Makalah Cloud Computing - Makalah
Manfaat Graf dalam Cloud Computing
Heri Fauzan - 13513028
Program Studi Teknik Informatika
Sekolah Teknik Elektro dan Informatika
Institut Teknologi Bandung, Jl. Ganesha 10 Bandung 40132, Indonesia
1
13513028@std.stei.itb.ac.id
Abstrak— Cloud Computing merupakan teknologi
menarik pada abad-21. Penggunaannya yang massif dalam
sharing data dan service dengan skala besar sangat
dibutuhkan saat ini. Dikarenakan peningkatan jumlah
pengguna komputer dan segala kompleksitasnya, kehadiran
Cloud Computing menjadikan banyak kemudahan dalam
banyak persoalan. Dalam makalah ini penulis ingin
menjelaskan penggunaan graf dalam Cloud Computing,
sehingga dapat mencontohkan penggunaan graf dalam
teknologi masa kini.
Index Terms—Cloud Computing, Graf Heterogen, Graf
Database.
I. PENDAHULUAN
A. Latar Belakang
Penulis mengambil topik ini dikarenakan ketertarikan
akan aplikasi graf yang begitu luas. Dalam makalah ini
penulis menghubungkan teori graf dengan teknologi yang
sedang berkembang yaitu Cloud Computing. Bukan tidak
mungkin suatu saat nanti, semua orang akan beralih
menggunakan Cloud Computing dikarenakan penggunaan
data yang sudah sangat besar dan biaya yang mahal untuk
membeli peralatan elektronik. Cloud Computing sangat
dibutuhkan untuk menghemat penyimpanan memori pada
peralatan komputer pribadi sehingga hanya perlu beberapa
server saja yang digunakan untuk penggunaan servis atau
data tertentu. Selain itu, Cloud Computing juga baik
dalam aksesibilitas dan mudah digunakan dimanapun.
Banyak teknologi pemrosesan dengan cara kerja
menggunakan graf yang dalam Cloud Computing seperti
model pemrograman Hadoop MapReduce dan HDFS
(Hadoop Distributed File Sistem) dan lainnya. Semua
pemodelan
Cloud
Computing
pada
umumnya
menggunakan graf, karena itu penulis memilih Cloud
Computing untuk disandingkan dengan graf. Banyak hal
seharusnya yang dapat dijabarkan lebih luas lagi mengenai
topik ini, karena waktu yang terbatas penulis tidak
membahas secara panjang lebar namun lebih singkat tapi
cukup mendetail.
B. Tujuan
Makalah ini dibuat untuk tujuan melengkapi tugas
akhir mata kuliah Matematika Diskrit serta untuk
menjabarkan beberapa aplikasi dan manfaat dari graf
dalam persoalan Cloud Computing. Penulis mencoba
mencoba menuliskan mengenai penggunaan graf dalam
aplikasi skala besar seperti Cloud Computing. Dengan
demikian akan terlihat hubungan jelas antara teori
matematika diskrit dengan aplikasi teknologi pada dunia
nyata abad ini.
II. TEORI DASAR
A. Definisi Graf
Graf merupakan gabungan antara beberapa sisi dan
beberapa simpul yang terhubung satu sama lain. Jumlah
simpul minimum pada graf adalah satu, dan jumlah sisi
minimum pada graf adalah nol. Graf (G) dapat diartikan
pula sebagai himpunan simpul(V) dengan sisi(E). Secara
matematis ditulis sebagai berikut:[1]
G= {V, E}
B. Definisi Graf Heterogen
Pertama-tama kita definisikan Graf Heterogen:
Misal V dapat dihitung sementara ZV and ZE adalah
jumlah dari simpul V dan jumlah dari sisi E. Graf
Heterogen dapat dinotasikan sebagai berikut:
G = (V;E;ZV ;ZE; lV ; lE)
V adalah himpunan simpul pada graf.
