<?xml version="1.0" encoding="UTF-8"?><rss xmlns:dc="http://purl.org/dc/elements/1.1/" xmlns:content="http://purl.org/rss/1.0/modules/content/" xmlns:atom="http://www.w3.org/2005/Atom" version="2.0" xmlns:cc="http://cyber.law.harvard.edu/rss/creativeCommonsRssModule.html">
    <channel>
        <title><![CDATA[Stories by MarcelloKP on Medium]]></title>
        <description><![CDATA[Stories by MarcelloKP on Medium]]></description>
        <link>https://medium.com/@Cellokp?source=rss-63188470f38a------2</link>
        <image>
            <url>https://cdn-images-1.medium.com/fit/c/150/150/1*t4iBg_Ym6ogdUzUNdi_-Mg.jpeg</url>
            <title>Stories by MarcelloKP on Medium</title>
            <link>https://medium.com/@Cellokp?source=rss-63188470f38a------2</link>
        </image>
        <generator>Medium</generator>
        <lastBuildDate>Tue, 17 Nov 2026 06:50:47 GMT</lastBuildDate>
        <atom:link href="https://medium.com/@Cellokp/feed" rel="self" type="application/rss+xml"/>
        <webMaster><![CDATA[yourfriends@medium.com]]></webMaster>
        <atom:link href="http://medium.superfeedr.com/" rel="hub"/>
        <item>
            <title><![CDATA[Big Data 9 : Machine Learning Dengan Spark MLlib — Feature Engineering & Regresi]]></title>
            <link>https://medium.com/@Cellokp/big-data-9-machine-learning-dengan-spark-mllib-feature-engineering-regresi-25b4aea9686e?source=rss-63188470f38a------2</link>
            <guid isPermaLink="false">https://medium.com/p/25b4aea9686e</guid>
            <dc:creator><![CDATA[MarcelloKP]]></dc:creator>
            <pubDate>Mon, 16 Nov 2026 11:37:42 GMT</pubDate>
            <atom:updated>2026-11-16T11:37:42.427Z</atom:updated>
            <content:encoded><![CDATA[<figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/0*5-SGmHKN1YLm660-" /><figcaption>Photo by <a href="https://unsplash.com/@steve_j?utm_source=medium&amp;utm_medium=referral">Steve A Johnson</a> on <a href="https://unsplash.com/?utm_source=medium&amp;utm_medium=referral">Unsplash</a></figcaption></figure><p>Halo teman-teman, kembali lagi bersamaku admint M, kali ini kita akan belajar penerapan sederhana dari konsep Machine learning, apa itu, gimana cara kerjanya, langsung saja.</p><ul><li><strong>Dasar Teori</strong></li></ul><p>Machine learning</p><p>Merupakan bagian dari Artificial Intellegence (AI) yang mampu menganalisa data tanpa instruksi eksplisit. Machine learning mampu memproses banyak jumlah data seperti data historis, menemukan pola, dan memprediksi hubungan antar data yang belum diketahui. Dengan Machine Learning, kita bisa mengklasifikasikan dan memprediksi document, gambar, bahkan tipe data lainya. Secara sederhana ML (machine learning) merupakan cabang dari AI dan komputer science yang memungkinkan AI untuk belajar dan berkembang selayaknya manusia yang secara bertahap mampu mempelajari dan menghasilkan informasi dengan lebih akurat.</p><p>Spark MLlib</p><p>Merupakan singkatan dari Spark Machine Learning Library, sebuah salah satu modul dari library pyspark.ml yang menyediakan algoritma Machine Learning yang dirancang untuk berjalan terdistribusi. Data training dapat disebar di banyak executor sekaligus dan proses pelatihan model memanfaatkan seluruh cluster, bukan hanya satu perangkat. Biasanya Spark MLlib dibandingkan dengan scikit-learn, namun apa perbedaannya sebenarnya ?, mari kita lihat.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/583/1*q8r1ggQOO8UT8ObXTHeuQQ.png" /></figure><p>Jadi kalau memakai scikit learn itu kurang efisien dan boros sumber daya, nah dengan Spark MLlib, kita bisa lebih efisien dalam melatih model machine learning kita.</p><ul><li>Langkah Praktikum</li></ul><p>Sebelum memulai langkah praktikum, machine learning yang kita buat kali ini dipakai untuk memprediksi total pendapatan sebuah transaksi berdasarkan atribut-atributnya (jumlah unit, harga satuam, kategori, kota, dan rating)</p><ol><li>Menyiapkan Spark Session dan Dataset</li></ol><pre>from pyspark.sql import SparkSession<br>from pyspark.sql.functions import col<br><br>spark = SparkSession.builder \<br>    .appName(&quot;Pertemuan11-MLlibRegresi&quot;) \<br>    .master(&quot;local[*]&quot;) \<br>    .getOrCreate()<br>spark.sparkContext.setLogLevel(&quot;ERROR&quot;)<br>spark.conf.set(&quot;spark.sql.shuffle.partitions&quot;, &quot;4&quot;)<br><br>print(&quot;SparkSession siap. Versi Spark:&quot;, spark.version)</pre><p>Seperti biasa kita buat sparksessionnya dahulu, kita beri juga shuffle partition sejumlah 4 yang akan kita pakai lagi kali ini.</p><pre>import numpy as np<br>import pandas as pd<br><br>np.random.seed(42)<br>n = 2000<br>kategori_list = [&quot;Elektronik&quot;, &quot;Fashion&quot;, &quot;Makanan&quot;, &quot;Rumah Tangga&quot;, &quot;Kesehatan&quot;]<br>kota_list = [&quot;Magelang&quot;, &quot;Yogyakarta&quot;, &quot;Semarang&quot;, &quot;Solo&quot;]<br><br>data = pd.DataFrame({<br>    &quot;unit_terjual&quot;: np.random.randint(1, 15, size=n),<br>    &quot;harga_satuan&quot;: np.random.choice([25000, 50000, 75000, 100000, 150000], size=n),<br>    &quot;kategori&quot;: np.random.choice(kategori_list, size=n),<br>    &quot;kota&quot;: np.random.choice(kota_list, size=n),<br>    &quot;rating&quot;: np.random.randint(1, 6, size=n),<br>})<br># Total pendapatan dipengaruhi unit &amp; harga (dengan sedikit variasi acak, seperti data real world)<br>data[&quot;pendapatan&quot;] = data[&quot;unit_terjual&quot;] * data[&quot;harga_satuan&quot;] + np.random.normal(0, 20000, size=n)<br><br>df = spark.createDataFrame(data)<br>df.show(5)<br>print(&quot;Total baris:&quot;, df.count())</pre><p>Kemudian diatas merupakan dataset yang akan kita pakai sejumlah 2000 dataset dengan random seed 42 yang berfungsi supaya misal kita randomize lagi, hasil randomnya akan sama ketika program dijalankan lagi.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/653/1*J8GAVg-GR1JAynnLQ7EoYQ.png" /></figure><p>2. Feature Engineering : Menyiapkan Data untuk MLlib</p><p>Spark MLlib mewajibkan kita untuk seluruf fitur digabung jadi satu kolom bertipe <em>features. </em>Selain itu kolom berbentuk teks harus diubah jadi angka terlebih dahulu karena machine learning tidak bisa memproses teks secara langsung.</p><p>Mengubah Kategori jadi Angka — StringIndexer</p><pre>from pyspark.ml.feature import StringIndexer<br><br># StringIndexer mengubah nilai kategori (teks) menjadi indeks numerik<br># berdasarkan frekuensi kemunculan (nilai paling sering muncul -&gt; indeks 0, dst.)<br>indexer_kategori = StringIndexer(inputCol=&quot;kategori&quot;, outputCol=&quot;kategori_idx&quot;)<br>indexer_kota = StringIndexer(inputCol=&quot;kota&quot;, outputCol=&quot;kota_idx&quot;)<br><br># Perhatikan pola dua tahap: fit() dulu (mempelajari daftar kategori), baru transform() (menerapkannya)<br>df_indexed = indexer_kategori.fit(df).transform(df)<br>df_indexed = indexer_kota.fit(df_indexed).transform(df_indexed)<br><br>df_indexed.select(&quot;kategori&quot;, &quot;kategori_idx&quot;, &quot;kota&quot;, &quot;kota_idx&quot;).show(8)</pre><p>Seperti keterangan diatas kita pakai perintah StringIndexer kemudian input col sebagai kolom yang mau diubah dan output col sebagai nama kolom yang baru. Kita jadikan sebagai sebuah variabel kemudian kita terapkan ke dataframe yang kita buat diatas dengan perintah fit, lalu transform.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/395/1*vxOSHxF9z-ZoHU6NNieAxg.png" /></figure><p>Terlihat diatas kolom kategori dan kota menjadi angka.