SISTEM EMBEDDED

DAN IOT
“Database Time Series”

DISUSUN OLEH :

MUH DZULFIQAR S
3C TKJ
42519067

DOSEN PEMBIMBING :
Iin Karmila Yusri, S.ST., M.Eng. Ph.D.
Drs. Kasim, MT.

PRODI D-IV TEKNIK KOMPUTER DAN JARINGAN

JURUSAN TEKNIK ELEKTRO
 POLITEKNIK NEGERI UJUNG PANDANG
MAKASSAR
2021
A. Pengertian Database Time Series
TSDB (Time-Series Database) merupakan sebuah sistem database yang dapat
mengoptimasi penyimpanan dan penyediaan data bertipe Time-Series (deret waktu)
berdasarkan rangkaian waktu dan nilai terkait.
biasanya Time-Series dikaitkan dengan grafik,stastistik,log,history atau trend.
Beberapa database Time-Series awalnya hanya digunakan pada aplikasi untuk
optimasi secara efisien menyimpan nilai yang diukur dari peralatan sensorik (juga
disebut sebagai history data), tetapi sekarang digunakan untuk mendukung berbagai
aplikasi yang jauh lebih luas.
Dalam banyak kasus data Time-series akan menggunakan algoritma kompresi untuk
mengelola data secara efisien. Meskipun dimungkinkan untuk menyimpan data Time-
Series dalam berbagai jenis basis data.
B. Teknik Database Time Series
Dari penjelasan diatas, kita bisa memperkirakan bahwa data Time Series secara
dasarnya berbeda dibandingkan data lain yang ada di luar sana. Hal ini berarti cara
kita untuk menganalisis data Time Series juga berbeda.
Salah satu teknik yang paling penting untuk mendeskripsikan dan mendapatkan pola
data Time Series adalah untuk men-decompose data. Teknik ini akan membagi Time
Series data menjadi 4 bagian yaitu:
 Base atau Level. Nilai dari data jika serial data tersebut merupakan garis
lurus.
 2. Trend. Kemiringan meningkat atau menurun yang terlihat di Time Series.
Di dalam Trend juga terdapat komponen Cyclic yang berbeda dari Trend
tetapi sering digabungkan menjadi satu dengan Trend.
 3. Seasonality. Pola unik yang terlihat di suatu interval waktu karena faktor
musiman. Hal ini bisa karena suatu bulan di setiap tahunnya, suatu hari di
setiap bulannya, atau bahkan suatu jam di dalam satu hari.
 4. Residual atau Noise atau Error. Variasi dari data yang tidak dapat
dijelaskan.
 Dibawah adalah contoh dari Time Series dekomposisi dengan menggunakan Python 3
dan modul statsmodels untuk decomposisition.

Sebagai catatan, tidak semua data Time Series memiliki seluruh komponen diatas.
Time Series akan selalu memiliki Base, rata-rata memiliki Residual, dan Trend dan
Seasonality biasanya tidak harus ada.
C. Daftar Database Series
1. InfluxDB

InfluxDB adalah salah satu database deret waktu paling populer di antara
DevOps, yang ditulis dalam Go. InfluxDB dirancang dari bawah ke atas untuk
menyediakan mesin penyerapan dan penyimpanan data yang sangat skalabel.
Ini sangat efisien dalam mengumpulkan, menyimpan, menanyakan,
memvisualisasikan, dan mengambil tindakan pada aliran data deret waktu,
peristiwa, dan metrik secara real-time.
 Ini menyediakan kebijakan downsampling dan penyimpanan data untuk
mendukung penyimpanan data bernilai tinggi, presisi tinggi dalam memori,
dan data bernilai lebih rendah ke disk. Itu dibangun di atas mode cloud-native
untuk memberikan skalabilitas di beberapa topologi penyebaran, termasuk
cloud lokal dan lingkungan hybrid.
InfluxDB adalah solusi sumber terbuka dan siap untuk perusahaan. Ia
menggunakan InfluxQL, yang sangat mirip dengan bahasa kueri struktur,
untuk berinteraksi dengan data. Versi terbaru menawarkan agen, dasbor, kueri,
dan tugas dalam toolkit. Ini adalah alat all-in-one untuk dashboard, visualisasi,
dan alerting.

