mentah yang menyimpan informasi dari yang dilakukan oleh seorang database
seseorang. Sedangkan menurut (Sugiyono, administrator masih dilakukan dengan
2012), data merupakan bahan mentah yang perulangan manual. Dengan mengubah nilai
perlu diolah sehingga menghasilkan suatu dari parameter-parameter yang mempengaruhi
informasi atau keterangan yang menunjukkan kinerja melalui file konfigurasi dari database
fakta sehingga dapat memberikan gambaran secara manual. Cara tersebut dirasa kurang
tentang suatu keadaan. efektif dan memakan banyak waktu dalam
Jumlah data yang semakin besar juga proses tuning hingga mencapai goal yang
membutuhkan suatu database yang andal dan maksimal. Untuk itu perlu dilakukan tuning
mampu menyimpan semua informasi. Database secara otomatis sehingga waktu yang
adalah sekumpulan informasi ataupun data yang dibutuhkan untuk tuning menjadi lebih cepat.
dapat disimpan secara terstruktur didalam Dalam penelitian sebelumnya yang
sistem komputer dan dapat diubah, diambil, dilakukan oleh (Rodd & Kulkarni, 2013) proses
maupun di modifikasi tergantung operasi proses self-tuning dilakukan dengan memanfaatkan
data (Augustyn, 2018). Biasanya, database di algoritma fuzzy dalam proses optimasi
control oleh Database Management System database. Kemudian pada penelitian yang
(DBMS). Bersama dengan data, DBMS dilakukan oleh (Karanam & Rodd, 2017),
membentuk sebuah sistem database. Untuk algoritma Fuzzy Logic dan Neural network
meningkatkan kinerja dari database terdapat digunakan untuk menentukan nilai parameter
beberapa cara untuk melakukan optimasi pada yang sesuai. Untuk itu pada penelitian ini akan
database. memperkenalkan algoritma Nesterov
Optimasi pada sebuah database dapat Accelerated Gradient sebagai metode dalam
dipengaruhi oleh beberapa faktor. Dari segi proses self-tuning database. Harapan dari
desain logika database, dengan memperhatikan penelitian ini adalah mampu memudahkan
relasi antar tabel sehingga mengurangi proses tuning bagi database administrator,
redundansi data serta menghemat tempat selain itu diharapkan penelitian ini mampu
penyimpanan database. Sedangkan dari segi menyempurnakan penelitian yang telah
fisik, seorang Database Administrator (DBA) dilakukan sebelumnya.
harus mengetahui format akses database serta
karakteristik pengoperasian sumber daya 2. PENELITIAN TERKAIT
perangkat keras terutama memori dan disk Terdapat beberapa penelitian sebelumnya
subsystem I/O (Zhang, 2016). Terdapat yang telah membahas proses self-tuning pada
beberapa cara untuk melakukan optimasi pada database. Penelitian yang dilakukan (Rodd &
sebuah database. Antara lain mengoptimasi Kulkarni, 2013), self-tuning pada database
struktur data, optimasi alokasi memori pada dilakukan dengan menjadikaan nilai dari Buffer
database, optimasi struktur fisik dari database, Hit Ratio, User Load, dan Database Size
optimasi penggunaan statement pada SQL, dll. sebagai input dari Fuzzy. Untuk kemudian
Salah satu cara yang dilakukan untuk dimasukkan nilai tersebut diubah berdasarkan
optimasi sebuah database adalah tuning. fuzzy rules yang ditentukan. Dari hasil
Tuning adalah sebuah proses iterasi untuk pengujian yang dilakukan terdapat peningkatan
meningkatkan kinerja SQL untuk mencapai kinerja sebesar 18.52% ketika dibandingkan
tujuan yang spesifik (Ashdown, 2017). Proses dengan fitur auto-tune Oracle 10g pada TCP-C
tuning dilakukan dengan cara mengubah nilai workload. Saat pengujian pada TCP-E
dari sebuah parameter pada database yang akan workload terjadi peningkatan performa sebesar
berpengaruh langsung terhadap kinerja dari 28.7% ketika dibandingkan dengan fitur auto-
suatu database. Berdasarkan penelitian yang tune Oracle.