</p><p>Jadi StringIndexer kalau aku mengibaratkan, sebuah program untuk mentranslate data berupa tulisan menjadi sebuah angka.</p><p>Aku akan bahas fit() dan transform() :</p><p>fit() : program untuk sparkMLlib mempelajari data baru. Jika dalam konteks StringIndexer, program akan mempelajari kemunculan dari tiap kategori untuk nantinya dijadikan sebagai angka numerik.</p><p>transform() : program untuk sparkMLlib menerapkan data baru yang sudah dipelajari di program fit sehingga hasilnya bisa kelihatan</p><p>Gitulah kira-kira fungsi dua program utama Machine Learning kita satu ini.</p><p>Menggabungkan Kolom Menjadi Satu Fitur — VectorAssembler</p><pre>from pyspark.ml.feature import VectorAssembler<br><br># Menggabungkan seluruh kolom numerik (termasuk hasil StringIndexer) menjadi satu kolom &quot;features&quot;<br>assembler = VectorAssembler(<br>    inputCols=[&quot;unit_terjual&quot;, &quot;harga_satuan&quot;, &quot;kategori_idx&quot;, &quot;kota_idx&quot;, &quot;rating&quot;],<br>    outputCol=&quot;features&quot;<br>)<br><br>df_final = assembler.transform(df_indexed)<br>df_final.select(&quot;features&quot;, &quot;pendapatan&quot;).show(5, truncate=False)</pre><p>Dengan perintah VectorAssembler kita pilih kolom yang mau digabungkan di inputCols, kemudian nama kolom tersebut pada outputCol. Setelah itu dengan transform kita terapkan perubahannya pada dataframe kita. Di baris terakhir ada truncate=False, hal itu kita ketikkan supaya hasil output pada jupyter notebook tidak terpotong. Admint akan tunjukan dengan dan tanpa truncate=False.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/404/1*gBnQbCW87i3xiy-jK-4exQ.png" /><figcaption>dengan truncate=False</figcaption></figure><figure><img alt="" src="https://cdn-images-1.medium.com/max/355/1*O5mhSUpugUgIwAvIQKV4lQ.png" /><figcaption>tanpa truncate=False</figcaption></figure><p>Kelihatan kan bedanya, pada features, angkanya tidak terlihat secara lengkap jika tidak diberi perintah truncate=False. Maka dari itu dengan kita memasukan perintah tambahan tersebut, kolom features akan menyesuaikan ukuran kolomnya sehingga semua hasilnya kelihatan.</p><p>3. Melatih Model Regresi Linear</p><p>Sebelumnya maksud dari regresi linear adalah kita ingin melihat hubungan antar variabel bebas dan pengaruhnya terhadap variabel terikat. Jadi apakah apakah predisksi ini ada hubungannya ?, kita lihat.</p><p>Membagi data training dan testing</p><pre># randomSplit membagi data secara acak — 80% untuk latihan (training), 20% untuk pengujian (testing)<br>train, test = df_final.randomSplit([0.8, 0.2], seed=42)<br><br>print(f&quot;Jumlah data training : {train.count()}&quot;)<br>print(f&quot;Jumlah data testing   : {test.count()}&quot;)</pre><p>Pada kasus ini, kita bagi data trainingnya sebesar 80% dan data testingnya 20%. Perlu dicatat bahwa kita tidak boleh training model dengan data yang sama persis dipakai untuk training, karena hal tersebut memberikan gambaran performa yang terlalu optimis dan menyesatkan. Selain itu karena disini kita pakai randomizer lagi, kita perlu tambahkan seed pada parameternya, supaya ketika kita ingin pakai hasil random yang sama, panggil saja seednya yaitu 42 seperti diatas.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/243/1*nANd4xkAkQTMC5YP4cA4BA.png" /></figure><p>Melatih Model</p><pre>from pyspark.ml.regression import LinearRegression<br><br># Mendefinisikan model: featuresCol menunjuk ke kolom fitur, labelCol menunjuk ke kolom target yang diprediksi<br>lr = LinearRegression(featuresCol=&quot;features&quot;, labelCol=&quot;pendapatan&quot;)<br><br># fit() melatih model menggunakan data training -- inilah tahap &quot;pembelajaran&quot; sesungguhnya<br>model = lr.fit(train)<br><br>print(&quot;Model berhasil dilatih!&quot;)<br>print(&quot;Koefisien tiap fitur:&quot;, model.coefficients)<br>print(&quot;Intercept:&quot;, model.intercept)</pre><p>Kita panggil library pyspark.ml.regression dengan modul LinearRegression untuk menjalankan model regresi linear. Seperti keterangan diatas parameter yang kita masukkan ialah variabel bebasnya (features) dan variabel terikatnya(pendapatan).</p><p>Kemudian pada 2 baris terakhir ada coefficients dan intercept :</p><p>Coefficients : Menunjukan seberapa besar pengaruh tiap fitur terhadap prediksi, urutannya mengikut urutan inputCols pada VectorAssembler. Makin besar nilai absolut koefisien suatu fitur, makin besar pengaruhnya terhadap prediksi pendapatan (dengan catatan skala satuan tiap fitur perlu diperhatikan saat membandingkan).</p><p>Intercept : Nilai konstanta atau bias yang merepresentasikan prediksi variabel dependen ketika semua variabel independen bernilai nol. Intercept menentukan posisi vertikal garis regresi pada sumbu Y. Hal ini membuat intecept merupakan nilai dasar model sebelum mempertimbangkan pengaruh dari fitur lainya. Nilainya bisa positif atau negatif, atau nol.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/829/1*gWTwwxBlrDOP0Up7qYv5NA.png" /></figure><p>Bisa dilihat pada gambar diatas hasil dari model yang dilatih. Jika dilihat, nilai mutlak paling besar adalah milik unit terjual yaitu sebesar 79912.4 sekian. Hal ini mengindikasikan bahwa fitur unit terjual berpengaruh besar terhadap prediksi sebuah data.</p><p>Membuat Prediksi</p><pre>predictions = model.transform(test)<br>predictions.select(&quot;unit_terjual&quot;, &quot;harga_satuan&quot;, &quot;kategori&quot;, &quot;kota&quot;, &quot;pendapatan&quot;, &quot;prediction&quot;).show(10)</pre><p>Setelah modelnya kita latih, kita latih dan lihat hasilnya. Kolom prediction merupakan hasil tebakan model dibandingkan dengan pendapatan (nilai sesungguhnya)</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/744/1*BzQDrMf4EBh8tzWCIQgNjA.png" /></figure><p>Biar kita tau seberapa akurat model prediksinya, kita evaluasi dibawah ini.</p><p>4. Evaluasi Model Regresi</p><p>Disini kita akan melihat sebuah metrik bernama RMSE (Root Mean Squared Error) dan R².</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/572/1*cc3Wkf2jUiuF0r8bBK8rnA.png" /></figure><pre>from pyspark.ml.evaluation import RegressionEvaluator<br><br># RMSE (Root Mean Squared Error) -- rata-rata besar kesalahan prediksi, dalam satuan yang sama dengan target (Rupiah)<br>evaluator_rmse = RegressionEvaluator(labelCol=&quot;pendapatan&quot;, predictionCol=&quot;prediction&quot;, metricName=&quot;rmse&quot;)<br>rmse = evaluator_rmse.evaluate(predictions)<br><br># R-squared -- seberapa besar proporsi variasi data yang berhasil &quot;dijelaskan&quot; oleh model (0 = buruk, 1 = sempurna)<br>evaluator_r2 = RegressionEvaluator(labelCol=&quot;pendapatan&quot;, predictionCol=&quot;prediction&quot;, metricName=&quot;r2&quot;)<br>r2 = evaluator_r2.evaluate(predictions)<br><br>print(f&quot;RMSE : Rp {rmse:,.0f}&quot;)<br>print(f&quot;R²   : {r2:.4f}  ({r2*100:.1f}% variasi data berhasil dijelaskan model)&quot;)</pre><figure><img alt="" src="https://cdn-images-1.medium.com/max/512/1*ICrDMjziPLGOzdc-_7wMhw.png" /></figure><p>Nah berdasarkan hasil diatas terlihat R² nya diatas 0.8 sehingga model cukup baik dalam menangkap pola hubungan antara fitur dengan pendapatan dan RMSE nya ialah sebesar 175,681 ribu rupiah. Hal ini masuk akal karena kita memang merancang pendapatan sebagian besar berdasarkan unit_terjual x harga_satuan (ditambah sedikit variasi acak), jadinya program lebih mudah memprediksi</p><ul><li>Latihan Mandiri</li></ul><p>Karena kita masih membutuhkan program diatas, maka kita tidak matikkan dulu spark sessionnya.