Rekontruksi Arsitektur DataBase untuk Peningkatan Proses Load Data

Suriansyah B; Luqman Fanani  Mz; Andi Ikmal  Rachman; Gita  Pratiwi

doi:10.55338/jumin.v6i2.5585

Authors

Suriansyah B Universitas Almarisah Madani
Luqman Fanani Mz Unversitas Almarisah Madanai, Makassar Sulawesi Selatan
Andi Ikmal Rachman Unversitas Almarisah Madanai, Makassar Sulawesi Selatan
Gita Pratiwi Unversitas Almarisah Madanai, Makassar Sulawesi Selatan

DOI:

https://doi.org/10.55338/jumin.v6i2.5585

Keywords:

Rekonstruksi arsitektur, load data, basis data, optimasi, ETL, partisi data, indeks

Abstract

Proses load data menjadi aspek yang sangat penting dalam pengelolaan sistem informasi yang melibatkan basis data besar. Namun, dengan meningkatnya volume data dan kompleksitas sistem, waktu yang dibutuhkan untuk memuat data menjadi semakin lama dan menghambat efisiensi operasional . maka dari itu kami akan memberi solusi dengan membahas pendekatan rekonstruksi arsitektur database untuk meningkatkan performa proses load data, dengan fokus pada optimasi pemrosesan dan pengelolaan data. Penelitian ini mengidentifikasi tantangan utama dalam arsitektur database tradisional, dan mengeksplorasi solusi berbasis teknologi terkini seperti penggunaan partisi, indeks, dan pipeline ETL yang lebih efisien. Dengan merubah arsitekture database dari sebelumnya penerapan ini meningkatkan kecapatan load data 51% dari arsitekture sebelumnya

Downloads

Download data is not yet available.

References

D. P. Kristiadi, H. L. H. S. Warnars, R. Randriatoamanana, F. Megantara, L. Nulhakim, and M. Zarlis, “Big Data implementation for Inventory warehouse systems,” 1st 2018 Indonesian Association for Pattern Recognition International Conference, INAPR 2018 - Proceedings, pp. 207–212, 2019, doi: 10.1109/INAPR.2018.8627030.

“Database Systems SIXTH EDITION.”

R. K. Meleppat, M. V. Matham, and L. K. Seah, “An efficient phase analysis-based wavenumber linearization scheme for swept source optical coherence tomography systems,” Laser Phys Lett, vol. 12, no. 5, p. 55601, 2015, doi: 10.1088/1612-2011/12/5/055601.

S. B, A. A. Ilham, and A. W. Paundu, “Optimization of Data Warehouse Architecture to Improve Information System Performance,” in 2023 International Conference on Computer Science, Information Technology and Engineering (ICCoSITE), 2023, pp. 240–245. doi: 10.1109/ICCoSITE57641.2023.10127721.

F. C. Daeng Bani, Suharjito, Diana, and A. S. Girsang, “Implementation of Database Massively Parallel Processing System to Build Scalability on Process Data Warehouse,” Procedia Comput Sci, vol. 135, pp. 68–79, 2018, doi: 10.1016/j.procs.2018.08.151.

C. A. U. Hassan et al., “Optimizing the Performance of Data Warehouse by Query Cache Mechanism,” IEEE Access, vol. 10, pp. 13472–13480, 2022, doi: 10.1109/ACCESS.2022.3148131.

E. Costa, C. Costa, and M. Y. Santos, “Evaluating partitioning and bucketing strategies for Hive-based Big Data Warehousing systems,” J Big Data, vol. 6, no. 1, pp. 1–38, 2019, doi: 10.1186/s40537-019-0196-1.

R. Sreekumar and S. B. B, “ETL Scheduling in Real-Time Data Warehousing,” vol. 5, no. 04, pp. 416–418, 2014.

Z. Hu and D. Li, “Improved heuristic job scheduling method to enhance throughput for big data analytics,” Tsinghua Sci Technol, vol. 27, no. 2, pp. 344–357, 2022, doi: 10.26599/TST.2020.9010047.

A. Y. Berliantara, S. A. Wicaksono, and A. Pinandito, “Optimasi Scheduling untuk Proses Extract , Transform , Load ( ETL ) pada Data Warehouse Menggunakan Metode Round Robin Data Partitioning ( Studi Kasus : Universitas XYZ ),” Jurnal Pengembangan Teknologi Informasi dan Ilmu Komputer (J-PTIIK) Universitas Brawijaya, vol. 1, no. 11, pp. 1358–1366, 2017.

A. R. C. Aloysius Adhyatma Herfangsyah1, Willy Sudiarto Raharjo2, “Analisis Faktor Optimasi untuk Data Warehouse dengan Data Tabungan pada Bank XYZ,” Jurnal Terapan Teknologi Informasi, vol. 4, no. 1, pp. 33–43, 2021, doi: 10.21460/jutei.2020.41.192.

J. Song, Y. Bao, and J. Shi, “A Triggering and scheduling approach for ETL in a real-time data warehouse,” Proceedings - 10th IEEE International Conference on Computer and Information Technology, CIT-2010, 7th IEEE International Conference on Embedded Software and Systems, ICESS-2010, ScalCom-2010, no. Cit, pp. 91–98, 2010, doi: 10.1109/CIT.2010.57.

Y. Zhu, E. Haihong, and M. Song, “A Scheduling System for Big Data Hybrid Computing Workflow,” Proceedings of the IEEE International Conference on Software Engineering and Service Sciences, ICSESS, vol. 2020-Octob, pp. 102–106, 2020, doi: 10.1109/ICSESS49938.2020.9237729.

I. Sokolov and I. Turkin, “Resource efficient data warehouse optimization,” Proceedings of 2018 IEEE 9th International Conference on Dependable Systems, Services and Technologies, DESSERT 2018, pp. 491–495, 2018, doi: 10.1109/DESSERT.2018.8409183.

W. H.Inmon, Building the Data Warehouse, vol. 62, no. 6. Wiley Publishing, Inc, 2005.