3D TEKNOLOGI

1. CAMERA TRICKING

Camera Tracking adalah sebuah teknik penyesuaian camera virtual didalam adobe after effects yang nantinya camera virtual tersebut akan merepresentasikan segala gerak gerik kamera asli.  dan Text Compositing merupakan sebuah teknik mudah dimana kita akan menambahkan text dinamis yang seolah olah text tersebut berada di dalam scene dan mengikut segala movement scene.

Dari Tutorial ini beberapa Kompetensi yang bisa kita pelajari :

1. Camera Tracker After Effects CS 6 atau diatasnya.
2. Effects – Linear Wipe
3. Basic – Text Compositing

2. AUGMENTED REALITY

Realitas tertambah, atau kadang dikenal dengan singkatan bahasa Inggrisnya AR (augmented reality), adalah teknologi yang menggabungkan benda maya dua dimensi dan ataupun tiga dimensi ke dalam sebuah lingkungan nyata tiga dimensi lalu memproyeksikan benda-benda maya tersebut dalam waktu nyata.^[1] Tidak seperti realitas maya yang sepenuhnya menggantikan kenyataan, realitas tertambah sekadar menambahkan atau melengkapi kenyataan.^[2][3]

Benda-benda maya menampilkan informasi yang tidak dapat diterima oleh pengguna dengan inderanya sendiri. Hal ini membuat realitas tertambah sesuai sebagai alat untuk membantu persepsi dan interaksi penggunanya dengan dunia nyata. Informasi yang ditampilkan oleh benda maya membantu pengguna melaksanakan kegiatan-kegiatan dalam dunia nyata.

Realitas tertambah dapat diaplikasikan untuk semua indera, termasuk pendengaran^[4][5], sentuhan, dan penciuman. Selain digunakan dalam bidang-bidang seperti kesehatan, militer, industri manufaktur, realitas tertambah juga telah diaplikasikan dalam perangkat-perangkat yang digunakan orang banyak, seperti pada telepon genggam.

SUMBER : 

1. http://www.vectroid.net/tutorial/after-effects/text-compositing-camera-tracking

2. https://id.wikipedia.org/wiki/Realitas_tertambah

DATA MINING

1. Definisi Data Mining

Data mining (Connolly dan Begg, 2010) adalah suatu proses ekstraksi atau penggalian data yang belum diketahui sebelumnya, namun dapat dipahami dan berguna dari database yang besar serta digunakan untuk membuat suatu keputusan bisnis yang sangat penting.

Data mining (Segall et.all, 2008) biasa juga disebut dengan “Data atau knowledge discovery” atau menemukan pola tersembunyi pada data. Data mining adalah proses dari menganalisa data dari prespektif yang berbeda dan menyimpulkannya ke dalam informasi yang berguna.

Data mining (Han dan Kamber, 2006 : 5) didefinisikan sebagai proses mengekstrak atau menambang pengetahuan yang dibutuhkan dari sejumlah data besar.

Pada prosesnya data mining akan mengekstrak informasi yang berharga dengan cara menganalisis adanya pola-pola ataupun hubungan keterkaitan tertentu dari data-data yang berukuran besar. Data mining berkaitan dengan bidang ilmu-ilmu lain, seperti Database System, Data Warehousing, Statistic, Machine Learning, Information Retrieval, dan Komputasi Tingkat Tinggi. Selain itu data mining didukung oleh ilmu lain seperti Neural Network, Pengenalan Pola, Spatial Data Analysis, Image Database, Signal Processing.

Beberapa survey tentang proses pemodelan dan metodologi menyatakan bahwa, “Data mining digunakan sebagai penunjuk, dimana data mining menyajikan intisari atas sejarah, deskripsi dan sebagai standar petunjuk mengenai masa depan dari sebuah proses model data mining”(Mariscal, Marba’n dan Ferna’ndes, 2010)

Karakteristik data mining sebagai berikut:

a. Data mining berhubungan dengan penemuan sesuatu yang tersembunyi dan pola data tertentu yang tidak diketahui sebelumnya.

b. Data mining biasa menggunakan data yang sangat besar. Biasanya data yang besar digunakan untuk membuat hasil lebih dapat dipercaya.

c. Data mining berguna untuk membuat keputusan kritis.

Berdasarkan beberapa pengertian tersebut dapat ditarik kesimpulan bahwa Data Mining adalah suatu teknik menggali informasi berharga yang terpendam atau tersembunyi pada suatu koleksi data (database) yang sangat besar sehingga ditemukan suatu pola yang menarik yang sebelumnya tidak diketahui.

2. Fungsi Data Mining

Teknik – teknik data mining telah digunakan untuk menemukan pola yang tersembunyi dan meprediksi tren masa depan. Dan keuntungan kompetitif dari data mining termasuk dengan meningkatnya pendapatan, berkurangnya pengeluaran, dan kemampuan pemasaran yang meningkat. (Pujari et. All, 2012)

Data mining dibagi menjadi dua kategori utama (Han dan Kamber, 2006 : 21- 29) yaitu:

A. Prediktif

Tujuan dari tugas prediktif adalah untuk memprediksi nilai dari atribut tertentu berdasarkan pada nilai atribut-atribut lain. Atribut yang diprediksi umumnya dikenal sebagai target atau variable tak bebas, sedangkan atribut-atribut yang digunakan untuk membuat prediksi dikenal sebagai explanatory atau variable bebas.

