuah sistem komputasi grid. Pengaturan ini termasuk eksekusi program pada seluruh komputer yang tergabung dalam sistem komputasi grid, mulai dari inisiasi, monitoring, sampai dengan penjadwalan dan koordinasi antar proses yang terjadi dalam sistem tersebut. Juga dapat berkoordinasi dengan sistem-sistem pengaturan sumber daya yang telah ada sebelumnya. Dengan mekanisme ini program-program yang telah dibuat sebelumnya tidak perlu dibangun ulang atau bila dimodifikasi, modifikasinya minimum.

2.      RFT/GridFTP (Reliable File Transfer/Grid File Transfer Protocol)

Komponen ini dibuat agar pengguna dapat mengakses data yang berukuran besar dari semua simpul komputasi yang telah tergabung dalam sebuah sistem komputasi secara efisien. Hal ini tentu saja berpengaruh karena kinerja komputasi tidak hanya bergantung pada kecepatan komputer yang tergabung dalam mengeksekusi program, tapi juga seberapa cepat data yang dibutuhkan dapat diakses. Data yang diakses juga tidak selalu ada pada komputer yang mengeksekusi.

3.      MDS (Monitoring and Discovery Service)

Komponen ini dibuat untuk memonitoring proses komputasi yang sedang dijalankan agar dapat mendeteksi masalah yang timbul dengan segera.  Sedangkan fungsi disovery dibuat agar pengguna mampu mengetahui keberadaan sumber daya komputasi beserta karakteristiknya.

4.      GSI (Grid Security Infrastructure)

Komponen ini dibuat untuk mengamankan sistem komputasi grid secara keseluruhan. Komponen ini membedakan teknologi GT4 dengan teknologi-teknologi sebelumnya. Dengan menerapkan mekanisme keamanan yang tergabung dengan komponen-komponen komputasi grid lainnya, sistem ini dapat diakses secara luas tanpa sedikitpun mengurangi tingkat keamanannya. Sistem keamanan ini dibangun dengan segala komponen yang telah diuji, mencakup proteksi data, autentikasi, delegasi dan autorisasi.

Kelebihan Grid Computing

• ·         Perkalian dari sumber daya: Resource pool dari CPU dan storage tersedia ketika idle.
• ·         Lebih cepat dan lebih besar: Komputasi simulasi dan penyelesaian masalah dapat berjalan lebih cepat dan mencakup domain yang lebih luas.
• ·         Software dan aplikasi: Pool dari aplikasi dan pustaka standard,  akses terhadap model dan perangkat berbeda, metodologi penelitian yang lebih baik.
• ·         Data: Akses terhadap sumber data global dan hasil penelitian lebih baik.
• ·   Ukuran dan kompleksitas dari masalah mengharuskan orang-orang dalam beberapa organisasi berkolaborasi dan berbagi sumber daya komputasi, data dan instrumen sehingga terwujud bentuk organisasi baru yaitu virtual organization.

Kekurangan Grid Computing

• ·         Manajemen institusi  yang terlalu birokratis menyebabkan mereka enggan untuk merelakan fasilitas yang dimiliki untuk digunakan secara bersama agar mendapatkan manfaat yang lebih besar bagi masyarakat luas.
• ·         Masih sedikitnya sumber daya manusia yang  kompeten dalam mengelola grid computing.
• ·         Kurangnya pengetahuan yang mencukupi bagi teknisi IT maupun user non teknisi mengenai manfaat dari grid computing itu sendiri.

Sumber :

1. http://teknik-informatika.com/apa-itu-cloud-computing-komputasi-awan/

2. http://blog.komputasiawan.com

3. http://10111213.blog.unikom.ac.id/tugas-pengantar.2qv

4. http://ilhamsk.com/apa-itu-cloud-computing/

Neural Network Untuk Prediksi Saham Tertentu

Dalam bursa saham, prediksi pasar saham merupakan isu yang penting bagi pelaku transaksi modal untuk membantu mereka mengambil keputusan yang tepat dalam bertransaksi. Prediksi pasar saham dilakukan dengan memanfaatkan teknologi data mining. Data mining untuk prediksi pasar saham merupakan contoh aplikasi next generation data mining karena data yang ditangani dalam data mining untuk prediksi pasar saham bersifat time series.