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/777/1*XuVjhNYsUlJa3OSRMxFRFw.png" /></figure><pre># Jawaban Soal 1 di sini<br>#Membuat String Indexer kategori dan kota<br>indexer_kategori = StringIndexer(inputCol=&quot;kategori&quot;, outputCol=&quot;kategori_idx&quot;)<br>indexer_kota = StringIndexer(inputCol=&quot;kota&quot;, outputCol=&quot;kota_idx&quot;)<br><br>df_indexed= indexer_kategori.fit(df).transform(df)<br>df_indexed= indexer_kota.fit(df_indexed).transform(df_indexed)<br><br>df_indexed.select(&quot;kategori&quot;,&quot;kategori_idx&quot;,&quot;kota&quot;,&quot;kota_idx&quot;).show(10)</pre><p>disini admint ikuti saja langkah yang sudah kita lakukan diatas jadi admint akan memperlihatkan baris kode nya secara singkat saja.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/406/1*eNMPHSFgRQXVe4l4DBI3aA.png" /></figure><pre>#Membuat Vector assembler<br><br>assembler = VectorAssembler(<br>    inputCols=[&quot;unit_terjual&quot;,&quot;harga_satuan&quot;,&quot;rating&quot;],<br>    outputCol=&quot;features_sederhana&quot;<br>)<br><br>df_final = assembler.transform(df_indexed)<br>df_final.select(&quot;features_sederhana&quot;, &quot;pendapatan&quot;).show(5, truncate=False)</pre><figure><img alt="" src="https://cdn-images-1.medium.com/max/350/1*Z5TLI-MNzfahMRMYfJNcNQ.png" /></figure><figure><img alt="" src="https://cdn-images-1.medium.com/max/796/1*uy2CEBhVi0dXPq5IGSB3Sg.png" /></figure><pre># Jawaban Soal 2 di sini<br>#membagi data dahulu<br>train, test = df_final.randomSplit([0.8, 0.2], seed=42)<br><br>print(&quot;jumlah data training&quot;, train.count())<br>print(&quot;jumlah data testing&quot;, test.count())</pre><figure><img alt="" src="https://cdn-images-1.medium.com/max/213/1*6evUhALe9Ys_VpVzBsJSgA.png" /></figure><pre>#Mendefinisikan model<br>lr = LinearRegression(featuresCol=&quot;features_sederhana&quot;, labelCol=&quot;pendapatan&quot;)<br>#melatih model dengan data training<br>model = lr.fit(train)<br><br>print(&quot;model sudah dilatih&quot;)<br>print(&quot;koefisien tiap fitur&quot;,model.coefficients)<br>print(&quot;Intercept&quot;,model.intercept)</pre><figure><img alt="" src="https://cdn-images-1.medium.com/max/626/1*IHAN5VjsEFYrvQH1BVmUEQ.png" /></figure><p>Bisa dilihat bahwa koefisien milik unit_terjual masih yang mendominasi pengaruh dari prediksi.</p><pre>#Evaluasi model regresi<br>evaluator_r2 = RegressionEvaluator(labelCol=&quot;pendapatan&quot;, predictionCol=&quot;prediction&quot;,metricName=&quot;r2&quot;)<br>print(f&quot;R^2 : {r2:.4f} ({r2*100:.1f}% variasi data berhasil dijelaskan model&quot;)</pre><figure><img alt="" src="https://cdn-images-1.medium.com/max/550/1*zDl39KFuMeEB8QQtq_bGVQ.png" /></figure><figure><img alt="" src="https://cdn-images-1.medium.com/max/777/1*BJvS_2QilNGUg1wfsd3_YA.png" /></figure><pre># Jawaban Soal 3 di sini<br><br>predictions.select(&quot;unit_terjual&quot;, &quot;harga_satuan&quot;, &quot;kategori&quot;, &quot;kota&quot;, &quot;pendapatan&quot;, &quot;prediction&quot;).show(10)<br>predictions = predictions.withColumn(&quot;selisih_prediksi&quot;, col(&quot;pendapatan&quot;)-col(&quot;prediction&quot;))<br><br>predictions.select(&quot;unit_terjual&quot;,&quot;harga_satuan&quot;,&quot;kategori&quot;,&quot;kota&quot;,&quot;pendapatan&quot;,&quot;prediction&quot;,&quot;selisih_prediksi&quot;)\<br>    .orderBy(col(&quot;selisih_prediksi&quot;).desc()).show(5, truncate=False)</pre><figure><img alt="" src="https://cdn-images-1.medium.com/max/726/1*WpP5ohidoDub5LvGfZdO8w.png" /><figcaption>Data predictions sebelum dibuat kolom selisihnya</figcaption></figure><figure><img alt="" src="https://cdn-images-1.medium.com/max/899/1*ppkYRus_FxiY6kec6S10kg.png" /><figcaption>hasil setelah dibuatnya kolom selisih dan diurutkan</figcaption></figure><pre>spark.stop()<br>print(&quot;spark dihentikan&quot;)</pre><p>Nah baru di titik ini, kita matikan sparksessionnya. Kita jawab dulu refleksi singkat dibawah kemudian kita kerjakan tugas mandirinya</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/813/1*JkCEJCIv5YfJuJGCW1k53g.png" /></figure><p>Supaya lebih hemat sumber daya seperti memori. Selain itu fitur harus dikemas jadi satu supaya API sparknya konsisten karena adanya standarisasi input dari kita menggabungkan fitur.</p><ul><li><strong>Tugas mandiri</strong></li></ul><p>Konteks :</p><p>Manajemen “Kopi Nusantara” (skenario yang sama dari Pertemuan 7, 9, dan 10) ingin memiliki alat bantu <strong>prediksi omzet harian</strong> tiap cabang, agar dapat merencanakan stok bahan baku dengan lebih baik. Anda ditugaskan membangun model regresi untuk memprediksi total_penjualan sebuah pesanan berdasarkan atribut-atributnya.</p><p>Disini admint tidak akan menjelaskan banyak karena lagi-lagi mirip seperti yang diatas sehingga teman-teman cermati saja sintaks beserta hasilnya.</p><p>Menyiapkan Dataset dan SparkSession</p><pre>#Menyiapkan Dataset<br>import numpy as np<br>import pandas as pd<br><br>np.random.seed(111)<br>n = 2500<br>menu_list = [&quot;Kopi Susu&quot;, &quot;Americano&quot;, &quot;Cappuccino&quot;, &quot;Roti Bakar&quot;, &quot;Kentang Goreng&quot;, &quot;Es Teh&quot;]<br>cabang_list = [&quot;Magelang&quot;, &quot;Yogyakarta&quot;, &quot;Semarang&quot;]<br>waktu_list = [&quot;Pagi&quot;, &quot;Siang&quot;, &quot;Sore&quot;, &quot;Malam&quot;]<br><br>data_tugas11 = pd.DataFrame({<br>    &quot;nama_menu&quot;: np.random.choice(menu_list, size=n),<br>    &quot;cabang&quot;: np.random.choice(cabang_list, size=n),<br>    &quot;waktu_pesan&quot;: np.random.choice(waktu_list, size=n),<br>    &quot;qty&quot;: np.random.randint(1, 6, size=n),<br>    &quot;harga_satuan&quot;: np.random.choice([15000, 18000, 20000, 22000, 25000, 30000], size=n),<br>})<br>data_tugas11[&quot;total_penjualan&quot;] = data_tugas11[&quot;qty&quot;] * data_tugas11[&quot;harga_satuan&quot;] + np.random.normal(0, 8000, size=n)<br>data_tugas11.to_csv(&quot;tugas11_penjualan.csv&quot;, index=False)<br><br>print(f&quot;Dataset berhasil dibuat: {len(data_tugas11)} baris&quot;)<br>print(data_tugas11.head())</pre><figure><img alt="" src="https://cdn-images-1.medium.com/max/646/1*jj5n0MQTZc5YZlT3LVFuEQ.png" /></figure><pre>#Menyiapkan SparkSession<br>from pyspark.sql import SparkSession<br>from pyspark.sql.functions import col<br><br>spark = SparkSession.builder.appName(&quot;Tugas11_KopiNusantara&quot;).master(&quot;local[*]&quot;).getOrCreate()<br>spark.sparkContext.setLogLevel(&quot;ERROR&quot;)<br>spark.conf.set(&quot;spark.sql.shuffle.partitions&quot;,&quot;4&quot;)<br><br>#Membaca dataframe dari file csv<br>df_penjualan = spark.read.csv(&quot;tugas11_penjualan.csv&quot;, header = True, inferSchema=True)<br>df_penjualan.show(10)</pre><figure><img alt="" src="https://cdn-images-1.medium.com/max/827/1*FzRosqrKwSeqTAFxtqofbw.png" /></figure><figure><img alt="" src="https://cdn-images-1.medium.com/max/773/1*Zl6sWCkgtBa4eiRsESyBlw.png" /></figure><pre>#A. Feature Engineering<br>##Mengubah kolom string menjadi numerik dengan StringIndexer<br>from pyspark.ml.feature import StringIndexer<br><br>#urutan index berdasarkan frekuensi kemunculan (paling sering muncul -&gt; index 0, dst)<br>indexer_namaMenu = StringIndexer(inputCol=&quot;nama_menu&quot;, outputCol=&quot;nama_menu_idx&quot;)<br>indexer_cabang = StringIndexer(inputCol=&quot;cabang&quot;, outputCol=&quot;cabang_idx&quot;)<br>indexer_waktu = StringIndexer(inputCol=&quot;waktu_pesan&quot;, outputCol=&quot;waktu_pesan_idx&quot;)<br><br>#mempelajari daftar