B. Deskriptif

Tujuan dari tugas deskriptif adalah untuk menurunkan pola-pola (korelasi, trend, cluster, teritori, dan anomali) yang meringkas hubungan yang pokok dalam data. Tugas data mining deskriptif sering merupakan penyelidikan dan seringkali memerlukan teknik post-processing untuk validasi dan penjelasan hasil.

Fungsi dari data mining juga ada dalam dunia kesehatan, dimana data mining telah digunakan untuk untuk meningkatkan diagnosis dan pengobatan atau lebih mengerti perilaku dari pasien. (Sandra et all, 2009)

Data mining juga memiliki beberapa fungsionalitas yaitu Concept/Class Description: Characterization and Discrimination, Mining Frequent Patterns, Associations, and Correlations, Classification and Prediction, Cluster Analysis, Outlier analysis, dan Evolution analysis. (Han dan Kamber, 2006 : 21 – 27)

Berikut adalah penjelasan dari masing-masing fungsi diatas:

1. Concept/Class Description: Characterization and Discrimination

Data characterization adalah ringkasan dari semua karakteristik atau fitur dari data yang telah diperoleh dari target kelas. Data yang sesuai dengan kelas yang telah ditentukan oleh pengguna biasanya dikumpulkan di dalam database. Misalnya, untuk mempelajari karakteristik produk perangkat lunak dimana pada tahun lalu seluruh penjualan telah meningkat sebesar 10%, data yang terkait dengan produk-produk tersebut dapat dikumpulkan dengan menjalankan sebuah query SQL. Sedangkan, data discrimination adalah perbandingan antara fitur umum objek data target kelas dengan fitur umum objek dari satu atau satu set kelas lainnya. target diambil melalui query database. Misalnya, pengguna mungkin ingin membandingkan fitur umum dari produk perangkat lunak yang pada tahun lalu penjualannya meningkat sebesar 10% tetapi selama periode yang sama seluruh penjualan juga menurun setidaknya 30%.

2. Mining Frequent Patterns, Associations, and Correlations

Frequent Patterns adalah pola yang sering terjadi di dalam data. Ada banyak jenis dari frequent patterns, termasuk di dalamnya pola, sekelompok item set, sub-sequence, dan sub-struktur. Sebuah frequent patterns biasanya mengacu pada satu set item yang sering muncul bersama-sama dalam suatu kumpulan data transaksional, misalnya seperti susu dan roti.

Associations Analysis adalah pencarian aturan-aturan asosiasi yang menunjukan kondisi-kondisi nilai atribut yang sering terjadi bersama-sama dalam sekumpulan data. Analisis asosiasi sering digunakan untuk menganalisa Market Basket Analysis dan data transaksi.

3. Classification and Prediction

Klasifikasi adalah proses untuk menemukan model atau fungsi yang menggambarkan dan membedakan kelas data atau konsep dengan tujuan memprediksikan kelas untuk data yang tidak diketahui kelasnya. Model yang diturunkan didasarkan pada analisis dari training data (yaitu objek data yang memiliki label kelas yang diketahui). Model yang diturunkan dapat direpresentasikan dalam berbagai bentuk seperti If-then klasifikasi, decision tree, dan sebagainya.

Teknik classification bekerja dengan mengelompokkan data berdasarkan data training dan nilai atribut klasifikasi. Aturan pengelompokan tersebut akan digunakan untuk klasifikasi data baru ke dalam kelompok yang ada. Classification dapat direpresentasikan dalam bentuk pohon keputusan (decision tree). Setiap node dalam pohon keputusan menyatakan suatu tes terhadap atribut dataset, sedangkan setiap cabang menyatakan hasil dari tes tersebut. Pohon keputusan yang terbentuk dapat diterjemahkan menjadi sekumpulan aturan dalam bentuk IF condition THEN outcome. (Mewati Ayub, 2007 : 7).

Dalam banyak kasus, pengguna ingin memprediksikan nilai-nilai data yang tidak tersedia atau hilang (bukan label dari kelas). Dalam kasus ini nilai data yang akan diprediksi merupakan data numeric. Disamping itu, prediksi lebih menekankan pada identifikasi trend dari distribusi berdasarkan data yang tersedia.

4. Cluster Analysis

Cluster adalah kumpulan objek data yang mirip satu sama lain dalam kelompok yang sama dan berbeda dengan objek data di kelompok lain. Sedangkan, Clustering atau Analisis Custer adalah proses pengelompokkan satu set benda-benda fisik atau abstrak kedalam kelas objek yang sama. Tujuannya adalah untuk menghasilkan pengelompokan objek yang mirip satu sama lain dalam kelompok-kelompok. Semakin besar kemiripan objek dalam suatu cluster dan semakin besar perbedaan tiap cluster maka kualitas analisis cluster semakin baik.