Ada tiga prediksi yang dapat dilakukan dalam pasar saham, yaitu prediksi level atau harga indeks saham pada suatu waktu, prediksi arah gerak saham dan prediksi return sebuah saham. Prediksi pasar saham yang dibahas dalam makalah ini dibatasi untuk prediksi level atau harga indeks saham dan prediksi arah gerak saham. Untuk menangani data pasar saham yang bersifat time series, diperlukan beberapa modifikasi pada neural network yang digunakan untuk melakukan prediksi dalam pasar saham.

Time series data merupakan sekuens data yang nilainya berubah setiap interval waktu tertentu. Time series data dapat dipresentasikan dalam bentuk grafik atau kurva yang menunjukkan fungsi sebuah variabel data terhadap satuan waktu. Grafik yang dibangun dapat dimanfaatkan untuk menganalisis trend atau pola pada time-series data.

Ada dua tujuan utama analisis trend yaitu untuk memodelkan time series data dan untuk memprediksi time series data. Yang dimaksud dengan memodelkan time series data adalah menemukan mekanisme atau faktor-faktor yang menyebabkan terbentuknya time series. Yang dimaksud dengan memprediksi time series data adalah memprediksi nilai variabel time series pada suatu waktu yang akan datang.

Neural network merupakan model learning yang menyerupai sistem neuron pada makhluk hidup. Pembelajaran dengan neural network awalnya dikembangkan oleh para psikolog dan neurobiolog yang ingin membuat dan menguji komputasi dengan menggunakan analogi neuron.

Neural network terdiri atas sekumpulan unit input dan output yang terhubung satu dengan lainnya dan masing-masing hubungan antar unit mempunyai bobot. Setiap unit input dan output pada network merupakan bagian dari sebuah lapisan/layer dalam network. Sebuah neural network dapat mempunyai tiga atau lebih lapisan, yaitu satu lapisan input, satu atau lebih lapisan tersembunyi dan satu lapisan output.

Tahap learning pada neural network mencakup evaluasi dan penyesuaian kembali bobot setiap hubungan antar unit di dalam network sehingga tuple-tuple data yang masuk ke dalam network dapat diberi kelas atau label yang tepat.

Neural network dapat digunakan baik untuk memprediksi level atau harga indeks saham, arah gerak saham, maupun return yang diperoleh dari saham. Prediksi yang akan dibahas pada makalah ini adalah prediksi level atau harga indeks saham pada suatu waktu tertentu dan prediksi arah gerak saham.

Prediksi pertama yang akan dilakukan adalah prediksi level atau harga indeks saham pada suatu waktu tertentu di masa yang akan datang. Data yang digunakan untuk melakukan prediksi ini adalah data salah satu perdagangan saham pada batasan waktu tertentu.

Neural network yang digunakan untuk melakukan prediksi level atau harga indeks saham adalah backpropagation network. Langkah pertama yang dilakukan adalah membangun neural network. Berdasarkan data training yang digunakan, lapisan input pada network hanya terdiri atas tiga unit neuron. Lapisan output network terdiri atas sembilan neuron. Artinya, ada sembilan kemungkinan nilai hasil prediksi yang dapat diperoleh dari tiga nilai masukan data ke lapisan input. Untuk menentukan jumlah neuron pada lapisan tersembunyi network, digunakan teorema Kolmogorov.

Sesuai dengan algoritma backpropagation, setelah data diproses dalam network dan keluar di lapisan output, dilakukan penghitungan kesalahan dari lapisan output terus sampai ke lapisan input. Dari penghitungan kesalahan yang terjadi, bobot pada setiap hubungan antar neuron diperbaiki. Biasanya dalam penghitungan bobot yang baru pada network dimanfaatkan aturan Widrow-Hoff atau aturan Least Mean Square. Namun, pada eksperimen dengan time series data ini, aturan yang digunakan adalah Delta Rule dengan momentum α.

