Konsep Basis Data Terdistribusi

Pengantar

Kekuatan pendorong utama di balik pengembangan sistem basis data adalah adanya keinginan untuk mengintegrasikan data operasional organisasi dan menyediakan akses terkontrol ke data ini.Sementara integrasi dan akses terkontrol mungkin menyiratkan sentralisasi, tetapi bukan itu maksudnya.

Memang, pertumbuhan jaringan komputer mempromosikan cara kerja yang terdesentralisasi. Pendekatan desentralisasi ini mencerminkan struktur organisasi beberapa perusahaan, yang secara logis dibagi menjadi divisi, departemen, proyek, dan lainnya. Dan secara fisik terbagi menjadi kantor-kantor, pabrik-pabrik, dll., di mana setiap unit menyimpan data operasionalnya sendiri. Pembagian data dan efisiensi akses data harus ditingkatkan dengan mengembangkan sistem basis data terdistribusi yang mencerminkan struktur organisasi ini, sehingga memungkinkan semua entitas mengakses data dan menyimpannya di lokasi terdekat yang paling sering mereka gunakan. Sistem basis data terdistribusi (DBMS terdistribusi) akan membantu memecahkan masalah pulau-pulau informasi. Basis data terkadang disebut sebagai pulau-pulau elektronik yang berbeda dan seringkali sulit dijangkau, seperti halnya pulau-pulau terpencil. Ini bisa jadi akibat pemisahan wilayah geografis, arsitektur komputer yang tidak kompatibel, protokol komunikasi yang tidak kompatibel, dll. Mengintegrasikan database ke dalam satu entitas logis dapat mencegah pemikiran semacam ini.

Apa itu text mining

Text mining adalah proses pengambilan informasi dari teks yang berasal dari berbagai sumber, seperti dokumen, artikel, email, dan lainnya. Text mining menggunakan teknik analisis data yang digabungkan dengan teknologi komputasi untuk mengekstrak informasi yang relevan dan berguna dari teks yang besar dan tidak terstruktur.

Text mining dapat digunakan untuk berbagai tujuan, seperti:

  • Klasifikasi teks: mengelompokkan teks menjadi kategori yang sesuai
  • Summarization: menyederhanakan teks dengan mengambil informasi yang esensial
  • Sentiment analysis: menentukan perasaan atau opini dari teks
  • Named entity recognition: mengekstrak entitas yang dikenal seperti nama orang, perusahaan, negara, dan lainnya
  • Relasi: menentukan relasi antara entitas dalam teks
  • Text mining juga digunakan dalam berbagai bidang, seperti bisnis, kesehatan, politik, dan ilmu sosial.

Perbedaan Statistik vs Statistika

 "Statistik" dan "Statistika" adalah istilah yang sering digunakan secara bersamaan, tetapi memiliki makna yang berbeda.

Contoh statistik (kiri) vs statistika (kanan)


Statistik adalah cabang matematika yang menangani pengumpulan, analisis, interpretasi, presentasi, dan pengambilan keputusan data. Statistik menyediakan metode dan teknik untuk mengumpulkan, menganalisis, dan menafsirkan data.

Statistika, di sisi lain, adalah aplikasi dari statistik. Statistika adalah proses menggunakan metode statistik untuk menyelesaikan masalah di berbagai bidang, seperti bisnis, ekonomi, ilmu sosial, kedokteran, dan teknologi. Statistika digunakan untuk mengambil keputusan yang bermakna dari data yang tersedia dan untuk mengkonfirmasi atau membantah hipotesis.

Secara umum, statistik adalah teori dasar yang digunakan dalam statistika, yang merupakan aplikasinya dalam dunia nyata.

Contoh Soal Full Joint Distribution dalam Bayesian Network

Berikut di bawah ini adalah contoh soal komputasi menggunakan full joint distribution dalam bayesian network



Contoh soal full joint distribution dalam bayesian network:

Pengertian Bayesian Network (Jaringan Bayesian)

Bayesian Network: Apa itu?

Bayesian network adalah jenis pemodelan grafis probabilistik yang menggunakan inferensi Bayesian untuk perhitungan probabilitas. Jaringan Bayesian bertujuan untuk memodelkan ketergantungan kondisional, dan oleh karena itu, dengan merepresentasikan ketergantungan bersyarat dalam grafik berarah. Melalui hubungan ini, seseorang dapat secara efisien melakukan inferensi pada variabel acak dalam grafik.

Bayesian network menggambarkan pola “sebab-akibat” dimana node mewakili variable yang terlibat di dalam kemungkinan kejadian tersebut.

Contoh Bayesian network
Bayesian Network adalah deskripsi lengkap sebuah domain. Notasi graph menyatakan conditional dependence (probability) dalam suatu domain yang terdiri dari node dan arc/edge. Node menyatakan sebuah random variable. Arc (directed edge) menyatakan hubungan kausal langsung (direct influence).

Teorema Bayes - Seri Kartun Probabilitas (3)

 Belajar Teorema Bayes dengan kartun

SARAN: 

Sebelum belajar Teorema Bayes menggunakan kartun di laman ini, dianjurkan sudah belajar tentang Probabilitas Bersyarat (Kondisional) di seri sebelumnya: Probabilitas Bersyarat (Kondisional) - Seri Kartun Probabilitas (2)

Teorema Bayes - 01

Probabilitas Bersyarat (Kondisional) - Seri Kartun Probabilitas (2)

 Belajar teori probabilitas bersyarat (kondisional) dengan kartun

SARAN: 

Sebelum belajar Probabilitas Bersyarat (Kondisional) menggunakan kartun di laman ini, dianjurkan sudah belajar tentang Probabilitas Dasar di seri sebelumnya: Probabilitas Dasar - Seri Kartun Probabilitas (1)

Probabilitas bersyarat (kondisional) - 01

Probabilitas Dasar - Seri Kartun Probabilitas (1)

 Belajar teori probabilitas dengan kartun

Probabilitas dasar - 01

Probabilitas dasar - 02


Pengertian Pengujian A/B (A/B Testing)

Pengujian A/B - Apa Itu

Salah satu cara untuk mengevaluasi situs web, bagian dari suatu situs web, aplikasi, atau aplikasi mobile adalah dengan melakukan eksperimen skala besar untuk mengevaluasi kinerja dua kelompok pengguna menggunakan dua desain yang berbeda—salah satunya akan berfungsi sebagai kontrol dan yang lainnya sebagai kondisi eksperimental, yaitu desain baru yang diuji. Pendekatan seperti ini dikenal sebagai pengujian A/B, dan pada dasarnya merupakan eksperimen terkontrol tetapi sering kali melibatkan ratusan atau ribuan peserta. Seperti halnya dalam desain eksperimental, "Studi Evaluasi: Dari Setting Terkontrol ke Setting Alami," pengujian A/B melibatkan desain eksperimental "antara subjek" di mana dua kelompok peserta yang serupa dipilih secara acak dari satu populasi pengguna yang besar, misalnya, dari pengguna media sosial seperti Twitter, Facebook, atau Instagram. Perbedaan utama antara pengujian A/B dan eksperimen adalah pada skalanya dan biasanya pengujian A/B dilakukan secara online.