1. Outlier analysis

Outlier merupakan objek data yang tidak mengikuti perilaku umum dari data. Outlier dianggap sebagai noise atau pengecualian. Analisis data outlier dapat dianggap sebagai noise atau pengecualian. Analisis data outlier dinamakan Outlier Mining. Teknik ini berguna dalam fraud detection dan rare events analysis.

2. Evolution analysis

Analisis evolusi data menjelaskan dan memodelkan trend dari objek yang memiliki perilaku yang berubah setiap waktu. Teknik ini dapat meliputi karakterisasi, diskriminasi, asosiasi, klasifikasi, atau clustering dari data yang berkaitan dengan waktu.

3. Tujuan Data Mining

Tujuan dari data mining (Hoffer, Prescott, dan McFadden, 2007) adalah:

1. Explanatory

Untuk menjelaskan beberapa kondisi penelitian, seperti mengapa penjualan truk pick-up meningkat di Colorado.

2. Confirmatory

Untuk mempertegas hipotesis, seperti halnya dua kali pendapatan keluarga lebih suka dipakai untuk membeli peralatan keluarga dibandingkan dengan satu kali pendapatan keluarga.

3. Exploratory

Untuk menganalisa data yang memiliki hubungan yang baru. Misalnya, pola apa yang cocok untuk kasus penggelapan kartu kredit.

Proses Data Mining

Tujuan dari data mining itu sendiri adalah mencari data pada sebuah database / data warehouse, yang dapat meramalkan prosepek masa depan . Jika anda belum memahami konsep data mining klik disini.. Jika anda telah mengerti , tentunya anda akan bertanya bagaimanakah proses kerja data mining itu dan cara kerjanya ?. Jawabannya dapat anda dapatkan di Blog kami.

Proses Data Mining

Karena DM adalah suatu rangkaian proses, DM dapat dibagi menjadi beberapa tahap yang diilustrasikan pada gambar diatas :

1. Pembersihan data (untuk membuang data yang tidak konsisten dan noise)
2. Integrasi data (penggabungan data dari beberapa sumber)
3. Transformasi data (data diubah menjadi bentuk yang sesuai untuk di-mining)
4. Aplikasi teknik DM
5. Evaluasi pola yang ditemukan (untuk menemukan yang menarik/bernilai)
6. Presentasi pengetahuan (dengan teknik visualisasi)

Tahap-tahap diatas, bersifat interaktif di mana pemakai terlibat langsung atau dengan perantaraan knowledge base.

Knowledge Discovery and Data Mining(KDD) adalah proses yang dibantu oleh komputer untuk menggali dan menganalisis sejumlah besar himpunan data dan mengekstrak informasi dan pengetahuan yang berguna. Data mining tools memperkirakan perilaku dan tren masa depan, memungkinkan bisnis untuk membuat keputusan yang proaktif dan berdasarkan pengetahuan. Data mining tools mampu menjawab permasalahan bisnis yang secara tradisional terlalu lama untuk diselesaikan. Data mining tools menjelajah database untuk mencari pola tersembunyi, menemukan infomasi yang prediktif yang mungkin dilewatkan para pakar karena berada di luar ekspektasi mereka.

Proses dalam KDD adalah proses yang digambarkan pada dan terdiri dari rangkaian proses iteratif sebagai berikut:

1. Data cleaning, menghilangkan noise dan data yang inkonsisten.
2. Data integration, menggabungkan data dari berbagai sumber data yang berbeda
3. Data selection, mengambil data yang relevan dengan tugas analisis dari database
4. Data transformation, Mentransformasi atau menggabungkan data ke dalam bentuk yang sesuai untuk penggalian lewat operasi summary atau aggregation.
5. Data mining, proses esensial untuk mengekstrak pola dari data dengan metode cerdas.
6. Pattern evaluation, mengidentifikasikan pola yang menarik dan merepresentasikan pengetahuan berdasarkan interestingness measures.
7. Knowledge presentation, penyajian pengetahuan yang digali kepada pengguna dengan menggunakan visualisasi dan teknik representasi pengetahuan.

IMPLEMENTASI DATA MINING

Sebagai cabang ilmu baru di bidang komputer (lihat artikel sebelumnya berjudul ‘Data Mining’) cukup banyak penerapan yang dapat dilakukann oleh Data Mining. Apalagi ditunjang ke-kaya-an dan ke-anekaragam-an berbagai bidang ilmu (artificial intelligence, database, statistik, pemodelan matematika, pengolahan citra dsb.) membuat penerapan data miningmenjadi makin luas. Di bidang apa saja penerapan data mining dapat dilakukan? Artikel singkat ini berusaha memberikan jawabannya.

Analisa Pasar dan Manajemen

Untuk analisa pasar, banyak sekali sumber data yang dapat digunakan seperti transaksi kartu kredit, kartu anggota club tertentu, kupon diskon, keluhan pembeli, ditambah dengan studi tentang gaya hidup publik.

Beberapa solusi yang bisa diselesaikan dengan data mining diantaranya:

• Menembak target pasar

Data mining dapat melakukan pengelompokan (clustering) dari model-model pembeli dan melakukan klasifikasi terhadap setiap pembeli sesuai dengan karakteristik yang diinginkan seperti kesukaan yang sama, tingkat penghasilan yang sama, kebiasaan membeli dan karakteristik lainnya.