dilakukan oleh (Debnath, et al., 2008) berkaitan
dengan parameter database terdapat beberapa (Wei, et al., 2014) pada penelitiannya
parameter yang dianggap berpengaruh secara menyempurnakan metode dan fuzzy rules yang
langsung terhadap naiknya kinerja dari sebuah digunakan dari penelitian sebelumnya. Dengn
database.Parameter yang berpengaruh antara menggunakan beberapa parameter dan indikator
lain work_memory, shared_buffers, performa ditentukan fuzzy rule untuk
maintenance_work_memory, max_connections, melakukan self-tuning. Parameter yang
effective_cache_size, dll. digunakan antara lain db_cache_size,
Namun dalam pengaplikasiannya, tuning shared_pool_size, dan pga_aggregate_target.
Sedangkan indikator performa yang digunakan dengan data uji yang sama. Data uji diambil
adalah buffer-hit cache ratio, library-cache hit dari file sampel CSV dari web eforexcel.com
ratio, share_pool_usage, dan in memory sort yang berisi data penjualan.
ratio.
3.3 Teknik Analisis dan Pembahasan
Penelitian mengenai self-tuning juga pernah
dilakukan oleh (Karanam & Rodd, 2017) Analisis dan pembahasan dilakukan setelah
dengan menggunakan neural network dan fuzzy proses pengambilan waktu eksekusi query
rules dalam proses perubahan parameter. sebelum dan sesudah tuning dengan
Sistem mengobservasi efek parameter BUFFER menggunakan Nesterov accelerated gradient.
CACHE terhadap waktu respon database. Kemudian akan dibahas bagaimana pengaruh
Sistem mengevaluasi informasi dari DBMS metode Nesterov accelerated gradient ketika
seperti BUFFER HIT RATIO, USER LOAD, diimplementasikan untuk perubahan nilai
dan AVERAGE TABLE SIZE menggunakan parameter dari database dan pengaruh tuning
fuzzy logic controller dan neural network untuk dalam meningkatkan kinerja dari database.
kemudian mengubah nilai dari parameter.
4. PERANCANGAN SISTEM
Terdapat beberapa penelitian mengenai
implementasi algoritma Nesterov Accelerated Pada bagian ini akan disampaikan
Gradient. Penelitian yang dilakukan oleh bagaimana perancangan pada sistem
(Shen, et al., 2017) mengaplikasikan algoritma Implementasi Self-tuning pada Database
NAG untuk memvisualisasikan relasi fenotipe menggunakan Metode Nesterov accelerated
pada penyakit manusia. Algoritma NAG pernah gradient agar dapat memenuhi kebutuhan
digunakan oleh (Wang, et al., 2018) untuk fungsionalnya.
rekonstruksi gambar ultrasonik. Pada program utama, terdapat 3 bagian
yang akan diuraikan yaitu Pengambilan
3. METODOLOGI Parameter dari file konfigurasi, Benchmark &
Metodologi yang akan digunakan pada Pengecekan Kondisi, dan Proses perubahan
penelitian ini disesuaikan dengan tujuan yang nilai parameter. Diagram alir program utama
ingin dicapai. Untuk alur penelitian akan dapat dilihat pada Gambar 2 dibawah ini.
diuraikan pada Gambar 1 dibawah ini.