Momentum α pada penghitungan bobot ini menyatakan sebuah konstanta. Jika pengubahan bobot terakhir mengarah pada satu arah tertentu, maka momentum α akan mempunyai kecenderungan untuk membuat pengubahan bobot berikutnya mengarah ke arah yang sama.

Berdasarkan hasil eksperimen dengan menggunakan learning rate = 1 dan momentum α = 0.7 saat training, diperoleh hasil prediksi yang cukup akurat.

Selain dengan backpropagation network, prediksi level atau harga indeks saham dapat pula memanfaatkan model neural network lainnya. Model lain yang dapat digunakan adalah feed forward network, multilayer perceptron network dan generalized feed forward network.

Prediksi yang selanjutnya akan dilakukan adalah prediksi arah gerak saham. Prediksi arah gerak saham bertujuan untuk menentukan perilaku yang dilakukan terhadap sebuah saham berdasarkan posisi harganya. Biasanya perilaku yang dilakukan dapat berupa membeli, menjual atau menahan kepemilikan akan saham tersebut.

Model neural network yang digunakan untuk memprediksi saham ini adalah feed forward neural network (FNN). Model learning FNN tidak banyak berbeda dengan model learning Backpropagation Neural Network. Hanya saja, pada FNN, penghitungan bobot yang optimal untuk setiap penghubung dalam network tidak dilakukan secara mundur seperti pada backpropogation neural network.

Model FNN akan menghasilkan output berupa nilai harga indeks saham, yang selanjutnya menentukan kelas arah gerak yang sesuai. Ada tiga kelas arah gerak yang didefinisikan, yaitu buy, hold, dan sell. Masing-masing kelas ini didefinisikan sebagai arah gerak pasar saham apabila harga indeks saham mencapai ambang batas tertentu. Nilai ambang batas tersebut ditentukan sendiri oleh pihak yang melakukan transaksi modal, berdasarkan pengalaman dan pengetahuannya.

Langkah pertama yang dilakukan dalam prediksi arah gerak saham dengan menggunakan FNN adalah membangun model klasifikasi FNN yang digunakan. Setelah lapisan output menghasilkan nilai keluaran, dilakukan penghitungan kesalahan dalam jaringan yang akan digunakan untuk menghitung kembali bobot setiap penghubung dalam jaringan.

Fungsi penghitungan kesalahan yang digunakan dalam prediksi ini dimodifikasi dari fungsi penghitungan kesalahan Ordinary Least Squares (OLS)  yang banyak digunakan pada FNN. Modifikasi dilakukan dengan tujuan menitikberatkan penghitungan untuk memprediksi arah gerak time series dan bukannya nilai time series.

Jika biasanya pembobotan dilakukan dengan memberi penalti besar pada prediksi yang bernilai salah, maka pada eksperimen ini skema pembobotan yang dilakukan adalah : bobot bernilai δ jika arah gerak hasil prediksi benar, dan 1 jika arah gerak hasil prediksi salah. Nilai δ bergantung kepada distribusi data yang digunakan untuk membangun model FNN.

Dengan menggunakan pembobotan  di atas, dilakukan modifikasi terhadap fungsi penghitungan kesalahan. Selain modifikasi fungsi penghitungan kesalahan, proses training FNN pada prediksi ini juga menggunakan algoritm optimasi global dengan memperhitungkan pengaruh kondisi antar bursa saham.

Jika dibandingkan dengan algoritma FNN yang biasa, performansi algoritma yang dimodifikasi lebih baik untuk memprediksi arah gerak saham.

SQL (MySQL) JOIN Syntax

Pada bahasa SQL, operasi join atau penggabungan "menyamping" antar table adalah operasi dasar database relasional yang sangat penting. Untuk mendukung perancangan database resional yang baik, berikut adalah penjelasan dan ilustrasi mengenai join ini.