• Melihat pola beli pemakai dari waktu ke waktu

Data mining dapat digunakan untuk melihat pola beli seseorang dari waktu ke waktu. Sebagai contoh, ketika seseorang menikah bisa saja dia kemudian memutuskan pindah dari single account ke joint account(rekening bersama) dan kemudian setelah itu pola beli-nya berbeda dengan ketika dia masih bujangan.

• Cross-Market Analysis

Kita dapat memanfaatkan data mining untuk melihat hubungan antara penjualan satu produk dengan produk lainnya. Berikut ini saya sajikan beberapa contoh:

• • Cari pola penjualan Coca Cola sedemikian rupa sehingga kita dapat mengetahui barang apa sajakah yang harus kita sediakan untuk meningkatkan penjualan Coca Cola?
  • Cari pola penjualan IndoMie sedemikian rupa sehingga kita dapat mengetahui barang apa saja yang juga dibeli oleh pembeli IndoMie. Dengan demikian kita bisa mengetahui dampak jika kita tidak lagi menjual IndoMie.
  • Cari pola penjualan
• Profil Customer

Data mining dapat membantu Anda untuk melihat profilcustomer/pembeli/nasabah sehingga kita dapat mengetahui kelompokcustomer tertentu suka membeli produk apa saja.

• Identifikasi Kebutuhan Customer

Anda dapat mengidentifikasi produk-produk apa saja yang terbaik untuk tiap kelompok customer dan menyusun faktor-faktor apa saja yang kira-kira dapat menarik customer baru untuk bergabung/membeli.

• Menilai Loyalitas Customer

VISA International Spanyol menggunakan data mining untuk melihat kesuksesan program-program customer loyalty mereka. Anda bisa lihat di www.visa.es/ingles/info/300300.html

• Informasi Summary

Anda juga dapat memanfaatkan data mining untuk membuat laporansummary yang bersifat multi-dimensi dan dilengkapi dengan informasi statistik lainnya.

sumber :

1. http://globallavebookx.blogspot.co.id/2015/01/pengertian-definisi-dan-fungsi-data.html

2. https://pobersonaibaho.wordpress.com/2011/05/15/definisi-data-mining-tugas-utama-data-mining-proses-dan-cara-kerja-data-miningmetodologi-data-mining/

3. https://eliamogot.wordpress.com/2010/06/05/data-mining/

INTERNET OF THINGS

1. DEFINISI SISTEM PENGENDALIAN (MANAGE)

SPM adalah Suatu alat dari alat-alat lainya untuk mengimplementasikan strategi yang berfungsi untuk memotivasi anggota-anggota organisasi guna mencapai tujuan organisasi

*
Definisi lain :

*
SPM adalah Perolehan dan penggunaan informasi untuk membantu mengkoordinasikan proses pembuatan perencanaan dan pembuatan keputusan melalui organisasi dan utnuk memandu perilaku manajemen

Proses Hubungan Atasan dalam Pengendalian Manajemen :

1. Komunikasi à Agar bawahan bertindak secara efektif, maka mereka harus tahu apa yang harus dikerjakan
2. Motivasi à Bawahan diberi motivasi untuk menyelesaikan tugasnya
3. Evaluasi à Efisien dan efektifnya bawahan dalam melakukan tugasnya harus dievaluasi oleh manajer

Metodologi Pengendalian manajemen :

1. Menentukan tujuan.
2. Pengukuran prestasi
3. Evaluasi prestasi

Kerangka kerja untuk penerapan strategi :
Pengendalian Manj.

Strategi à Struktur organisasi Manajemen SDM Kenierja

Kebudayaan
Ukuran kineja SPM :

1. Kinerja finansial à ROI, ROE, NI, Laba. Nilai saham
2. Kinerja Non-finansial à mutu produk, pangsa pasar, kepuasan pelanggan, pengantaran tepat waktu dan motivasi kerja karyawan

Faktor lingkungan yang mempengaruhi pengendalian manajemen :

1. Perilaku Organisasi
2. Pusat Pertanggujawaban

Proses Pengendalian Manajemen :

1. Perencanaan Strategi
2. Penyusunan Anggaran
3. Pelaksanaan Anggaran
4. Evaluasi Kinerja

Formulasi Strategi àProses memutuskan tujuan organisasi dan strategi untuk mencapai tujuan-tujuan tersebut.
Perbedaan formulasi strategi & Pengendalian manajemen :

*
o Formulasi strategi à Proses pengambilan strategi baru
o Pengendalian Manj. à Proses pengimplementasian strategi tsb

Pengendalian Tugas à Proses untuk memastikan bahwa tugas yang spesifik dilaksanakan secara efektif dan efisien
Perbedaan Pengendalian Tugas dan Pengendalian Manajemen :
Pengendalian Tugas Pengendalian Manajemen

1. Bersifat scientific dengan persamaan2 ekonomi
2. Interkasi antar manusia tidak secara keseluruhan
3. Fokus pada tugas spesifik pada unit organisasional
4. Berhubungan dengan tugas2 ttt