Fitur InfluxDB :
 Performa tinggi untuk data deret waktu dengan penyerapan tinggi dan
kueri waktu nyata
 InfluxQL untuk berinteraksi dengan data yang merupakan SQL seperti
bahasa kueri
 Komponen inti tumpukan TICK (Telegraf, InfluxDB, Chronograf, dan
Kapasitor).
 Dukungan plugin untuk protokol seperti Collectd, Graphite,
OpenTSDB untuk penyerapan data
 Dapat menangani jutaan titik data hanya dalam 1 detik
 Kebijakan retensi untuk menghapus data basi secara otomatis

Karena ini open-source, Anda dapat mengunduh dan memulainya di server

Anda. Namun, mereka menawarkan InfluxDB Cloud di AWS, Azure, dan
GCP.

2. Prometheus
Prometheus adalah solusi pemantauan sumber terbuka yang digunakan untuk
memahami wawasan dari data metrik dan mengirim peringatan yang
diperlukan. Ini memiliki database deret waktu pada disk lokal yang
menyimpan data dalam format kustom pada disk.
Model data Prometheus adalah multi-dimensi berdasarkan deret waktu; itu
menyimpan semua data sebagai aliran nilai cap waktu. Ini sangat berguna
ketika bekerja dengan deret waktu numerik penuh. Mengumpulkan data
layanan mikro dan menanyakannya adalah salah satu kekuatan Prometheus.
Ini terintegrasi erat dengan Grafana untuk visualisasi dan jika Anda seorang
pemula, baca artikel pengantar Prometheus dan Grafana ini.

Fitur Prometheus
 Memiliki model multidimensi yang menggunakan nama metrik dan
pasangan nilai kunci (label)
 PromQL untuk menanyakan data deret waktu untuk menghasilkan
tabel, peringatan, dan grafik Adhoc
 Menggunakan mode tarik HTTP untuk mengumpulkan data deret
waktu
 Menggunakan gateway perantara untuk mendorong deret waktu

Prometheus memiliki ratusan eksportir untuk mengekspor data dari Windows,

Linux, Java, Database, API, Website, Server Hardware, PHP, Messaging, dan
banyak lagi. Untuk memantau Linux, periksa pengaturan Prometheus +
Grafana ini.
3. TimescaleDB

TimescaleDB adalah database relasional sumber terbuka yang membuat SQL

dapat diskalakan untuk data deret waktu. Basis data ini dibangun di atas
PostgreSQL.
Ini menawarkan dua produk – opsi pertama adalah edisi komunitas, gratis
untuk digunakan yang dapat Anda instal di server Anda. Opsi kedua adalah
TimescaleDB Cloud, di mana Anda mendapatkan infrastruktur yang dihosting
dan dikelola sepenuhnya di cloud untuk kebutuhan penerapan Anda.
Ini dapat digunakan untuk pemantauan DevOps, memahami metrik aplikasi,
melacak data dari perangkat IoT, memahami data keuangan, dll. Anda dapat
mengukur log, peristiwa Kubernetes, metrik Prometheus, bahkan metrik
khusus.
Untuk pemilik produk, Anda dapat menggunakannya untuk memahami kinerja
produk dari waktu ke waktu, yang membantu dalam membuat keputusan
strategis untuk pertumbuhan.

Fitur TimescaleDB
  Jalankan kueri 10-100X lebih cepat daripada PostgreSQL, MongoDB
 Dapat menskalakan hingga petabyte secara horizontal dan menulis
jutaan titik data per detik
 Sangat mirip dengan PostgreSQL, sangat mudah bagi pengembang dan
admin untuk mengoperasikannya
 Menggabungkan fungsionalitas database relasional dan deret waktu
untuk membangun aplikasi yang kuat.
Algoritme bawaan dan fitur kinerja untuk menghemat banyak biaya.