Tipe / Jenis JOIN TABLE pada MySQL 5.0

Pada MySQL ada beberapa tipe JOIN seperti bahasa SQL pada umumnya. Namun ada beberapa yang merupakan dialek khusus atau memiliki perbedaan sifat dengan standar SQL.

Jika Anda telah memahami fungsi join pada database relasional untuk menghubungkan berbagai table, maka artikel berikut akan menjelaskan dan menunjukkan contoh penggunaan variasi join pada MySQL versi 5.0. JOIN sendiri merupakan konstruksi bahasa yang tidak bisa berdiri sendiri, biasanya berupa klausa pada bagian referensi table pada SELECT, UPDATE atau DELETE statement.

Berikut adalah TABLE JOIN yang ada pada MySQL :

• ·         INNER JOIN
• ·         CROSS JOIN - identik dengan INNER JOIN
• ·         OUTER JOIN
• ·         STRAIGHT JOIN
• ·         INNER JOIN

INNER JOIN

INNER JOIN adalah tipe join yang akan kita bahas pertama. Tipe join ini akan mengambil semua row dari table asal dan table tujuan dengan kondisi nilai key yang terkait saja - jika ada, dan jika tidak maka row tersebut tidak akan muncul.

Kalau tidak terdapat kondisi key terkait antar table, maka semua row dari kedua table dikombinasikan.

Syntax dari INNER JOIN adalah sebagai berikut :

table_reference [INNER] JOIN table_factor [join_condition]

Terlihat bahwa keyword INNER boleh digunakan secara eksplisit atau tidak. Jika tidak digunakan maka konstruksi JOIN tanpa keyword lain dianggap sebagai INNER JOIN.

Secara pengerjaan relasi hampir sama dengan klusa WHERE

WHERE table1.referensiID = table2.referensiID

CROSS JOIN

CROSS JOIN identik dengan INNER JOIN pada MySQL 5.0. Pembahasannya sama dengan INNER JOIN, dan karena klausa ini jarang dipakai maka tidak diulangi lagi disini.

OUTER JOIN

OUTER JOIN merupakan tipe join yang mencari referensi data dari suatu table sumber ke table lain dengan tidak menghilangkan data sumber apabila referensi tidak diketemukan.

Untuk menggunakan tipe OUTER JOIN maka perlu memperhatikan beberapa hal berikut :

Perlu dibedakan antara table sumber dan table referensi, ini ditentukan dengan cara menspesifikasikan kedudukan table sumber apakah di kiri (LEFT) atau di kanan (RIGHT).

Jika tidak ada data dari table referensi yang cocok dengan kondisi join maka hanya data dari table sumber yang ditampilkan tetapi kolom-kolom table referensi akan berisi null.

LEFT JOIN

Operasi left join akan menampilkan semua isi tabel sisi kiri, walaupun data di pasangan joinnya yang disisi kanan nilainya tidak sama ataupun berisi null.

RIGHT JOIN

Operasi right join akan menampilkan semua isi tabel sisi kanan, walaupun data di pasangan joinnya yang di sisi kiri nilainya tidak sama ataupun berisi null.

STRAIGHT_JOIN

STRAIGHT_JOIN merupakan pengganti keyword JOIN pada MySQL yang digunakan untuk "memaksa" proses join table dari kiri (LEFT) ke kanan (RIGHT).

Join adalah penggabungan table yang dilakukan melalui kolom / key tertentu yang memiliki nilai terkait untuk mendapatkan satu set data dengan informasi lengkap. Lengkap disini artinya kolom data didapatkan dari kolom-kolom hasil join antar table tersebut.

Join diperlukan karena perancangan table pada sistem transaksional kebanyakan di-normalisasi, salah satu alasannya untuk menghindari redundansi.