kategori dengan fit(), lalu transform() untuk menerapkan perubahan<br>df_indexed = indexer_namaMenu.fit(df_penjualan).transform(df_penjualan)<br>df_indexed = indexer_cabang.fit(df_indexed).transform(df_indexed)<br>df_indexed = indexer_waktu.fit(df_indexed).transform(df_indexed)<br><br>df_indexed.select(&quot;nama_menu&quot;,&quot;nama_menu_idx&quot;,&quot;cabang&quot;,&quot;cabang_idx&quot;,&quot;waktu_pesan&quot;,&quot;waktu_pesan_idx&quot;).show(10)</pre><figure><img alt="" src="https://cdn-images-1.medium.com/max/675/1*kShnHQ2B4MbNd4DRopGjUg.png" /></figure><pre>#menggabungkan semua kolom menjadi satu kolom features dengan Vector Assembler<br>from pyspark.ml.feature import VectorAssembler<br><br>assembler = VectorAssembler(<br>    inputCols = [&quot;nama_menu_idx&quot;,&quot;cabang_idx&quot;,&quot;waktu_pesan_idx&quot;,&quot;qty&quot;,&quot;harga_satuan&quot;],<br>    outputCol = &quot;features&quot;<br>)<br><br>df_final = assembler.transform(df_indexed)<br>df_final.select(&quot;features&quot;).show(5, truncate=False)</pre><figure><img alt="" src="https://cdn-images-1.medium.com/max/246/1*mLWMWX7KVy6YFb5cJWGBpw.png" /></figure><figure><img alt="" src="https://cdn-images-1.medium.com/max/764/1*Tsh62A6tSVaCSIZP5hD5Kw.png" /></figure><pre>##B. Train / Test Split &amp; pelatihan model<br>#membagi data menjadi 75% untuk training model dan 25% untuk testing<br>train, test = df_final.randomSplit([0.75,0.25], seed=101)<br><br>print(&quot;Jumlah data training :&quot;, train.count())<br>print(&quot;Jumlah data testing :&quot;, test.count())<br><br>#melatih model linear regression dengan labelCol=&quot;total_penjualan&quot;<br>from pyspark.ml.regression import LinearRegression<br><br>#mendefinisikan model<br>lr = LinearRegression(featuresCol = &quot;features&quot;, labelCol = &quot;total_penjualan&quot;)<br><br>#melatih model menggunakan data training dengan fit()<br>model = lr.fit(train)<br><br>print(&quot;Model telah dikultivasi&quot;)<br>print(&quot;Koefisien tiap fitur : &quot;,model.coefficients)<br>print(&quot;Intercept : &quot;,model.intercept)</pre><figure><img alt="" src="https://cdn-images-1.medium.com/max/821/1*OIf7nEp9Z3Ck9LZPJ0n1_g.png" /></figure><p>Nah disini, koefisien paling besar ialah 22046 yang merupakan milik fitur qty, sehingga bisa kita duga dari sini bahwa qty akan menjadi fitur yang memengaruhi hasil prediksi. Kita coba lihat datasetnya dengan predictionnya.</p><pre>prediction = model.transform(test)<br>prediction.select(&quot;nama_menu&quot;,&quot;cabang&quot;,&quot;waktu_pesan&quot;,&quot;qty&quot;,&quot;harga_satuan&quot;,<br>                  &quot;total_penjualan&quot;,&quot;prediction&quot;).show(10)</pre><figure><img alt="" src="https://cdn-images-1.medium.com/max/731/1*FD6UtfSwWgMxUbEgTCxj9g.png" /></figure><p>Ada yang mirip, ada yang kurang, ada yang mblandang kekw.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/803/1*7Cj5esnIKiLW35oRWwQXSg.png" /></figure><pre>##C. Evaluasi Model<br>from pyspark.ml.evaluation import RegressionEvaluator<br>#RMSE (Root Mean Square Error) -- rata-rata kesalahan prediksi dalam satuan yang sama dengan target<br>evaluator_rmse = RegressionEvaluator(labelCol=&quot;total_penjualan&quot;, predictionCol=&quot;prediction&quot;, metricName=&quot;rmse&quot;)<br>rmse= evaluator_rmse.evaluate(prediction)<br><br>#R-squared -- seberapa besar proporsi variasi data yang berhasil dijelaskan oleh model (0 = buruk, 1 = sempurna)<br>evaluator_r2 = RegressionEvaluator(labelCol=&quot;total_penjualan&quot;, predictionCol=&quot;prediction&quot;,metricName=&quot;r2&quot;)<br>r2 = evaluator_r2.evaluate(prediction)<br><br>print(f&quot;RMSE = Rp {rmse:,.0f}&quot;)<br>print(f&quot;R^2 = {r2:.4f} ({r2*100:.1f}% variasi data berhasil dijelaskan dengan model&quot;)</pre><figure><img alt="" src="https://cdn-images-1.medium.com/max/539/1*94sD3LrhA492TZMpkRdXew.png" /></figure><p>Dari hasil yang admint dapatkan, bisa disimpulkan bahwa model admint anggap sangat baik untuk dipakai memprediksi omset dari sebuah dataset karena R² nya yang sebesar 91%</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/800/1*idRi9N9Py5R-lcdgfNvosQ.png" /></figure><pre>#D. Eksperimen Perbandingan Fitur<br>#Membuat model kedua dengan hanya fitur qty dan harga_satuan<br>assembler2 = VectorAssembler(<br>    inputCols = [&quot;qty&quot;,&quot;harga_satuan&quot;],<br>    outputCol = &quot;features2&quot;<br>)<br><br>df_final2 = assembler2.transform(df_indexed)<br>df_final2.select(&quot;features2&quot;).show(5, truncate=False)</pre><p>Tinggal kita ubah inputCols assemblernya hanya berisi qty dan harga_satuan serta outputCol nya menjadi feature2 supaya nggak nimpa feature sebelumnya.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/200/1*QjO5g6zY7FQcY5wU-M4dzw.png" /></figure><pre>#melatih model<br>#membagi data menjadi 75% untuk training model dan 25% untuk testing<br>train, test = df_final2.randomSplit([0.75,0.25], seed=101)<br><br>print(&quot;Jumlah data training :&quot;, train.count())<br>print(&quot;Jumlah data testing :&quot;, test.count())<br><br>#melatih model linear regression dengan labelCol=&quot;total_penjualan&quot;<br>#mendefinisikan model<br>lr = LinearRegression(featuresCol = &quot;features2&quot;, labelCol = &quot;total_penjualan&quot;)<br><br>#melatih model menggunakan data training dengan fit()<br>model2 = lr.fit(train)<br><br>print(&quot;Model telah dikultivasi&quot;)<br>print(&quot;Koefisien tiap fitur : &quot;,model2.coefficients)<br>print(&quot;Intercept : &quot;,model2.intercept)</pre><figure><img alt="" src="https://cdn-images-1.medium.com/max/513/1*w00WzaIyyKam-r7mtbwY0w.png" /></figure><p>Dan yak, qty jadi fitur yang paling memengaruhi prediksi.</p><pre>prediction2 = model2.transform(test)<br>prediction2.select(&quot;nama_menu&quot;,&quot;cabang&quot;,&quot;waktu_pesan&quot;,&quot;qty&quot;,&quot;harga_satuan&quot;,<br>                  &quot;total_penjualan&quot;,&quot;prediction&quot;).show(10)</pre><figure><img alt="" src="https://cdn-images-1.medium.com/max/730/1*wmD8iewfebkgmb9qF8onaA.png" /></figure><pre>evaluator_rmse = RegressionEvaluator(labelCol=&quot;total_penjualan&quot;, predictionCol=&quot;prediction&quot;, metricName=&quot;rmse&quot;)<br>rmse = evaluator_rmse.evaluate(prediction2)<br><br>evaluator_r2 = RegressionEvaluator(labelCol=&quot;total_penjualan&quot;, predictionCol=&quot;prediction&quot;,metricName=&quot;r2&quot;)<br>r2 = evaluator_r2.evaluate(prediction2)<br>print(f&quot;RMSE = Rp {rmse:,.0f}&quot;)<br>print(f&quot;R^2 = {r2:.4f} ({r2*100:.1f}% variasi data berhasil dijelaskan dengan model&quot;)</pre><p>Nah disini ada sedikit catatan temen-temen, walau kita beri nama datasetnya sebagai prediction2 dengan sintaks diatas, saat kita melakukan evaluasi RMSE dan R², predictionColnya akan tetap menjadi prediction, bukan prediction2. Hal tersebut disebabkan oleh sistem dari SparkMLlib, namun dengan tetap membedakan 2 dataset prediction, kita akan punya dua tabel terpisah yang bisa jadi pembanding nanti karena tetap disimpan di memori.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/541/1*xn4WLHT0N92h9OHFey6a9A.png" /></figure><p>Dan ternyata mirip hasilnya saudara-saudara. Ternyata menambahkan info menu/cabang/waktu pada features tidak terlalu (tidak bahkan) memengaruhi akurasi prediksi karena fitur dengan koefisien terbesar ialah qty dan pada model kedua ini kita masih pakai fitur qty sehingga hasilnya mirip.