E adalah himpunan sisi berarah pada sebuah graf.[4]
Gambar 1. Graf Heterogen [4]
C. Pengenalan Dasar Cloud
Cloud merupakan teknologi yang digunakan untuk
penggunaan bersama atau parallel suatu layanan atau
data. Cloud terdiri dari puluhan komputer setiap ribuan
koneksi komputer. Salah satu perangkat lunak
pemrosesan cloud adalah Pregel, merupakan proyek
Makalah IF2120 Matematika Diskrit – Sem. I Tahun 2014/2015
google yang terinspirasi dari model BSP(Bulk
Sinchronous Parallel) yang digunakan untuk pemrosesan
graf skala besar. Pemrosesan pada cloud pada bab tiga
menggunakan Map Reduce yang digunakan untuk
melakukan partisi dan pemetaan hasil partisi.
HDFS(Hadoop Distributed File Sharing) digunakan
untuk pengaturan file/layanan dalam skala besar, bisa
berupa data besar dan lain sebagainya. Berikutnya adalah
Acacia yang merupakan sistem database graf
terdistribusi, dibuat untuk mengatur hibrida cloud.[2]
III. PENGGUNAAN GRAF DALAM CLOUD
A. Graf Topologi Perusahaan
Topology Graph/ETG)
(Enterprise
Graf Topologi Perusahaan (ETG) merupakan salahsatu
bentuk formal penggambaran sebuah Cloud yang
melingkupi seluruh sistem pada sebuah perusahaan. ETG
mencakup setiap entitas pada perusahaan IT hubungan
antar entitas secara fisik, logika, dan fungsi. [3]
Bentuk model konsep ETG dapat dilihat pada gambar
dibawah ini:
Gambar 2.Bentuk Model Konsep ETG[3]
Setiap ETG tersusun dari banyak entitas-entitas. Masingmasing entitas boleh terdiri atas beberapa propertiproperti sesuai dengan realitas. Sementara node dan edge
adalah berupa pohon yang didefinisikan secara global.
Contoh node dan edge:
Gambar 4.Contoh ETG: RDBMS[3]
B. Graf Heterogen dan Model Partisi Graf
Gambar 5.Sistem Arsitektur yang Digunakan[4]
Kita menggunakan Map Reduce dan HDFS untuk
mempartisi graf heterogen dan mengatur query
eksekusinya. Gambar empat merupakan sistem arsitektur
yang akan digunakan dalam partisi graf heterogen.
Bagian Graph Partitioner untuk mempartisi graf besar
yang diterima oleh HDFS yang kemudian akan dibagibagi menuju slave. Vertex Generator akan
mengembalikan vertex dari HDFS menggunakan Map
Reduce . Vertex Allocator akan mengalokasi pada slave
letak masing-masing vertex yang telah digenerasi. Mesin
Query Execution untuk mempercepat pemrosesan
query.Master nantinya akan memanggil slave yang yang
digunakan untuk mengintegrasi/menyatukan partisi-partisi
yang telah tersimpan pada slave saat dipanggil.
Gambar 3. Tipe Node dan Edge[3]
Segment adalah upagraf dari ETG yang berfungsi untuk
mengurangi kompleksitas algoritma yang akan
diimplementasikan.
Berikut adalah contoh ETG yaitu RDBMS(Relational
Database Mangement Sistem).
Makalah IF2120 Matematika Diskrit – Sem. I Tahun 2014/2015
Gambar 6. Penyatuan dua buah vertex hasil partisi[4]
Dua buah vertex jika dipanggil akan digabung oleh
master seperti pada gambar di atas. Sebelah kiri
merupakan partisi yang ada pada slave dan sebelah kanan
merupakan hasil kombinasi vertex dari kedua slave.
Sementara itu propagasi atau lebih dikenal dengan
iteratif propagasi mengirimkan informasi masing-masing
vertex ke sisi tetangga secara iteratif. Propagasi terdiri
dari dua buah fungsi yaitu fungsi transfer dan combine: [6]
C. Pemrosesan Graf Skala Luas dalam Cloud
Pada pemrosesan graf skala luas ada dua cara
pemrosesan yaitu dengan Map Reduce dan Propagasi.
Ada dua langkah yang dilakukan pada iteratif propagasi
: [6]
1. Transfer: Pemanggilan fungsi transfer pada setiap
vertex dan sisi tetangganya. Setelah itu
mengembalkan hasil menengah.
2. Kombinasi: Fungsi combine dipanggil ketika hasil
menengah telah didapatkan.