1. Meliputi perilaku manajer
2. Interaksi antara manajer dengan manajer
3. Fokus pada unit organisasional
4. Memperhatikan secara luas aktivitas para manajer dalam pengambilan keputusan

Dampak internet terhadap Pengendalian Manajemen :
# Akses secara mudah dan cepat
# Komunikasi manjadi multi-target
# Komunikasi berbiaya rendah
# Kemampuan menampilkan citra tertentu
# Pergeseran kekuatan dan kendali individu

2. DEFINISI MONETASI (MONTIZE)

Pengertian Monetisasi blog
Berasal dari bahasa EngIonesia(English dan Indonesia) yang maksudnya adalah merubah atau mengelola blog yang semula hanya sebagai ajang menulis dan berekspresi menjadi media untuk mencari uang intinya kata monetisasi dipakai untuk menyatakan bahwa blog milik kita digunakan untuk mencari uang atau lebih tepatnya mendapatkan pendapatan dari blog atau bisa juga sebagai sebuah cara untuk mendapatkan penghasilan tambahan ataupun justru sebagai penghasilan utama dengan jalan menjadikan pasiv income pada sebuah broker atau dengan memasang iklan untuk mencari uang lewat internet.

Cara yang dilakukan bisa bermacam-macam, yaitu berupa paidre-view atau dikenal dengan istilah PPP (Paying Per Post) atau payingper Review, pemasangan iklan, dan lain sebagainya.

3. DEFINISI OPERASIONAL (OPERATE)

Sistem Operasi (Operating System : OS) adalah komponen pengolah peranti lunak dasar (essential component) tersistem sebagai pengelola sumber daya perangkat keras komputer (hardware), dan menyediakan layanan umum untuk aplikasi perangkat lunak. Sistem operasi adalah jenis yang paling penting dari perangkat lunak sistem dalam sistem komputer. Tanpa sistem operasi, pengguna tidak dapat menjalankan program aplikasi pada komputer mereka, kecuali program booting.

Sistem operasi mempunyai penjadwalan yang sistematis mencakup perhitungan penggunaan memori, pemrosesan data, penyimpanan data, dan sumber daya lainnya.

Untuk fungsi-fungsi perangkat keras seperti sebagai masukan dan keluaran dan alokasi memori, sistem operasi bertindak sebagai perantara antara program aplikasi dan perangkat keras komputer,^[1][2] meskipun kode aplikasi biasanya dieksekusi langsung oleh perangkat keras dan seringkali akan menghubungi OS atau terputus oleh itu. Sistem operasi yang ditemukan pada hampir semua perangkat yang berisi komputer-dari ponsel dan konsol permainan video untuk superkomputer dan server web.

4. DEFINISI PERLUASAN (EXTENDS)

Extend merupakan hubungan usecase dengan menunjukkan bahwa use case yang ditunjukan merupakan perluasan perilaku dariuse case asal. Use case asala dapat berdiri sendiri, tetapi untuk kondisi tertentu perilaku use case ersebut dapat diperluas oleh perilaku dari use case lain. Hubungan perluasan digunakan untuk memodelkan bagian dari use case yang dapat dilihat oleh user sebagai perilaku yang dapat dipilih dari sistem. Hubungan perluasan juga dapat digunakan untuk memodelkan sub aliran yang terpisah –pisah yang hanya dapat dijalankan dalam kondisi tertentu. Dan extend digunakan untuk menggambarkan hubungan antar use case ang menunjukkan bahwa satu use case merupakan fungsionalitas dari use case yang lain jika kondisi atau syarat tertentu dipenuhi.

SUMBER : 

1. https://milamashuri.wordpress.com/sistem-pengendalian-manajemen/definisi-sistem-pengendalian-manajemen/

2. http://vivilestari122.blogspot.co.id/2012/03/pengertian-monetisasi-blog.html

3. https://id.wikipedia.org/wiki/Sistem_operasi

4. http://riffs-engineering.blogspot.co.id/2012/04/generalization-include-dan-extend.html

KOMPUTASI AWAN

A. sejarah singkat komputasi awan
Dunia computer yang pertumbuhan dan perkembangannya secepat ini juga merupakan salah satu hasil riset para ilmuwan jaman dulu. Cloud computing sendiri dimulai ketika pada tahun 1960 seorang ilmuwan komputer John McCarthy menulis sebuah artikel berjudul “computation may someday be organized as a public utility.” Dan pada awal tahun 1990-an, muncul sebuah ide bahwa nantinya konsep komputer itu menjadi grid computing, maksudnya adalah bahwa komputer itu akan menjadi seperti listrik, dimana itu merupakan suatu kebutuhan, dan masyarakat bisa mengakses komputer seperti kita berlangganan listrik dari PLN. Ya, akses komputer akan menjadi fasilitas yang disediakan  untuk publik.

Cloud computing dipicu pertama kali ketika menculnya konsep Web 2.0, dimana user bisa saling berinteraksi. Ya, hal ini memungkinkan karena bandwith yang bisa digunakan oleh masyarakat sudah semakin besar.  Dan hal ini menjadi sebuah peluang oleh developer untuk membuat suatu sistem komputasi yang terdistribusi secara masal.