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/805/1*0i4T-Z1PY6JdjoEK_Donug.png" /></figure><p>Disini admint diminta untuk menambahkan 3 data dummy baru mari kita buat dataset barunya dulu.</p><pre>##E. Prediksi Skenario Baru<br>#Membuat 3 record skenario pesanan baru<br>data_skenario_baru = pd.DataFrame({<br>    &quot;nama_menu&quot;: [&quot;Kopi Susu&quot;, &quot;Americano&quot;, &quot;Roti Bakar&quot;],<br>    &quot;cabang&quot;: [&quot;Magelang&quot;, &quot;Yogyakarta&quot;, &quot;Semarang&quot;],<br>    &quot;waktu_pesan&quot;: [&quot;Pagi&quot;, &quot;Siang&quot;, &quot;Malam&quot;],<br>    &quot;qty&quot;: [2, 4, 3],<br>    &quot;harga_satuan&quot;: [20000, 25000, 30000]<br>})<br>df_skenario = spark.createDataFrame(data_skenario_baru)<br>df.show(10)</pre><figure><img alt="" src="https://cdn-images-1.medium.com/max/433/1*nDGUxgwM2-9DqGKUAE-nqg.png" /></figure><p>Kemudian kita diminta untuk menjalankan tahap StringIndexer dan VectorAssembler yang sama seperti data training. Namun StringIndexernya tidak perlu buat lagi, karena kalau kita buat lagi, indexnya dari stringIndexer pada langkah-langkah sebelumnya, kemungkinan bisa berubah dan mengacaukan prediksi.</p><pre>#Memasukan dataset baru langsung ke dataset yang sudah diprediksi sebelumnya<br>df_skenario_indexed = indexer_namaMenu.fit(df_penjualan).transform(df_skenario)<br>df_skenario_indexed = indexer_cabang.fit(df_penjualan).transform(df_skenario_indexed)<br>df_skenario_indexed = indexer_waktu.fit(df_penjualan).transform(df_skenario_indexed)<br><br># Transformasi menggunakan VectorAssembler utama<br>df_skenario_final = assembler.transform(df_skenario_indexed)<br><br># Melakukan prediksi menggunakan model regresi utama<br>prediksi_skenario = model.transform(df_skenario_final)<br><br># Menampilkan hasil prediksi<br>prediksi_skenario.select(<br>    &quot;nama_menu&quot;, &quot;cabang&quot;, &quot;waktu_pesan&quot;, &quot;qty&quot;, &quot;harga_satuan&quot;, &quot;prediction&quot;<br>).show(truncate=False)</pre><figure><img alt="" src="https://cdn-images-1.medium.com/max/576/1*CWVXMlegcisCh4LV6ASqzA.png" /></figure><pre>#Menghentikan Spark<br>spark.stop()<br>print(&quot;Spark berhenti&quot;)</pre><p>Nah karena sudah selesai, matikan sparksessionnya.</p><ul><li><strong>Kesimpulan</strong></li></ul><p>Jadi dapat disimpulkan bahwa <em>Spark MLlib</em> merupakan modul pembelajaran mesin terdistribusi yang sangat efisien untuk memproses data dalam skala besar (<em>Big Data</em>), memungkinkan pelatihan model memanfaatkan seluruh sumber daya klaster secara paralel dibandingkan pendekatan konvensional yang terbatas pada satu perangkat (<em>single-node</em>).</p><p>Karena algoritma <em>machine learning</em> memerlukan data numerik dan format masukan yang seragam, tahapan <em>feature engineering</em> sangat krusial. Hal ini dilakukan melalui StringIndexer untuk mengonversi data teks/kategori menjadi indeks numerik, serta VectorAssembler untuk menggabungkan seluruh fitur independen ke dalam satu kolom vektor (<em>features</em>) yang terstandarisasi.</p><p>Pelatihan model menggunakan LinearRegression mampu memetakan hubungan antara variabel bebas (seperti jumlah unit terjual, harga satuan, kategori, kota, dan rating) dengan variabel target berupa pendapatan/total penjualan. Analisis terhadap <em>coefficients</em> membantu mengidentifikasi fitur mana yang paling dominan memengaruhi hasil prediksi (misalnya kuantitas barang/qty), sementara <em>intercept</em> menentukan nilai dasar model.</p><p>Keandalan model diukur menggunakan metrik <strong>RMSE</strong> (<em>Root Mean Squared Error</em>) untuk mengetahui tingkat kesalahan prediksi dalam satuan asli, serta <strong>R²</strong> (<em>R-squared</em>) untuk mengukur seberapa besar proporsi variasi data yang berhasil dijelaskan oleh model. Hasil pengujian menunjukkan nilai R² yang tinggi, membuktikan bahwa model mampu menangkap pola data dengan sangat baik.</p><ul><li><strong>Referensi</strong></li></ul><p><a href="https://aws.amazon.com/what-is/machine-learning/">What is Machine Learning? - ML Technology Explained - AWS</a></p><p>Modul_Praktikum_BigData_Pertemuan11</p><ul><li>Github</li></ul><p><a href="https://github.com/CellonizM/Big-Data">GitHub - CellonizM/Big-Data</a></p><img src="https://medium.com/_/stat?event=post.clientViewed&referrerSource=full_rss&postId=25b4aea9686e" width="1" height="1" alt="">]]></content:encoded>
        </item>
        <item>
            <title><![CDATA[JarKom Teori : Analisis Protokol dan Alur Layer OSI pada Akses Website CMS Berbasis Docker melalui…]]></title>
            <link>https://medium.com/@Cellokp/jarkom-teori-analisis-protokol-dan-alur-layer-osi-pada-akses-website-cms-berbasis-docker-melalui-f29bb545c19c?source=rss-63188470f38a------2</link>
            <guid isPermaLink="false">https://medium.com/p/f29bb545c19c</guid>
            <dc:creator><![CDATA[MarcelloKP]]></dc:creator>
            <pubDate>Mon, 16 Nov 2026 07:55:42 GMT</pubDate>
            <atom:updated>2026-11-16T07:55:42.727Z</atom:updated>
            <content:encoded><![CDATA[<h3>JarKom Teori : Analisis Protokol dan Alur Layer OSI pada Akses Website CMS Berbasis Docker melalui Cloudflare Tunnel</h3><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/0*HNVQh5riBq-w3gfW" /><figcaption>Photo by <a href="https://unsplash.com/@alinnnaaaa?utm_source=medium&amp;utm_medium=referral">Alina Grubnyak</a> on <a href="https://unsplash.com/?utm_source=medium&amp;utm_medium=referral">Unsplash</a></figcaption></figure><p>Halo guys, disini admint M dan sobat kalcer admint mas wil <a href="https://medium.com/u/386b7eae6048">Wildanmaulana</a>, akan menganalisa alur protokol OSI layer pada website CMS berbasis docker melalui cloudflare tunnel. Mari kita bahas.</p><ol><li><strong>Studi Kasus</strong></li></ol><p>Studi kasus yang digunakan adalah proses mengakses website CMS yang di-hosting secara mandiri pada home server menggunakan Docker dan Cloudflare Tunnel. Home server menggunakan sistem operasi Ubuntu Server yang menjalankan beberapa container Docker, di antaranya Nginx sebagai reverse proxy dan aplikasi Laravel sebagai backend website.</p><p>Aktivitas yang dianalisis adalah ketika pengguna membuka domain website CMS melalui browser dari jaringan internet. Permintaan pengguna akan diterima oleh jaringan Cloudflare melalui koneksi HTTPS, kemudian diteruskan melalui Cloudflare Tunnel yang telah terhubung dengan layanan cloudflared pada home server. Selanjutnya, permintaan diteruskan ke Nginx untuk diarahkan menuju container aplikasi Laravel. Setelah diproses, aplikasi mengirimkan respons kembali melalui jalur komunikasi yang sama hingga diterima oleh browser pengguna.</p><p>Penggunaan Cloudflare Tunnel memungkinkan website diakses dari internet tanpa harus membuka port inbound secara langsung pada router rumah.</p><p>2. Service Name and Transport Protocol Number</p><p>Dalam proses akses website CMS tersebut terdapat beberapa layanan dan protokol jaringan yang terlibat. Tabel berikut menunjukkan protokol dan port yang relevan pada arsitektur tersebut.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/505/1*chYJgN6jaC9uFk_ouh6gKg.png" /></figure><p>Port 443 digunakan untuk komunikasi HTTPS antara browser dan Cloudflare. Sementara itu, Cloudflare Tunnel menggunakan UDP port 7844 apabila menggunakan QUIC atau TCP port 7844 apabila menggunakan HTTP/2. Koneksi internal antara Nginx dan aplikasi juga bergantung pada konfigurasi jaringan serta port yang ditentukan dalam Docker Compose.