Algoritma implementasi Propagasi dalam partisi graf
adalah sebagai berikut: [6]
Gambar 7.Partisi Graf dalam Map Reduce[6]
Seperti pada gambar di atas, cara kerja Map Reduce
adalah dengan membagi-bagi graf menjadi beberapa
bagian, yang masing-masing bagian itu akan disimpan
pada slave. Partisi secara optimal dilakukan secara
membagi menjadi dua bagian setiap bagiannya.
D. Mesin Database Graf Terdistribusi
Sistem yang digunakan pada bagian ini adalah
Acacia. Selain Acacia ada juga Trinity yang memiliki
fungsi dasar yang sama dengan Acasia, namun memiliki
bisa digunakan juga dalam Graf skala besar. Acacia
merupakan perangkat lunak mesin database yang sering
digunakan secara luas.
Gambar 7. Metode pemataan(mapping) Map Reduce[6]
Algoritma implementasi Map Reduce dalam partisi graf
adalah sebagai berikut: [6]
Makalah IF2120 Matematika Diskrit – Sem. I Tahun 2014/2015
Gambaran umum Acacia dapat dilihat pada gambar
berikut:
Gambar 8. Gambaran Umum Acacia[5]
Acacia pertama-tama mempartisi graf menjadi
sebanyak n worker. Setiap worker berdiri sendiri /
independent, tidak melakukan pendistribuasian graf.
Hanya Master yang melakukan partisi graf dan
mendistribusikannya menjadi beberapa bagian yang
disimpan oleh worker. Untuk pempartisi graf digunakn
METIS. Struktur Arsitektur Acacia adalah sebagai
berikut:
Gambar 10.Komponen Acacia[5]
Komponen utama Acacia terdiri dari Master dan
Worker. Front end merupakan GUI yang digunakan pada
master saat pengelolaan Database. Perintah master akan
diterjemahkan dengan graf algoritma yang ada pada
worker, seperti perintah menghapus graf, menambah graf ,
pembentukan upagraf , penempatan upagraf dan lain-lain.
Berikut adalah salah satu contoh algoritma
penempatan upagraf: [5]
Gambar 9.Struktur Arsitektur Acacia[5]
HSQLDB (Hadoop SQL Database) digunakan untuk
menjalankan semua operasional database yang
dilaksanakan pada Acacia. Kendali Instansi pada Cloud
Publik direpresentasikan oleh Java Virtual Machine
(JVM). JVM ini nantinya akan digunakan jika dibutuhkan.
Metis dan Hadoop secara bersamaan menggantikan fungsi
Map Reduce yang sebelumnya kita gunakan.
Makalah IF2120 Matematika Diskrit – Sem. I Tahun 2014/2015
V. KESIMPULAN
Graf dapat diaplikasikan dalam berbagai bidang
terutama pada bidang teknologi informasi. Penggunaan
graf banyak digunakan pada sistem-sistem yang
menyangkut jaringan seperti Cloud. Banyak bagian dari
Cloud yang dapat dijabarkan dengan graf, bahkan metode
pemrosesan dat pada Cloud juga menggunakan graf.
SUMBER
[1]
[2]
[3]
[4]
[5]
[6]
Munir, Rinaldi. 2005. Matematika Diskrit. Bandung: Penerbit
Informatika.
https://net.educause.edu/ir/library/pdf/EST0902.pdf
Diakses pada 10 Desember 2014.
Binz, Tobias dkk. 2012. Formalizing the Cloud trough Enterprise
Topology Graph . Stuttgart: IAAS Universitat of Stuttgart.
K.Lee , “Efficient Data Partitioning Model for Heterogeneous
Graphs in the Cloud,” IEEE Graph Partitioning., submitted for
publication.
Dayarathna, “Toward Scalable Ditributed Graph Database Engine
for Hybrid Clouds, ”NTU Data Cloud., submitted for publication.
Rischen Chen,“Improving Large Graph Processing on Prtitioned
Graph in the Cloud”.
PERNYATAAN
Dengan ini saya menyatakan bahwa makalah yang saya
tulis ini adalah tulisan saya sendiri, bukan saduran, atau
terjemahan dari makalah orang lain, dan bukan plagiasi.