4. Graphite
Grafit adalah solusi lengkap untuk menyimpan dan memvisualisasikan data
deret waktu secara real-time secara efisien. Grafit dapat melakukan dua hal,
menyimpan data deret waktu dan membuat grafik sesuai permintaan. Tapi itu
tidak mengumpulkan data untuk Anda; untuk itu anda bisa menggunakan tools
seperti Collectd, Ganglia, Sensu, Telegraf, dll.
Ini memiliki tiga komponen – Karbon, Bisikan, dan Grafit-Web. Karbon
menerima data deret waktu, menggabungkannya, dan menyimpannya ke disk.
Whisper adalah penyimpanan database deret waktu yang menyimpan data.
Graphite-Web adalah front-end untuk membuat dasbor dan memvisualisasikan
data.

Fitur grafit:
 Format metrik di mana data dikirimkan sangat mudah.
  API Komprehensif untuk merender data dan membuat bagan, dasbor,
grafik
 Menyediakan satu set kaya perpustakaan statistik dan fungsi rendering
transformatif
 Rantai beberapa fungsi render untuk membuat kueri target.

5. QuestDB

QuestDB adalah database berorientasi kolom relasional yang dapat melakukan

analisis waktu nyata pada data deret waktu. Ia bekerja dengan SQL dan
beberapa ekstensi untuk membuat model relasional untuk data deret waktu.
QuestDB telah dikodekan dari awal dan tidak memiliki ketergantungan yang
meningkatkan kinerjanya.
QuestDB mendukung relasional, dan gabungan deret waktu, yang membantu
menghubungkan data. Cara termudah untuk memulai QuestDB adalah dengan
menerapkannya di dalam wadah Docker.

Fitur QuestDB:
 Konsol interaktif untuk mengimpor data menggunakan drag and drop
dan query itu
  Didukung di cloud-native (AWS, Azure, GCP), di tempat, atau
disematkan
 Menyediakan integrasi perusahaan dengan fitur-fitur seperti direktori
aktif, ketersediaan tinggi, keamanan perusahaan, pengelompokan
 Memberikan wawasan secara real-time menggunakan analitik
operasional dan prediktif

6. AWS Timestream
AWS Timestream adalah layanan database deret waktu tanpa server yang
cepat dan skalabel. Ini digunakan terutama untuk aplikasi IoT untuk
menyimpan triliunan peristiwa dalam sehari dan 1000 kali lebih cepat dengan
biaya basis data relasional 1/10.
Dengan menggunakan mesin kueri yang dibuat khusus, Anda dapat mengkueri
data terkini dan data historis yang tersimpan secara bersamaan. Ini
menyediakan beberapa fungsi bawaan untuk menganalisis data deret waktu
untuk menemukan wawasan yang berguna.
 Fitur Amazon Timestream:
 Tidak ada server untuk dikelola atau instans untuk disediakan;
semuanya ditangani secara otomatis.
 Hemat biaya, bayar hanya untuk apa yang Anda konsumsi, simpan,
dan kueri.
 Mampu menyerap triliunan acara setiap hari tanpa penurunan kinerja
 Kemampuan analitik bawaan dengan SQL standar, interpolasi, dan
fungsi pemulusan untuk mengidentifikasi tren, pola, dan anomali
 Semua data dienkripsi menggunakan sistem manajemen kunci (KMS)
AWS dengan kunci pengelolaan pelanggan (CMK)

7. Open TSDB

OpenTSDB adalah database time-series terukur yang telah ditulis di atas

HBase. Ia mampu menyimpan triliunan titik data pada jutaan penulisan per
detik. Anda dapat menyimpan data di OpenTSDB selamanya dengan stempel
waktu asli dan nilai presisinya, sehingga Anda tidak kehilangan data apa pun.
Ini memiliki daemon Time-series (TSD) dan utilitas baris perintah. Daemon
deret waktu bertanggung jawab untuk menyimpan data di HBase atau
mengambilnya darinya. Anda dapat berbicara dengan TSD menggunakan
HTTP API, telnet, atau GUI bawaan sederhana. Anda memerlukan alat seperti
flume, collectd, vacuumetrix, dll., untuk mengumpulkan data dari berbagai
sumber ke dalam OpenTSDB.

Fitur OpenTSBD:
 Dapat menggabungkan, memfilter, menurunkan sampel metrik dengan
kecepatan sangat tinggi
 Menyimpan dan menulis data dengan presisi milidetik
 Berjalan di Hadoop dan HBase dan skala dengan mudah dengan
menambahkan node ke cluster
 Menggunakan GUI untuk menghasilkan grafik