TUGAS 5

Organisasi & Arsitektur Komputer

Oleh :

Moh. Ashar Asrul (20202205099)

Dosen Pembimbing : Imran, S.Kom., M.Pd.

TEKNIK INFORMATIKA

UNIVERSITAS TEKNOLOGI AKBA MAKASSAR

2022
A. Pemroses Data
Seiring berkembangnya volume data yang berasal dari sumber yang semakin beragam, organisasi
menyadari mereka perlu bergerak cepat untuk memproses data ini guna memastikan mereka membuat
keputusan bisnis yang lebih cepat dan terinformasi dengan baik. Untuk memproses data dalam skala
besar, organisasi perlu menyediakan sumber daya secara elastis untuk mengelola informasi yang
mereka terima dari perangkat seluler, aplikasi, satelit, pemasaran dan penjualan, penyimpanan data
operasional, infrastruktur, dan banyak lainnya. Step Functions menyediakan skalabilitas, keandalan,
dan ketersediaan yang diperlukan untuk berhasil mengelola alur kerja pemrosesan data Anda. Anda
dapat mengelola jutaan eksekusi bersamaan dengan Step Functions karena skala horizontal dan
menyediakan alur kerja yang menoleransi kesalahan. Memproses data dengan lebih cepat
menggunakan eksekusi paralel seperti tipe status.
Step Functions, atau paralelisme dinamis menggunakan tipe status Map (p. 62).
Sebagai bagian dari alur kerja, Anda dapat menggunakan status Map (p. 62) untuk mengulangi objek
dalam penyimpanan data statis seperti bucket Amazon S3. Step Functions juga memungkinkan Anda
dengan mudah kembali mencoba eksekusi yang gagal, atau memilih cara tertentu untuk menangani
kesalahan tanpa perlu mengelola proses yang kompleks.
Tergantung pada kebutuhan pemrosesan data Anda, Step Functions langsung terintegrasi dengan
layanan pengolahan data lain yang disediakan oleh AWS seperti AWS Batch (p. 325) untuk
pemrosesan batch, Amazon EMR (p. 342) untuk pemrosesan big data, AWS Glue (p. 335) untuk
persiapan data, Athena (p. 355) untuk analisis data, dan AWS Lambda (p. 323)untuk komputasi.
Contoh tipe alur kerja pemrosesan data yang digunakan pelanggan untuk diselesaikan Step Functions
Meliputi :
File, video, dan pemrosesan citra
• Ambil koleksi file video dan ubah ke ukuran atau resolusi lain yang ideal untuk perangkat yang
akan ditampilkan, seperti ponsel, laptop, atau televisi.
• Ambil sebagian besar koleksi foto yang diunggah oleh pengguna dan ubah menjadi gambar mini
atau berbagai citra beresolusi yang kemudian dapat ditampilkan di situs web pengguna.
• Ambil data semi-terstruktur, seperti file CSV, dan gabungkan dengan data yang tidak terstruktur,
seperti faktur, untuk menghasilkan laporan bisnis yang dikirim ke pemangku kepentingan bisnis
setiap bulan.
• Ambil data mengamati bumi yang dikumpulkan dari satelit, mengubahnya menjadi format yang
sejajar satu sama lain dan kemudian tambahkan sumber data lain yang dikumpulkan di bumi untuk
wawasan tambahan.
 • Ambil log transportasi dari berbagai moda transportasi untuk produk dan mencoba pengoptimalan
menggunakan Monte Carlo Simulasi kemudian mengirim laporan kembali ke organisasi dan orang-
orang yang mengandalkan Anda untuk mengirimkan barang-barang mereka. Mengoordinasikan
tugas extract, transform, and load (ETL):
• Gabungkan catatan peluang penjualan dengan set data metrik pemasaran melalui serangkaian
langkah
persiapan data menggunakan AWS Glue, dan menghasilkan kecerdasan bisnis yang dapat
digunakan di seluruh organisasi.
• Membuat, memulai, dan mengakhiri klaster Amazon EMR untuk pengolahan big data. Beban
kerja pengolahan batch dan Komputasi Performa Tinggi (HPC)
• Bangun alur analisis sekunder genomik yang memproses seluruh urutan genom mentah ke dalam
panggilan varian. Sejajarkan file mentah ke urutan referensi, dan panggil varian pada daftar
kromosom tertentu menggunakan paralelisme dinamis.
• Temukan efisiensi dalam produksi perangkat seluler Anda berikutnya atau elektronik lainnya
dengan mensimulasikan berbagai tata letak menggunakan senyawa listrik dan kimia yang berbeda.
Jalankan pemrosesan batch besar beban kerja Anda melalui berbagai simulasi untuk mendapatkan
desain yang optimal.
B. Machine Learning
Machine learning memungkinkan organisasi menganalisis data yang dikumpulkan dengan cepat
untuk mengidentifikasi pola, kemudian membuat keputusan dengan intervensi manusia yang minimal.
Machine learning memulai dengan serangkaian data, diketahui sebagai data pelatihan. Data pelatihan ini
membantu meningkatkan akurasi prediksi model machine learning, dan berfungsi sebagai dasar yang
digunakan untuk belajar oleh model ini. Setelah model dianggap cukup akurat untuk memenuhi kebutuhan
bisnis, model dideploy ke produksi. Kit Pengembangan Perangkat Lunak (SDK) Ilmu Data AWS Step
Functions (p. 267) adalah pustaka sumber terbuka yang memungkinkan Anda untuk dengan mudah membuat
alur kerja yang melakukan praproses data, melatih lalu mempublikasikan model Anda menggunakan
Amazon SageMaker dan Step Functions.