14
12 5 1043 Detik (17 83 Detik
10 Menit 23 Detik)
8
6 Rata- 960 Detik 94 Detik
4 rata
2
0
Pengujian Pengujian Pengujian Pengujian Pengujian
Dari tabel diatas dapat dilihat penurunan
1 2 3 4 5 waktu query load data yang sangat signifikan
pada kedua file saat sebelum dan sesudah
Sebelum Tuning Setelah Tuning
dilakukannya tuning. Pada query load data
dengan besar file 1.000.000 row, waktu
5.3 Pengujian Query dengan Besar File eksekusi query rata-rata mengalami penurunan
yang Berbeda sebesar 1 Menit 35 Detik. Sedangkan pada
query dengan besar file 1.500.000 Row terlihat
Pengujian dilakukan dengan melakukan penurunan waktu eksekusi rata-rata sebesar 14
proses load data pada database yang telah di menit 26 Detik. Grafik penurunan waktu
tuning dengan 2 ukuran file yang berbeda yaitu eksekusi masing-masing file dapat dilihat pada
1.000.000 Row dan 1.500.000 Row. Hasil Gambar 4 dan 5 dibawah ini.
pengujian dapat dilihat pada Tabel 3 dan Tabel
4 dibawah ini.
Tabel 3. Waktu Eksekusi Load Data 1.000.000
Row
No 1000000 Row 1000000 Row
Sebelum Tuning Setelah Tuning
1 144 Detik (2 Menit 24 Detik
24 Detik)
2 111 Detik (1 Menit 27 Detik
51 Detik)
3 146 Detik (2 Menit 35 Detik
26 Detik)
4 112 Detik (1 Menit 42 Detik
52 Detik)
5 130 Detik (2 Menit 37 Detik
10 Detik)
1000
[Online]
800
Available at:
600 https://docs.oracle.com/database/121/T
400 GSQL/title.htm
200 [Accessed 31 January 2020].
0
Pengujian Pengujian Pengujian Pengujian Pengujian Augustyn, A., 2018. Britannica. [Online]
1 2 3 4 5 Available at:
1500000 Row Sebelum Tuning https://www.britannica.com/technology
/database
1500000 Row Setelah Tuning
[Accessed 31 January 2020].
Dari pengujian diatas juga dapat terlihat Hutahaean, J., 2014. Konsep Sistem Informasi.
waktu eksekusi yang stabil setelah proses Yogyakarta: Deepublish.
tuning dilakukan. Dari 5 pengujian yang
Karanam, K. & Rodd, S. F., 2017. Analysis of
dilakukan waktu eksekusi yang dibutuhkan
Fuzzy with Neuro-Fuzzy Approach to
untuk melakukan proses load data 1.000.000
Self-Tune Database System. Mumbai,
row berkisar antara 110- 145 detik saat sebelum
IEEE.
tuning dilakukan dan ketika dibandingkan
dengan setelah tuning waktu eksekusi berkisar Rodd, S. F. & Kulkarni, U. P., 2013. Adaptive
antara 24-45 detik. Hal ini terlihat juga pada 5 self-tuning techniques for performance
pengujian load data 1.500.000 row, dimana tuning of Database systems : A Fuzzy-
waktu eksekusi yang dibutuhkan berkisar 12-17 based approach. 2013 Second
menit saat sebelum tuning dan 75-120 detik saat International Conference on Advanced
setelah tuning Dapat disimpulkan bahwa proses Computing, Networking and Security,
tuning juga mampu menstabilkan waktu query pp. 124-129.
dari sebuah database. Shen, X. et al., 2017. Visualization of Disease
Relationships by Multiple Maps t-SNE
6. KESIMPULAN
Regularization Based on Nesterov
accelerated gradient. 2017 IEEE
International Conference on
Bioinformatics and Biomedicine, pp.
604-607.
Sugiyono, 2012. Metode Penelitian Kuantitatif,
Kualitatif, dan R&D. 17th ed. Bandung:
Alfabeta.
Wang, H. et al., 2018. Ultrasound Image
Reconstruction Using Nesterov's
Accelerated Gradient. Sydney, IEEE.
Wei, Z., Ding, Z. & Hu, J., 2014. Self-Tuning
Performance of Database Systems
Based on Fuzzy Rules. 11th
International Conference on Fuzzy
Systems and Knowledge Discovery, pp.
194-198.
Zhang, J., 2016. Research on Database
Application Performance Optimization
Method. Tianjin, MMEBC.