Diawali oleh kemunculan situs www.salesforce.com  pada awal 1999 yang menyediakan aplikasi enterprise melalui sebuah web yang sangat simple, user menggunakan sistem langganan untuk bisa mengakses aplikasi di salesforce.comini, dan sekarang sistem seperti ini dikenal sebagai SaaS (Software as a Service) yaitu aplikasi itu sebagai sebuah layanan. Kemudian dilanjutkan dengan masuknya Amazon  (perusahaan toko buku online) yang mulai mengembangkan sistem infrastruktur komputasi yang disebut sebagai Amazon Web Service pada tahun 2002, dimana amazon menyediakan storage, computation dan human intelligence melalui Amazon Mechanical Turk . Pada tahun 2006, amazon mengenalkan Amazon’s Elastic Compute cloud (EC2) sebagai commercial web service yang menyediakan akses cloud kepada perusahaan dan individu untuk menyewa komputer storage yang bisa digunakan sebagai platform pengembangan aplikasi secara online, inilah awal dari IaaS, yaitu perusahaan yang menyediakan infrastruktur sebagai sebuah layanan.

Pada tahun 2006, Google juga mulai mengenalkan Google Apps , yaitu platform SaaS yang bisa langsung dirasakan oleh end user. Ya, salah satu produknya adalah aplikasi gmail dan google docs, yang saya yakin anda pernah menggunakannya. Pada tahun 2009 raksasa perusahaan software Microsoft juga mulai memasuki dunia komputasi awan ini, dengan meluncurkan Windows Azzure. Setelah itu, banyak perusahaan komputer yang ikut mengembangkan platform cloud, seperti IBM, Apple, HP, Fujitsu, Dell, Teradata dan yang lainnya.

B.  MANFAAT KOMPUTASI AWAN

Manfaat Cloud Computing Serta Penerapan Dalam Kehidupan Sehari – hari

Setelah penjabaran definisi singkat diatas tentu penggunaan teknologi dengan sistem cloud cukup memudahkan pengguna selain dalam hal efisiensi data, juga penghematan biaya. Berikut manfaat manfaat yang dapat dipetik lewat teknologi berbasis sistem cloud.

1.    Semua Data Tersimpan di Server Secara Terpusat

Salah satu keunggulan teknologi cloud adalah memungkinkan pengguna untuk menyimpan data secara terpusat di satu server berdasarkan layanan yang disediakan oleh penyedia layanan Cloud Computing itu sendiri. Selain itu, pengguna juga tak perlu repot repot lagi menyediakan infrastruktur seperti data center, media penyimpanan/storage dll karena semua telah tersedia secara virtual.

2.    Keamanan Data

Keamanan data pengguna dapat disimpan dengan aman lewat server yang disediakan oleh penyedia layanan Cloud Computing seperti jaminan platform teknologi, jaminan ISO, data pribadi, dll.

3.    Fleksibilitas dan Skalabilitas yang Tinggi

Teknologi Cloud menawarkan fleksibilitas dengan kemudahan data akses, kapan dan dimanapun kita berada dengan catatan bahwa pengguna (user) terkoneksi dengan internet. Selain itu, pengguna dapat dengan mudah meningkatkan atau mengurangi kapasitas penyimpanan data tanpa perlu membeli peralatan tambahan seperti hardisk. Bahkan salah satu praktisi IT kenamaan dunia, mendiang Steve Jobs mengatakan bahwa membeli memori fisik untuk menyimpan data seperti hardisk merupakan hal yang percuma jika kita dapat menyimpan nya secara virtual/melalui internet.

4.    Investasi Jangka Panjang

Penghematan biaya akan pembelian inventaris seperti infrastruktur, hardisk, dll akan berkurang dikarenakan pengguna akan dikenakan biaya kompensasi rutin per bulan sesuai dengan paket layanan yang telah disepakati dengan penyedia layanan Cloud Computing. Biaya royalti atas lisensi software juga bisa dikurangi karena semua telah dijalankan lewat komputasi berbasis Cloud.

Penerapan Cloud Computing telah dilakukan oleh beberapa perusahaan IT ternama dunia seperti Google lewat aplikasi Google Drive, IBM lewat Blue Cord Initiative, Microsoft melalui sistem operasi nya yang berbasis Cloud Computing, Windows Azure dsb. Di kancah nasional sendiri penerapan teknologi Cloud juga dapat dilihat melalui penggunaan Point of Sale/program kasir.

Salah satu perusahaan yang mengembangkan produknya berbasis dengan sistem Cloud adalah DealPOS. Metode kerja Point of Sale (POS) ini adalah dengan mendistribusikan data penjualan toko retail yang telah diinput oleh kasir ke pemilik toko retail melalui internet dimanapun pemilik toko berada.  Selain itu, perusahaan telekomunikasi ternama nasional, Telkom juga turut mengembangkan sistem komputasi berbasis Cloud ini melalui Telkom Cloud dengan program Telkom VPS dan Telkom Collaboration yang diarahkan untuk pelanggan UKM (Usaha Kecil-Menengah).