Bandung, 27 November 2014
Heri Fauzan , 13513028
Makalah IF2120 Matematika Diskrit – Sem. I Tahun 2014/2015
Heri Fauzan - 13513028
Program Studi Teknik Informatika
Sekolah Teknik Elektro dan Informatika
Institut Teknologi Bandung, Jl. Ganesha 10 Bandung 40132, Indonesia
1
13513028@std.stei.itb.ac.id
Abstrak— Cloud Computing merupakan teknologi
menarik pada abad-21. Penggunaannya yang massif dalam
sharing data dan service dengan skala besar sangat
dibutuhkan saat ini. Dikarenakan peningkatan jumlah
pengguna komputer dan segala kompleksitasnya, kehadiran
Cloud Computing menjadikan banyak kemudahan dalam
banyak persoalan. Dalam makalah ini penulis ingin
menjelaskan penggunaan graf dalam Cloud Computing,
sehingga dapat mencontohkan penggunaan graf dalam
teknologi masa kini.
Index Terms—Cloud Computing, Graf Heterogen, Graf
Database.
I. PENDAHULUAN
A. Latar Belakang
Penulis mengambil topik ini dikarenakan ketertarikan
akan aplikasi graf yang begitu luas. Dalam makalah ini
penulis menghubungkan teori graf dengan teknologi yang
sedang berkembang yaitu Cloud Computing. Bukan tidak
mungkin suatu saat nanti, semua orang akan beralih
menggunakan Cloud Computing dikarenakan penggunaan
data yang sudah sangat besar dan biaya yang mahal untuk
membeli peralatan elektronik. Cloud Computing sangat
dibutuhkan untuk menghemat penyimpanan memori pada
peralatan komputer pribadi sehingga hanya perlu beberapa
server saja yang digunakan untuk penggunaan servis atau
data tertentu. Selain itu, Cloud Computing juga baik
dalam aksesibilitas dan mudah digunakan dimanapun.
Banyak teknologi pemrosesan dengan cara kerja
menggunakan graf yang dalam Cloud Computing seperti
model pemrograman Hadoop MapReduce dan HDFS
(Hadoop Distributed File Sistem) dan lainnya. Semua
pemodelan
Cloud
Computing
pada
umumnya
menggunakan graf, karena itu penulis memilih Cloud
Computing untuk disandingkan dengan graf. Banyak hal
seharusnya yang dapat dijabarkan lebih luas lagi mengenai
topik ini, karena waktu yang terbatas penulis tidak
membahas secara panjang lebar namun lebih singkat tapi
cukup mendetail.
B. Tujuan
Makalah ini dibuat untuk tujuan melengkapi tugas
akhir mata kuliah Matematika Diskrit serta untuk
menjabarkan beberapa aplikasi dan manfaat dari graf
dalam persoalan Cloud Computing. Penulis mencoba
mencoba menuliskan mengenai penggunaan graf dalam
aplikasi skala besar seperti Cloud Computing. Dengan
demikian akan terlihat hubungan jelas antara teori
matematika diskrit dengan aplikasi teknologi pada dunia
nyata abad ini.
II. TEORI DASAR
A. Definisi Graf
Graf merupakan gabungan antara beberapa sisi dan
beberapa simpul yang terhubung satu sama lain. Jumlah
simpul minimum pada graf adalah satu, dan jumlah sisi
minimum pada graf adalah nol. Graf (G) dapat diartikan
pula sebagai himpunan simpul(V) dengan sisi(E). Secara
matematis ditulis sebagai berikut:[1]
G= {V, E}
B. Definisi Graf Heterogen
Pertama-tama kita definisikan Graf Heterogen:
Misal V dapat dihitung sementara ZV and ZE adalah
jumlah dari simpul V dan jumlah dari sisi E. Graf
Heterogen dapat dinotasikan sebagai berikut:
G = (V;E;ZV ;ZE; lV ; lE)
V adalah himpunan simpul pada graf.