</p><p>3. Alur Kerja Tiap Layer OSI</p><p><strong>Layer 7 — Application</strong></p><p>Pada layer ini, pengguna mengakses website melalui browser dengan memasukkan domain. Browser mengirimkan HTTP request menggunakan HTTPS kepada server Cloudflare. Permintaan tersebut berisi informasi seperti metode HTTP, URL, header, dan data yang diminta. Cloudflare kemudian meneruskan permintaan melalui koneksi Tunnel menuju layanan pada home server.</p><p><strong>Layer 6 — Presentation</strong></p><p>Layer ini berkaitan dengan representasi dan keamanan data. Komunikasi HTTPS menggunakan TLS untuk mengenkripsi data sehingga informasi yang dikirimkan tidak mudah dibaca oleh pihak lain. Data akan dienkripsi sebelum dikirimkan dan didekripsi oleh pihak yang memiliki kewenangan untuk memprosesnya. Pada Cloudflare Tunnel juga terdapat koneksi terenkripsi antara cloudflared dan jaringan Cloudflare.</p><p><strong>Layer 5 — Session</strong></p><p>Layer ini berhubungan dengan pembentukan, pemeliharaan, dan pengakhiran sesi komunikasi. Dalam studi kasus ini, koneksi browser dengan Cloudflare dan koneksi cloudflared dengan Cloudflare merupakan dua sesi komunikasi yang berbeda. Cloudflare Tunnel mempertahankan koneksi dari home server menuju jaringan Cloudflare agar permintaan pengguna dapat diteruskan.</p><p><strong>Layer 4 — Transport</strong></p><p>Pada layer ini, data dikirimkan menggunakan protokol transport TCP atau UDP. Koneksi HTTPS dari browser dapat menggunakan TCP port 443, sedangkan HTTP/3 menggunakan QUIC di atas UDP port 443. Sementara itu, Cloudflare Tunnel menggunakan QUIC melalui UDP port 7844 atau HTTP/2 melalui TCP port 7844. Protokol transport bertugas mengatur pengiriman data sesuai karakteristik masing-masing protokol.</p><p><strong>Layer 3 — Network</strong></p><p>Layer ini bertanggung jawab terhadap pengalamatan IP dan proses routing paket. Ketika pengguna mengakses website, paket data dikirimkan melalui jaringan internet menuju infrastruktur Cloudflare. Selanjutnya, komunikasi antara Cloudflare dan home server dilakukan melalui koneksi Tunnel yang telah dibangun oleh cloudflared. Pada sisi server, paket diteruskan melalui jaringan yang tersedia menuju container tujuan.</p><p><strong>Layer 2 — Data Link</strong></p><p>Pada layer ini, komunikasi berlangsung melalui pengiriman frame menggunakan alamat MAC. Di sisi home server, Docker menggunakan virtual Ethernet dan bridge network untuk menghubungkan container seperti Nginx dan Laravel. Dengan demikian, komunikasi antarkontainer dapat berlangsung melalui jaringan virtual tanpa harus melewati jaringan fisik secara langsung.</p><p><strong>Layer 1 — Physical</strong></p><p>Layer ini merupakan media fisik yang digunakan untuk mengirimkan bit data. Pada sisi pengguna, media yang digunakan dapat berupa kabel Ethernet atau jaringan Wi-Fi. Sementara pada home server, data dikirimkan melalui perangkat jaringan seperti Network Interface Card (NIC), kabel LAN, dan router yang menghubungkan server dengan internet.</p><p>4. Bukti Observasi Aplikasi dan Pengecekan</p><p>a. Melihat Container Docker</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*Yhp3mYtZBo2Exun4t_jKHQ.jpeg" /><figcaption>sudo docker ps</figcaption></figure><p>Perintah ini digunakan untuk melihat container yang sedang berjalan, seperti Nginx, aplikasi Laravel, dan Cloudflare Tunnel apabila container tersebut digunakan.</p><p>b. Melihat Jaringan Docker</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/463/1*_Cmj_JhQ1mpc7xLp2zVnHw.jpeg" /></figure><p>Perintah ini digunakan untuk mengetahui jaringan virtual yang menghubungkan container.</p><p>c. Melihat Koneksi Jaringan</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/465/1*rHSps1VPjqcDNIFKA_3img.jpeg" /></figure><p>Perintah tersebut digunakan untuk mengamati port yang sedang digunakan serta koneksi TCP dan UDP pada server.</p><p>d. <strong>Memeriksa resolusi domain dan respons website dari komputer klien</strong></p><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*0qWpB3ucsigPnFV4mRNuLw.jpeg" /></figure><figure><img alt="" src="https://cdn-images-1.medium.com/max/585/1*5FEsDLo69rSU799jFBBRXA.jpeg" /></figure><p>5. Kesimpulan</p><p>Berdasarkan analisis yang telah dilakukan, proses mengakses website CMS melalui Docker dan Cloudflare Tunnel melibatkan komunikasi jaringan yang bekerja pada tujuh layer OSI. Setiap layer memiliki fungsi masing-masing, mulai dari pemrosesan HTTP request, enkripsi data menggunakan TLS, pengiriman melalui TCP atau UDP, pengalamatan IP, hingga transmisi data melalui media fisik. Penggunaan Docker mempermudah pengelolaan aplikasi melalui container dan jaringan virtual, sedangkan Cloudflare Tunnel memungkinkan website pada home server diakses melalui internet tanpa harus membuka port inbound secara langsung. Dengan demikian, teknologi tersebut menunjukkan bagaimana berbagai protokol jaringan bekerja sama dalam menyediakan layanan website modern.</p><img src="https://medium.com/_/stat?event=post.clientViewed&referrerSource=full_rss&postId=f29bb545c19c" width="1" height="1" alt="">]]></content:encoded>
        </item>
        <item>
            <title><![CDATA[Big Data 8 : Pemrosesan Data Streaming Dengan Structured Streaming]]></title>
            <link>https://medium.com/@Cellokp/big-data-8-pemrosesan-data-streaming-dengan-structured-streaming-877341cf5638?source=rss-63188470f38a------2</link>
            <guid isPermaLink="false">https://medium.com/p/877341cf5638</guid>
            <dc:creator><![CDATA[MarcelloKP]]></dc:creator>
            <pubDate>Fri, 06 Nov 2026 13:31:37 GMT</pubDate>
            <atom:updated>2026-11-06T13:31:37.880Z</atom:updated>
            <content:encoded><![CDATA[<figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/0*Q9Fwld_DoUYIj-zF" /><figcaption>Photo by <a href="https://unsplash.com/@mikeanywhere?utm_source=medium&amp;utm_medium=referral">Mike Lewis HeadSmart Media</a> on <a href="https://unsplash.com/?utm_source=medium&amp;utm_medium=referral">Unsplash</a></figcaption></figure><p>Yak teman-teman, kembali lagi bersama admint di Bigdata. Kali ini kita akan melakukan sesi olah data secara “streaming”. Apa itu ?, cus.</p><ul><li><strong>Dasar Teori</strong></li></ul><p>Sebelumnya, semua data yang kita olah bersifat “statis” atau sudah lengkap tersimpan di CSV, HDFS, atau MongoDB sebelum kita proses. Nah kali ini kita coba yang datanya “bergerak”</p><p>Di real life, banyak data justru mengalir tanpa henti, contohnya seperti transaksi e-commerce, data hasil sensor IT, log aktivitas, maupun feed sosmed. Menunggu data “lengkap” sebelum kita proses terkesan mustahal ya kan, kita perlu memprosesnya secara berulang sesegera mungkin setelah data masuk. Dalam pemrosesan data “mengalir” ini, ada dua jenis, stream dan batch. Berikut tabel perbedaannya.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/788/1*GJFSLsBIqbW7Gmq9ARuW5w.png" /></figure><p>Sumber data streaming aslinya datang dari infrastruktur tambahan yang kompleks. Nah untuk mempelajarinya kita akan mensimulasikan aliran data memakai folder dengan cara sebagai berikut :</p><ol><li>berkas baru muncul di folder</li><li>folder diproses atau diolah oleh spark</li></ol><p>Cara ini mirip seperti data yang “mengalir masuk”.