Melakukan praproses serangkaian data yang ada adalah cara yang biasa digunakan organisasi untuk
membuat data pelatihan. Metode ini menambahkan informasi, seperti memberi label pada objek dalam citra,
teks anotasi atau memproses audio. Untuk melakukan pra proses data, Anda dapat menggunakan AWS Glue,
atau Anda dapat membuat instans notebook SageMaker yang menjalankan aplikasi Jupyter Notebook.
Setelah siap, data Anda dapat diunggah ke Amazon S3 untuk akses yang mudah. Selagi model machine
learning dilatih, Anda dapat melakukan penyesuaian ke parameter setiap model untuk meningkatkan akurasi
sampai model dinyatakan siap untuk deployment. Step Functions memungkinkan Anda mengatur alur kerja
machine learning end-to-end di SageMaker. Alur kerja ini dapat mencakup praproses data, pasca-
pemrosesan, rekayasa fitur, validasi data, dan evaluasi model. Setelah model di-deploy untuk produksi, Anda
dapat memperbaiki dan menguji pendekatan baru untuk terus meningkatkan hasil bisnis. Anda dapat
membuat alur kerja siap produksi secara langsung dengan Python, atau Anda dapat menggunakan SDK Ilmu
Data Step Functions untuk menyalin alur kerja tersebut, bereksperimen dengan opsi baru, dan menempatkan
alur kerja yang disempurnakan dalam produksi.
C. Orkestrasi mikro
Arsitektur microservice memecah aplikasi menjadi layanan penggabungan longgar. Manfaat dari hal
tersebut adalah peningkatan skalabilitas, peningkatan ketahanan, dan waktu untuk memasarkan yang
lebih cepat. Setiap microservice independen, sehingga mudah untuk menaikkan skala layanan atau fungsi
tunggal tanpa perlu menskalakan seluruh aplikasi. Layanan individu digabungkan secara longgar,
memberi kesempatan bagi tim independen untuk fokus pada proses bisnis tunggal, tanpa perlu
memahami keseluruhan aplikasi. Microservice juga memungkinkan Anda memilih komponen individual
yang sesuai dengan kebutuhan bisnis Anda, memberikan fleksibilitas untuk mengubah pilihan Anda
tanpa menulis ulang seluruh alur kerja Anda. Tim yang berbeda dapat menggunakan bahasa
pemrograman dan kerangka kerja pilihan mereka untuk bekerja dengan microservice, dan microservice
ini masih dapat berkomunikasi dengan yang lain dalam aplikasi melalui Antarmuka Program Aplikasi
(API) Step Functions memberi Anda beberapa cara untuk mengelola alur kerja microservice Anda.
Untuk alur kerja yang berjalan lama, Anda dapat menggunakan Alur Kerja Standar denganAWS
Fargateintegrasi untuk mengatur aplikasi yang berjalan dalam wadah. Untuk alur kerja berdurasi pendek
dan bervolume tinggi yang memerlukan respons langsung, Alur Kerja Express Sinkron (p. 21) adalah
hal yang ideal.
Ini dapat digunakan untuk aplikasi berbasis web atau seluler, yang sering memiliki alur kerja
berdurasi pendek, dan memerlukan penyelesaian serangkaian langkah sebelum mengembalikan respons.
Anda dapat secara langsung memicu Alur Kerja Express Sinkron dari Amazon API Gateway, dan
koneksi diadakan terbuka sampai alur kerja selesai atau batas waktu. Untuk alur kerja berdurasi pendek
yang tidak memerlukan respons langsung, Step Functions menyediakan Alur Kerja Express Asinkron.
D. IT dan otomatisasi keamanan
Otomatisasi IT dapat membantu mengelola operasi yang semakin kompleks dan memakan waktu,
seperti meningkatkan dan menambal perangkat lunak, men-deploy pembaruan keamanan untuk
mengatasi kelemahan, memilih infrastruktur, menyinkronkan data, merutekan tiket dukungan, dan
lainnya. Otomatisasi tugas berulang dan memakan waktu dapat memungkinkan organisasi Anda
menyelesaikan operasi rutin dengan cepat dan konsisten dalam skala besar. Hal ini memungkinkan Anda
fokus pada pekerjaan strategis seperti pengembangan fitur, permintaan dukungan yang kompleks, dan
inovasi selagi memenuhi permintaan yang terus berkembang. Step Functions memungkinkan Anda
membuat alur kerja yang menskalakan secara otomatis untuk memenuhi kebutuhan bisnis Anda tanpa
memerlukan intervensi manual. Untuk kasus kesalahan yang terjadi dalam alur kerja Anda, sering kali
tidak memerlukan intervensi manual.
Step Functions memungkinkan Anda secara otomatis mencoba kembali tugas yang gagal (p. 107)
dan sebuah backoff eksponensial (p. 110) yang dapat mengelola kesalahan dalam alur kerja Anda. Akan
ada situasi yang memerlukan intervensi manusia sebelum alur kerja dapat berkembang. Misalnya,
menyetujui peningkatan kredit yang substansial mungkin memerlukan persetujuan manusia. Untuk
mengelola ini, Anda dapat menentukan percabangan logika di Step Functions, untuk hanya meminta
jumlah yang ditetapkan yang memerlukan persetujuan manusia, selagi semua permintaan lainnya
diselesaikan secara otomatis. Dalam kasus yang memerlukan persetujuan manusia , Step Functions
memungkinkan Anda menjeda alur kerja pada langkah tertentu, menunggu respons, lalu melanjutkan
alur kerja setelah respons diterima.