E adalah himpunan sisi berarah pada sebuah graf.[4]
Gambar 1. Graf Heterogen [4]
C. Pengenalan Dasar Cloud
Cloud merupakan teknologi yang digunakan untuk
penggunaan bersama atau parallel suatu layanan atau
data. Cloud terdiri dari puluhan komputer setiap ribuan
koneksi komputer. Salah satu perangkat lunak
pemrosesan cloud adalah Pregel, merupakan proyek
Makalah IF2120 Matematika Diskrit – Sem. I Tahun 2014/2015
google yang terinspirasi dari model BSP(Bulk
Sinchronous Parallel) yang digunakan untuk pemrosesan
graf skala besar. Pemrosesan pada cloud pada bab tiga
menggunakan Map Reduce yang digunakan untuk
melakukan partisi dan pemetaan hasil partisi.
HDFS(Hadoop Distributed File Sharing) digunakan
untuk pengaturan file/layanan dalam skala besar, bisa
berupa data besar dan lain sebagainya. Berikutnya adalah
Acacia yang merupakan sistem database graf
terdistribusi, dibuat untuk mengatur hibrida cloud.[2]
III. PENGGUNAAN GRAF DALAM CLOUD
A. Graf Topologi Perusahaan
Topology Graph/ETG)
(Enterprise
Graf Topologi Perusahaan (ETG) merupakan salahsatu
bentuk formal penggambaran sebuah Cloud yang
melingkupi seluruh sistem pada sebuah perusahaan. ETG
mencakup setiap entitas pada perusahaan IT hubungan
antar entitas secara fisik, logika, dan fungsi. [3]
Bentuk model konsep ETG dapat dilihat pada gambar
dibawah ini:
Gambar 2.Bentuk Model Konsep ETG[3]
Setiap ETG tersusun dari banyak entitas-entitas. Masingmasing entitas boleh terdiri atas beberapa propertiproperti sesuai dengan realitas. Sementara node dan edge
adalah berupa pohon yang didefinisikan secara global.
Contoh node dan edge:
Gambar 4.Contoh ETG: RDBMS[3]
B. Graf Heterogen dan Model Partisi Graf
Gambar 5.Sistem Arsitektur yang Digunakan[4]
Kita menggunakan Map Reduce dan HDFS untuk
mempartisi graf heterogen dan mengatur query
eksekusinya. Gambar empat merupakan sistem arsitektur
yang akan digunakan dalam partisi graf heterogen.
Bagian Graph Partitioner untuk mempartisi graf besar
yang diterima oleh HDFS yang kemudian akan dibagibagi menuju slave. Vertex Generator akan
mengembalikan vertex dari HDFS menggunakan Map
Reduce . Vertex Allocator akan mengalokasi pada slave
letak masing-masing vertex yang telah digenerasi. Mesin
Query Execution untuk mempercepat pemrosesan
query.Master nantinya akan memanggil slave yang yang
digunakan untuk mengintegrasi/menyatukan partisi-partisi
yang telah tersimpan pada slave saat dipanggil.
Gambar 3. Tipe Node dan Edge[3]
Segment adalah upagraf dari ETG yang berfungsi untuk
mengurangi kompleksitas algoritma yang akan
diimplementasikan.
Berikut adalah contoh ETG yaitu RDBMS(Relational
Database Mangement Sistem).
Makalah IF2120 Matematika Diskrit – Sem. I Tahun 2014/2015
Gambar 6. Penyatuan dua buah vertex hasil partisi[4]
Dua buah vertex jika dipanggil akan digabung oleh
master seperti pada gambar di atas. Sebelah kiri
merupakan partisi yang ada pada slave dan sebelah kanan
merupakan hasil kombinasi vertex dari kedua slave.
Sementara itu propagasi atau lebih dikenal dengan
iteratif propagasi mengirimkan informasi masing-masing
vertex ke sisi tetangga secara iteratif. Propagasi terdiri
dari dua buah fungsi yaitu fungsi transfer dan combine: [6]
C. Pemrosesan Graf Skala Luas dalam Cloud
Pada pemrosesan graf skala luas ada dua cara
pemrosesan yaitu dengan Map Reduce dan Propagasi.
Ada dua langkah yang dilakukan pada iteratif propagasi
: [6]
1. Transfer: Pemanggilan fungsi transfer pada setiap
vertex dan sisi tetangganya. Setelah itu
mengembalkan hasil menengah.
2. Kombinasi: Fungsi combine dipanggil ketika hasil
menengah telah didapatkan.