</p><ul><li><strong>Langkah Praktikum</strong></li></ul><ol><li>Menyiapkan SparkSession dan Folder Simulasi</li></ol><pre>from pyspark.sql import SparkSession<br>from pyspark.sql.types import StructType, StructField, StringType, IntegerType, TimestampType<br>from pyspark.sql.functions import window, sum as spark_sum, count, avg, col<br>import os<br>import shutil<br>import time<br>import pandas as pd<br><br>spark = SparkSession.builder \<br>    .appName(&quot;Pertemuan10-StructuredStreaming&quot;) \<br>    .master(&quot;local[*]&quot;) \<br>    .getOrCreate()<br>spark.sparkContext.setLogLevel(&quot;ERROR&quot;)<br><br># Mengurangi jumlah partisi shuffle default (200) agar pemrosesan pada VM/laptop kita lebih cepat<br># -- semakin kecil dataset (seperti simulasi kita), semakin tidak perlu partisi sebanyak itu<br>spark.conf.set(&quot;spark.sql.shuffle.partitions&quot;, &quot;4&quot;)<br><br>print(&quot;SparkSession siap. Versi Spark:&quot;, spark.version)</pre><p>Nah ada hal baru disini. Kita bahas dari paling atas.</p><p>Import pyspark.sql.types : berfungsi dalam pembuatan skema sebuah data</p><p>import os : mengimpor modul bawaan yang memungkinkan kita berinteraksi langsung dengan linux kita</p><p>import shutil : shutil itu singkatan dari shell utilities bukan shotil (spatula). Fungsinya ialah menjadi perantara kita untuk mengoperasikan file dan direktori dalam python</p><p>import time : mengimpor modul untuk mengakses, mengelola, dan memanipulasi waktu dalam program</p><p>Kemudian ada shuffle.partitions, fungsinya ialah mendistribusikan ulang data secara fisik di seluruh klaster, tanpa shuffle, data yang tersebar di berbagai node tak dapat digabungkan dengan benar karena tiap node hanya memiliki sebagian kecil data yang relevan</p><pre># Menyiapkan folder kosong yang akan berperan sebagai &quot;sumber data streaming&quot;<br>folder_stream = &quot;simulasi_stream_transaksi&quot;<br>folder_checkpoint = &quot;checkpoint_pertemuan10&quot;<br><br>shutil.rmtree(folder_stream, ignore_errors=True)<br>shutil.rmtree(folder_checkpoint, ignore_errors=True)<br>os.makedirs(folder_stream, exist_ok=True)<br><br>print(f&quot;Folder simulasi streaming &#39;{folder_stream}&#39; siap (kosong).&quot;)</pre><p>Nah disini baru kita baru kita pakai library shutil dan os. pertama kita buat variabel berupa folder stream dan checkpoint, folder stream ialah folder untuk kita menyimpan data dan folder checkpoint berfungsi untuk redundancy atau fault tolerance. Kemudian dengan shutil kita pastikan tidak ada folder sisa dengan perintah shutil.rmtree, lalu kita baru buat foldernya dengan perintah os.makedirs</p><p>2. Mendefinisikan skema</p><pre># Mendefinisikan skema secara eksplisit — wajib untuk streaming source berbasis berkas<br>skema_transaksi = StructType([<br>    StructField(&quot;trx_id&quot;, StringType(), True),<br>    StructField(&quot;kota&quot;, StringType(), True),<br>    StructField(&quot;kategori&quot;, StringType(), True),<br>    StructField(&quot;pendapatan&quot;, IntegerType(), True),<br>])<br><br>print(&quot;Skema berhasil didefinisikan:&quot;)<br>print(skema_transaksi)</pre><p>Berbeda dengan pembacaan batch di pertemuan sebelumnya, yang perintah inferSchema = True, Spark Structured Streaming <strong>tidak mengizinkan </strong>penebakan skema otomatis karena spark tidak bisa “menunggu data selesai” untuk menebak tipe datanya. Maka dari itu kita perlu membuat skemanya secara manual dengan StructType.</p><p>3. Membangun Streaming Query Pertama</p><p>a. Mendefinisikan Input Source (readStream)</p><pre>df_stream = spark.readStream \<br>    .format(&quot;csv&quot;) \<br>    .schema(skema_transaksi) \<br>    .option(&quot;header&quot;, True) \<br>    .load(folder_stream)<br><br>print(&quot;Streaming DataFrame berhasil didefinisikan (belum berjalan — baru &#39;rencana&#39;).&quot;)<br>print(&quot;df_stream.isStreaming:&quot;, df_stream.isStreaming)</pre><figure><img alt="" src="https://cdn-images-1.medium.com/max/637/1*2fpwG8WnTqOQrKezBw72pw.png" /></figure><p>Disini kita membuat “template dataframe” kita, mulai dari format file nya, skema nya apa (yang kita buat tadi), option header yang membuat baris pertama data sebagai kolom, dan dari folder mana data ini berasal. Mendefinisikan df_stream ini belum memulai proses apapun</p><p>b. Mendefinisikan Transformasi</p><pre># Melakukan agregasi — sintaks IDENTIK dengan groupBy/agg pada DataFrame batch (Pertemuan 4-5)<br>agregasi_stream = df_stream.groupBy(&quot;kota&quot;).agg(<br>    spark_sum(&quot;pendapatan&quot;).alias(&quot;total_pendapatan&quot;),<br>    count(&quot;trx_id&quot;).alias(&quot;jumlah_transaksi&quot;)<br>)<br><br>print(&quot;Transformasi berhasil didefinisikan.&quot;)</pre><p>sama seperti dataframe biasa, kita ubah sesuai keinginan kita dengan perintah groupBy dan agg (aggregate).</p><p>c. Mendefinisikan Output Sink (writeStream) &amp; Memulai Query</p><pre>query = agregasi_stream.writeStream \<br>    .outputMode(&quot;complete&quot;) \<br>    .format(&quot;memory&quot;) \<br>    .queryName(&quot;hasil_agregasi&quot;) \<br>    .start()<br><br>print(&quot;Streaming query dimulai! Status:&quot;, query.status)</pre><p>Kita akan memakai memory sink, hasil agregasi disimpan sementara sebagai tabel in memory bernama hasil_agregasi, yang dapat kita olah dengan spark.sql( ).</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/798/1*MghF4CuS8BrXvbhJXjS86Q.png" /></figure><p>Perlu diperhatikan, misal kita ingin mengubah suatu hal dibagian sink ini ketikkan perintah query.stop ( ) untuk menghentikan proses stream dahulu.</p><p>outputMode(“complete”) artinya tiap ada data baru, Spark menampilkan hasil agregasi terbaru.</p><p>d. Mengalirkan “Data Baru” dan Mengamati Hasilnya</p><pre># Batch data pertama &quot;tiba&quot;<br>pd.DataFrame({<br>    &quot;trx_id&quot;: [&quot;T1&quot;, &quot;T2&quot;, &quot;T3&quot;],<br>    &quot;kota&quot;: [&quot;Magelang&quot;, &quot;Solo&quot;, &quot;Magelang&quot;],<br>    &quot;kategori&quot;: [&quot;Elektronik&quot;, &quot;Fashion&quot;, &quot;Makanan&quot;],<br>    &quot;pendapatan&quot;: [150000, 200000, 75000],<br>}).to_csv(f&quot;{folder_stream}/batch_1.csv&quot;, index=False)<br><br>print(&quot;Batch 1 dikirim. Menunggu Spark memproses...&quot;)<br>time.sleep(6)  # memberi waktu Spark memproses micro-batch (proses pertama kali butuh waktu ekstra)<br><br>spark.sql(&quot;SELECT * FROM hasil_agregasi ORDER BY total_pendapatan DESC&quot;).show()</pre><p>Buat sebuah dataframe dengan modul pandas, isikan sesuai tipe datanya tiap key. Untuk nilainya bisa lebih dari satu seperti diatas. Kemudian kita ubah menjadi file csv dan kita simpan di folder_stream dengan nama batch_1.csv dengan index=False supaya csv tidak memberi index baru.</p><p>Kemudian dengan modul time, kita jeda waktu pemrosesan datanya, setelah itu baru kita lihat datanya dengan spark.sql ( ).</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/440/1*nJFRSV-qQCDDkJ_5NFA3vA.png" /></figure><pre># Batch data kedua &quot;tiba&quot; beberapa saat kemudian<br>pd.DataFrame({<br>    &quot;trx_id&quot;: [&quot;T4&quot;, &quot;T5&quot;],<br>    &quot;kota&quot;: [&quot;Magelang&quot;, &quot;Yogyakarta&quot;],<br>    &quot;kategori&quot;: [&quot;Fashion&quot;, &quot;Elektronik&quot;],<br>    &quot;pendapatan&quot;: [300000, 500000],<br>}).to_csv(f&quot;{folder_stream}/batch_2.csv&quot;, index=False)<br><br>print(&quot;Batch 2 dikirim. Menunggu Spark memproses...&quot;)<br>time.sleep(6)<br><br>spark.sql(&quot;SELECT * FROM hasil_agregasi ORDER BY total_pendapatan DESC&quot;).show()</pre><p>Kemudian kita buat sebuah batch data baru dan kita lihat hasilnya.