C. Cara Kerja Sistem Cloud Computing

Sistem Cloud bekerja menggunakan internet sebagai server dalam mengolah data. Sistem ini memungkinkan pengguna untuk login ke internet yang tersambung ke program untuk menjalankan aplikasi yang dibutuhkan tanpa melakukan instalasi. Infrastruktur seperti media penyimpanan data dan juga instruksi/perintah dari pengguna disimpan secara virtual melalui jaringan internet kemudian perintah – perintah tersebut dilanjutkan ke server aplikasi. Setelah perintah diterima di server aplikasi kemudian data diproses dan pada proses final pengguna akan disajikan dengan halaman yang telah diperbaharui sesuai dengan instruksi yang diterima sebelumnya sehingga konsumen dapat merasakan manfaatnya.

Contohnya lewat penggunaan email seperti Yahoo ataupun Gmail. Data di beberapa server diintegrasikan secara global tanpa harus mendownload software untuk menggunakannya. Pengguna hanya memerlukan koneksi internet dan semua data dikelola langsung oleh Yahoo dan juga Google. Software dan juga memori atas data pengguna tidak berada di komputer tetapi terintegrasi secara langsung melalui sistem Cloud menggunakan komputer yang terhubung ke internet.

Baca juga Office 365 Berbasis Cloud Computing Dengan 4 Fitur Terbaru

Berikut adalah penjelasan singkat tentang Cloud Computing, sistem yang telah mendunia yang dapat membantu perusahaan atau organisasi dalam efisiensi penyimpanan data. Beberapa faktor seperti ketersediaan internet yang dibutuhkan sebagai jalur utama dalam distribusi data, kualitas vendor akan layanan sistem Cloud maupun masalah keamanan dan privasi seperti serangan peretas/hacker dalam meretas internet patut menjadi pertimbangan tersendiri sebelum anda beralih ke sistem Cloud. Selain vendor yang harus meningkatkan kualitas pelayanan mereka, pengguna juga diharapkan dapat lebih bijak dalam memilih kualitas vendor yang akan mereka gunakan untuk mengelola data berbasis Cloud Computing.

sumber : 

https://artabowillmore.wordpress.com/sejarah-cloud-computing/

http://pusatteknologi.com/pengertian-manfaat-cara-kerja-dan-contoh-cloud-computing.html

KOMPUTASI PARALEL

A. Komputasi paralel adalah salah satu teknik melakukan komputasi secara bersamaan dengan memanfaatkan beberapa komputer independen secara bersamaan. Ini umumnya diperlukan saat kapasitas yang diperlukan sangat besar, baik karena harus mengolah data dalam jumlah besar (di industri keuangan, bioinformatika, dll) ataupun karena tuntutan proses komputasi yang banyak. Kasus kedua umum ditemui di kalkulasi numerik untuk menyelesaikan persamaan matematis di bidang fisika (fisika komputasi), kimia (kimia komputasi) dll.

B. Hukum Amdahl

Telah dijelaskan bahwa dari ${\displaystyle T_{1}}$ (waktu yg dibutuhkan menjalankan pekerjaan dalam satu komputer) tadi, ada sebagian yg tidak bisa diparalelkan. Untuk menyatakan ini kita gunakan notasi ${\displaystyle \alpha }$ dimana ${\displaystyle 0\leq \alpha \leq 1}$ menunjukkan berapa bagian dari ${\displaystyle T_{1}}$ yang tidak bisa dijadikan paralel (atau bagian serial dari program ini).

Maka kita ketahui ${\displaystyle \alpha *T_{1}}$ adalah waktu yg tidak akan terpengaruh oleh bertambahnya komputer yg digunakan (a).

Sisanya ${\displaystyle (1-\alpha )*T_{1}}$ adalah waktu yang akan berkurang menjadi ${\displaystyle {\frac {(1-\alpha )*T_{1}}{N}}}$ bila kita menggunakan N komputer tambahan {b) .

Sehingga waktu total yang dibutuhkan untuk menjalankan pekerjaan dalam N komputer adalah (a) + (b) alias :

${\displaystyle T_{N}=\alpha *T_{1}+{\frac {(1-\alpha )*T_{1}}{N}}}$

Peningkatan kecepatan yang kita peroleh dari persamaan ini adalah :

${\displaystyle S_{N}={\frac {T_{1}}{\alpha *T_{1}+{\frac {(1-\alpha )*T_{1}}{N}}}}}$

Mungkin anda akan mendapati persamaan speed up yang terlihat berbeda tetapi pada dasarnya sama. Persamaan dibawah, bisa didapat dari persamaan diatas, dengan mengeliminasi komponen ${\displaystyle T_{1}}$ (pada bagian atas dan bawah persamaan), lalu mengatur N dan ${\displaystyle \alpha }$

${\displaystyle S_{N}={\frac {N}{1+\alpha (N-1)}}}$

Bila anda cermati persamaan di atas, bisa dilihat bahwa jika kita menggunakan komputer yang amat banyak (${\displaystyle N\rightarrow \infty }$) komponen (b) akan dapat diabaikan, menyisakan persamaan :

${\displaystyle S_{N}={\frac {1}{\alpha }}}$

Inilah batas maksimum peningkatan kecepatan yang bisa dicapai menurut hukum Amdahl yaitu perbandingan terbalik dari seberapa banyak bagian serial dari suatu pekerjaan.