Sumber

Pizza Hut

Website “Pizza Hut”

          Pizza Hut adalah restoran berantai dan waralaba makanan internasional yang mengkhususkan dalam pizza. Perusahaan ini didirikan pada 1958 oleh dua mahasiswa, Dan dan Frank Carney di Wichita, Kansas. Dia dibeli oleh PepsiCo, Inc. pada 1977. Pizza Hut sekarang ini merupakan restoran pizza berantai terbesar di dunia, dengan hampir 12.000 restoran, kios pengantaran-ambil ke luar di lebih dari 86 negara.

Pizza Hut hadir di Indonesia untuk pertama kalinya pada tahun 1984, dan merupakan restoran pizza pertama di Indonesia. Saat ini, Pizza Hut mudah ditemui di kota-kota besar di seluruh Indonesia. Pemegang hak waralaba tunggal di Indonesia ialah PT Sari Melati Kencana.

Restoran pertama Pizza Hut dinamai Pizza Hut dan dibuka pada tahun 1958 di Wichita, Kansas, Amerika Serikat oleh James McLamore dan David Edgerton, keduanya adalah alumni dari Cornell University School of Hotel Administration.

Dan dan Frank Carney

Dari sebuah kedai pizza kecil dan sederhana, Pizza Hut tumbuh menjadi jaringan restoran pizza terbesar di dunia dengan lebih dari 5.600 restoran di 97 negara.

  

Di Indonesia, Pizza Hut membuka restoran pertamanya tahun 1984 di Gedung Djakarta Theatre, daerah Thamrin, Jakarta. Tahun 2000, restoran Pizza Hut pertama ini dipindahkan ke Gedung Cakrawala di area yang sama, hingga sekarang. Kini, Pizza Hut mempunyai lebih dari 200 restoran yang tersebar di 22 propinsi di Indonesia, dari Aceh hingga Abepura.

Nilai-nilai Organisasi Pizza Hut

Pizza Hut Indonesia menjadikan 4 nilai berikut sebagai dasar dalam menjalankan organisasi, juga dalam membangun relasi dengan pelanggan, mitra usaha dan pemegang saham.

         

Integritas

Kita jujur dalam berpikir dan bekerja, dapat dipercaya, tulus dan bersikap profesional saat berhubungan dengan rekan kerja, pelanggan dan para supplier.

Keunggulan

Kita melakukan pekerjaan yang lebih dari sekedar panggilan tugas, melakukan lebih dari apa yang diharapkan orang lain. Kita terus berjuang untuk perbaikan dan teliti dalam segala hal. Jalankan tugas dengan rela dan hadapi segala tantangan yang ada untuk mencapai standar yang tertinggi.

Pertumbuhan Usaha

Kita akan mengembangkan diri dan memperoleh keuntungan dengan cara menjadi ‘Casual Dining Restaurant’ yang terbaik. Kita berjuang untuk meningkatkan kemampuan dan pengetahuan, berbagi keterampilan dan belajar bersama dengan rekan kerja kita, sehingga kita berkembang bersama, baik secara individu maupun organisasi.

Keuntungan

Kami selalu berusaha sedapat mungkin memberikan keuntungan kepada para pemegang saham dengan pengawasan dan peningkatan usaha penjualan.

Pelayanan untuk pemesanan Pizza Hut tersebut sudah dapat dengan berbagai macam dengan cara memesan dan makan di restoran, memesan di restoran dan bawa pulang, memesan dengan menggunakan telepon setelah itu diambil di restoran yang di tuju dan dibawa pulang atau dengan meminta untuk diantarkan sampai rumah.

Untuk memesan menu dengan melalui delivery pelanggan sudah sangat terbantu dan dengan dapat melihat menu melalui brosur yang diberikan oleh Pizza Hut atau dapat melihatnya melalui Website resmi dari Pizza Hut.

Usaha restoran ini sangat memperhatikan pentingnya teknologi dalam pemasaran dan penjualan produknya. Semua teknologi yang dimanfaatkan antara lain alat telekomunikasi seperti TV menjadikannya sebagai alat periklanan produknya, jejaring social yang berkaitan dengan dunia internet dan taklupa media baca online maupun selembaran kertas.