Algoritma implementasi Propagasi dalam partisi graf
adalah sebagai berikut: [6]
Gambar 7.Partisi Graf dalam Map Reduce[6]
Seperti pada gambar di atas, cara kerja Map Reduce
adalah dengan membagi-bagi graf menjadi beberapa
bagian, yang masing-masing bagian itu akan disimpan
pada slave. Partisi secara optimal dilakukan secara
membagi menjadi dua bagian setiap bagiannya.
D. Mesin Database Graf Terdistribusi
Sistem yang digunakan pada bagian ini adalah
Acacia. Selain Acacia ada juga Trinity yang memiliki
fungsi dasar yang sama dengan Acasia, namun memiliki
bisa digunakan juga dalam Graf skala besar. Acacia
merupakan perangkat lunak mesin database yang sering
digunakan secara luas.
Gambar 7. Metode pemataan(mapping) Map Reduce[6]
Algoritma implementasi Map Reduce dalam partisi graf
adalah sebagai berikut: [6]
Makalah IF2120 Matematika Diskrit – Sem. I Tahun 2014/2015
Gambaran umum Acacia dapat dilihat pada gambar
berikut:
Gambar 8. Gambaran Umum Acacia[5]
Acacia pertama-tama mempartisi graf menjadi
sebanyak n worker. Setiap worker berdiri sendiri /
independent, tidak melakukan pendistribuasian graf.
Hanya Master yang melakukan partisi graf dan
mendistribusikannya menjadi beberapa bagian yang
disimpan oleh worker. Untuk pempartisi graf digunakn
METIS. Struktur Arsitektur Acacia adalah sebagai
berikut:
Gambar 10.Komponen Acacia[5]
Komponen utama Acacia terdiri dari Master dan
Worker. Front end merupakan GUI yang digunakan pada
master saat pengelolaan Database. Perintah master akan
diterjemahkan dengan graf algoritma yang ada pada
worker, seperti perintah menghapus graf, menambah graf ,
pembentukan upagraf , penempatan upagraf dan lain-lain.
Berikut adalah salah satu contoh algoritma
penempatan upagraf: [5]
Gambar 9.Struktur Arsitektur Acacia[5]
HSQLDB (Hadoop SQL Database) digunakan untuk
menjalankan semua operasional database yang
dilaksanakan pada Acacia. Kendali Instansi pada Cloud
Publik direpresentasikan oleh Java Virtual Machine
(JVM). JVM ini nantinya akan digunakan jika dibutuhkan.
Metis dan Hadoop secara bersamaan menggantikan fungsi
Map Reduce yang sebelumnya kita gunakan.
Makalah IF2120 Matematika Diskrit – Sem. I Tahun 2014/2015
V. KESIMPULAN
Graf dapat diaplikasikan dalam berbagai bidang
terutama pada bidang teknologi informasi. Penggunaan
graf banyak digunakan pada sistem-sistem yang
menyangkut jaringan seperti Cloud. Banyak bagian dari
Cloud yang dapat dijabarkan dengan graf, bahkan metode
pemrosesan dat pada Cloud juga menggunakan graf.
SUMBER
[1]
[2]
[3]
[4]
[5]
[6]
Munir, Rinaldi. 2005. Matematika Diskrit. Bandung: Penerbit
Informatika.
https://net.educause.edu/ir/library/pdf/EST0902.pdf
Diakses pada 10 Desember 2014.
Binz, Tobias dkk. 2012. Formalizing the Cloud trough Enterprise
Topology Graph . Stuttgart: IAAS Universitat of Stuttgart.
K.Lee , “Efficient Data Partitioning Model for Heterogeneous
Graphs in the Cloud,” IEEE Graph Partitioning., submitted for
publication.
Dayarathna, “Toward Scalable Ditributed Graph Database Engine
for Hybrid Clouds, ”NTU Data Cloud., submitted for publication.
Rischen Chen,“Improving Large Graph Processing on Prtitioned
Graph in the Cloud”.
PERNYATAAN
Dengan ini saya menyatakan bahwa makalah yang saya
tulis ini adalah tulisan saya sendiri, bukan saduran, atau
terjemahan dari makalah orang lain, dan bukan plagiasi.
Bandung, 27 November 2014
Heri Fauzan , 13513028
Makalah IF2120 Matematika Diskrit – Sem. I Tahun 2014/2015