Dalam sistem terdistribusi dimana anda berusaha menggunakan lebih banyak prosesor untuk menyelesaikan masalah, akan ada imbal balik. Menggunakan komputer tambahan dari lokasi yang berbeda memberikan anda sumber komputasi baru, tetapi juga melibatkan biaya komunikasi tambahan, saat anda harus memberikan pekerjaan tersebut pada komputer yg terpisah.

C. Hukum Gustafson

•   Pendapat yang dikemukakan Gustafson hampir sama dengan Amdahl, tetapi dalam pemikiran Gustafson, sebuah komputasi paralel berjalan dengan menggunakan dua atau lebih mesin untuk mempercepat penyelesaian masalah dengan memperhatikan faktor eksternal, seperti kemampuan mesin dan kecepatan proses tiap-tiap mesin yang digunakan.

D.  Tujuan utama dari pemrograman paralel adalah untuk meningkatkan performa komputasi. Semakin banyak hal yang bisa dilakukan secara bersamaan (dalam waktu yang sama), semakin banyak pekerjaan yang bisa diselesaikan.

E. Ada 4 model komputasi yang digunakan, yaitu:

SIMD

SIMD

MISD

MIMD

SISD

Yang merupakan singkatan dari Single Instruction, Single Data adalah satu-satunya yang menggunakan arsitektur Von Neumann. Ini dikarenakan pada model ini hanya digunakan 1 processor saja. Oleh karena itu model ini bisa dikatakan sebagai model untuk komputasi tunggal. Sedangkan ketiga model lainnya merupakan komputasi paralel yang menggunakan beberapa processor. Beberapa contoh komputer yang menggunakan model SISD adalah UNIVAC1, IBM 360, CDC 7600, Cray 1 dan PDP 1.

SIMD

Yang merupakan singkatan dari Single Instruction, Multiple Data. SIMD menggunakan banyak processor dengan instruksi yang sama, namun setiap processor mengolah data yang berbeda. Sebagai contoh kita ingin mencari angka 27 pada deretan angka yang terdiri dari 100 angka, dan kita menggunakan 5 processor. Pada setiap processor kita menggunakan algoritma atau perintah yang sama, namun data yang diproses berbeda. Misalnya processor 1 mengolah data dari deretan / urutan pertama hingga urutan ke 20, processor 2 mengolah data dari urutan 21 sampai urutan 40, begitu pun untuk processor-processor yang lain. Beberapa contoh komputer yang menggunakan model SIMD adalah ILLIAC IV, MasPar, Cray X-MP, Cray Y-MP, Thingking Machine CM-2 dan Cell Processor (GPU).

MISD

Yang merupakan singkatan dari Multiple Instruction, Single Data. MISD menggunakan banyak processor dengan setiap processor menggunakan instruksi yang berbeda namun mengolah data yang sama. Hal ini merupakan kebalikan dari model SIMD. Untuk contoh, kita bisa menggunakan kasus yang sama pada contoh model SIMD namun cara penyelesaian yang berbeda. Pada MISD jika pada komputer pertama, kedua, ketiga, keempat dan kelima sama-sama mengolah data dari urutan 1-100, namun algoritma yang digunakan untuk teknik pencariannya berbeda di setiap processor. Sampai saat ini belum ada komputer yang menggunakan model MISD.

MIMD

Yang merupakan singkatan dari Multiple Instruction, Multiple Data. MIMD menggunakan banyak processor dengan setiap processor memiliki instruksi yang berbeda dan mengolah data yang berbeda. Namun banyak komputer yang menggunakan model MIMD juga memasukkan komponen untuk model SIMD. Beberapa komputer yang menggunakan model MIMD adalah IBM POWER5, HP/Compaq AlphaServer, Intel IA32, AMD Opteron, Cray XT3 dan IBM BG/L.

F. Komputasi

Setiap jenis perhitungan atau penggunaan teknologi komputer dalam pengolahan informasi. Perhitungan adalah proses setelah yang jelas model yang dipahami dan dinyatakan dalam suatu algoritma , protokol , topologi jaringan , dll Perhitungan juga merupakan subyek utama dari ilmu komputer : menyelidiki apa yang dapat atau tidak dapat dilakukan dengan cara komputasi.

Perhitungan dapat diklasifikasikan oleh setidaknya tiga kriteria ortogonal: digital vs analog , sekuensial vs paralel vs bersamaan , bets vs interaktif . Dalam prakteknya, perhitungan digital sering digunakan untuk mensimulasikan proses alam (misalnya, perhitungan Evolusi ), termasuk yang lebih alami dijelaskan oleh model analog perhitungan (misalnya, jaringan syaraf tiruan ).

sumber : 

https://id.wikipedia.org/wiki/Komputasi_paralel#Hukum_Amdahl

http://bagusonthespot.blogspot.co.id/2012/04/parallel-processing.html

http://serbaada02.blogspot.co.id/2015/06/komputasi-dan-parallel-processing.html