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/435/1*fRM6AwUfD3J4y6m50w6QHA.png" /></figure><p>Bisa terlihat bahwa jumlah transaksi dari kota magelang terakumulasi menjadi 3. Disini Spark berperan dalam mempertahankan state(kondisi akumulasi) dari hasil agregasi sebelumnya dan menggabungkannya dengan data baru.</p><p>e. Menghentikan Streaming query</p><pre>query.stop()<br>print(&quot;Streaming query dihentikan. Status aktif:&quot;, query.isActive)</pre><p>Ini yang admint singgung sebelumnya, gunakan perintah diatas untuk menghentikan proses streaming.</p><p>4. Agregasi Berbasis Window Waktu</p><p>Selain mengelompokkan berdasarkan kolom biasa, Structured Streaming juga mendukung pengelompokkan berdasarkan rentang waktu, sangat berguna untuk pertanyaan seperti “berapa total transaksi tiap 1 menit”. Berbeda dengan window function materi sebelumnya, window disini merujuk ke rentang waktu, bukan pengelompokkan data untuk perangkingan.</p><p>Cara supaya hal ini bisa dilakukan adalah dengan timestamp supaya spark tahu kapan tiap data terjadi.</p><pre>skema_dengan_waktu = StructType([<br>    StructField(&quot;trx_id&quot;, StringType(), True),<br>    StructField(&quot;kota&quot;, StringType(), True),<br>    StructField(&quot;pendapatan&quot;, IntegerType(), True),<br>    StructField(&quot;waktu_transaksi&quot;, TimestampType(), True),<br>])<br><br># Membuat ulang folder simulasi (kosong) untuk demo window waktu<br>folder_stream2 = &quot;simulasi_stream_waktu&quot;<br>shutil.rmtree(folder_stream2, ignore_errors=True)<br>os.makedirs(folder_stream2, exist_ok=True)<br><br>df_stream2 = spark.readStream \<br>    .format(&quot;csv&quot;) \<br>    .schema(skema_dengan_waktu) \<br>    .option(&quot;header&quot;, True) \<br>    .load(folder_stream2)<br><br># Mengelompokkan berdasarkan window waktu 1 menit, dihitung dari kolom waktu_transaksi<br>agregasi_window = df_stream2.groupBy(<br>    window(col(&quot;waktu_transaksi&quot;), &quot;1 minute&quot;)<br>).agg(<br>    spark_sum(&quot;pendapatan&quot;).alias(&quot;total_pendapatan&quot;),<br>    count(&quot;trx_id&quot;).alias(&quot;jumlah_transaksi&quot;)<br>)<br><br>query2 = agregasi_window.writeStream \<br>    .outputMode(&quot;complete&quot;) \<br>    .format(&quot;memory&quot;) \<br>    .queryName(&quot;hasil_window&quot;) \<br>    .start()<br><br>print(&quot;Streaming query window waktu dimulai.&quot;)</pre><p>Buat skema, folder stream, dan readStream baru. Kemudian agregasi berdasarkan windownya, lalu terakhir query writeStreamnya.</p><pre>from datetime import datetime<br><br># Mengirim data dengan timestamp saat ini<br>waktu_sekarang = datetime.now()<br>pd.DataFrame({<br>    &quot;trx_id&quot;: [&quot;W1&quot;, &quot;W2&quot;],<br>    &quot;kota&quot;: [&quot;Semarang&quot;, &quot;Solo&quot;],<br>    &quot;pendapatan&quot;: [120000, 180000],<br>    &quot;waktu_transaksi&quot;: [waktu_sekarang.strftime(&quot;%Y-%m-%d %H:%M:%S&quot;)] * 2,<br>}).to_csv(f&quot;{folder_stream2}/batch_w1.csv&quot;, index=False)<br><br>time.sleep(6)<br>spark.sql(&quot;SELECT window.start, window.end, total_pendapatan, jumlah_transaksi FROM hasil_window&quot;).show(truncate=False)</pre><p>Disini modul admint menggunakan datetime.now ( ) supaya python bisa melihat jam perangkat kita.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/634/1*lC4EOc7PZQPWa7hDq_uccA.png" /></figure><p>Perhatikan di kolom start dan end, jarak waktunya satu menit. Semua transaksi yang jatuh pada rentang yang sama dikelompokkan dan dijumlahkan bersama</p><pre>query2.stop()<br>spark.stop()<br>print(&quot;Seluruh streaming query dihentikan, SparkSession ditutup.&quot;)</pre><p>Kemudian, sama seperti query1, kita hentikan query ke 2 kita, jangan lupa spark nya juga.</p><ul><li><strong>Latihan Mandiri</strong></li></ul><pre># Persiapan ulang untuk latihan<br>spark = SparkSession.builder.appName(&quot;Latihan10&quot;).master(&quot;local[*]&quot;).getOrCreate()<br>spark.sparkContext.setLogLevel(&quot;ERROR&quot;)<br>spark.conf.set(&quot;spark.sql.shuffle.partitions&quot;, &quot;4&quot;)<br><br>folder_latihan = &quot;latihan10_stream&quot;<br>shutil.rmtree(folder_latihan, ignore_errors=True)<br>os.makedirs(folder_latihan, exist_ok=True)<br><br>skema_latihan = StructType([<br>    StructField(&quot;trx_id&quot;, StringType(), True),<br>    StructField(&quot;kategori&quot;, StringType(), True),<br>    StructField(&quot;pendapatan&quot;, IntegerType(), True),<br>])<br>print(&quot;Siap untuk latihan. Folder:&quot;, folder_latihan)</pre><p>Untuk latihan, kita jalankan spark baru, jumlah shuffle partition nya masih sama, namun nama foldernya sekarang menjadi folder_latihan. kemudian untuk skemanya berupa :</p><p>trx_id = string</p><p>kategori = string</p><p>pendapatan = integer</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/815/1*n8oWB5aXLaTTQa_bPfHk0w.png" /></figure><pre># Jawaban Soal 1 di sini<br>from pyspark.sql.functions import avg, count<br>df_stream = spark.readStream \<br>    .format(&quot;csv&quot;)\<br>    .schema(skema_latihan)\<br>    .option(&quot;header&quot;,True)\<br>    .load(folder_latihan)<br><br>print(&quot;Stream DF berhasil didefinisikan&quot;)<br>print(&quot;df_stream.isStreaming : &quot;, df_stream.isStreaming)<br><br>agregasi_stream = df_stream.groupBy(&quot;kategori&quot;).agg(<br>    count(&quot;trx_id&quot;).alias(&quot;jumlah_transaksi&quot;), <br>    avg(&quot;pendapatan&quot;).alias(&quot;rata_rata_pendapatan&quot;)<br>)<br>print(&quot;transformasi berhasil dibuat&quot;)<br><br>query = agregasi_stream.writeStream\<br>    .outputMode(&quot;complete&quot;)\<br>    .format(&quot;memory&quot;)\<br>    .queryName(&quot;latihan_agg&quot;)\<br>    .start()<br>print(&quot;Streaming query dimulai, status : &quot;,query.status)</pre><p>kita gunakan average (avg) dan count pada soal pertama ini. Kita buat readStream nya seperti diatas. Kemudian agregasinya dikelompokkan berdasarkan kategori yang menghitung jumlah transaksi dari jumlah transaksi dan rata-rata pendapatan. Lalu kita buat writeStreamnya sama seperti contoh dengan queryName(“latihan_agg”) .</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/825/1*c06ZDhsyH4fgWeM9Y01qgQ.png" /></figure><figure><img alt="" src="https://cdn-images-1.medium.com/max/804/1*uRy0Bzdb10RGP2JVhrl1lA.png" /></figure><pre># Jawaban Soal 2 di sini<br>import time<br>import pandas as pd<br>pd.DataFrame({<br>    &quot;trx_id&quot;:[&quot;T1&quot;, &quot;T2&quot;, &quot;T3&quot;],<br>    &quot;kategori&quot;:[&quot;Mobo&quot;,&quot;Ram 8 GB&quot;,&quot;Storage 256 GB&quot;],<br>    &quot;pendapatan&quot;:[4500000, 1200000, 600000]<br>}).to_csv(f&quot;{folder_latihan}/batch_1.csv&quot;, index=False)<br><br>print(&quot;Batch 1 dikirim, spark loading....&quot;)<br>time.sleep(7)<br><br>spark.sql(&quot;select * from latihan_agg order by rata_rata_pendapatan desc&quot;).show()</pre><p>Kita baru gunakan modul time dan pandas disini, dengan time sebagai jeda pemrosesan data dan pandas untuk membuat sebuah dataframe yang nanti kita konversi menjadi file csv bernama batch_1.csv. Kemudian dengan spark.sql( ) kita lihat hasilnya diurutkan dari rata-rata pendapatan tertinggi.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/474/1*FhHqdpqAotro7gBq1dvP1Q.png" /></figure><figure><img alt="" src="https://cdn-images-1.medium.com/max/788/1*abC4RN303JP5tgJt5FaOng.png" /></figure><pre># Jawaban Soal 3 di sini<br>pd.DataFrame({<br>    &quot;trx_id&quot;:[&quot;T4&quot;, &quot;T5&quot;, &quot;T6&quot;],<br>    &quot;kategori&quot;:[&quot;PSU&quot;,&quot;Ram 8 GB&quot;,&quot;VGA&quot;],<br>    &quot;pendapatan&quot;:[2500000, 1200000, 6000000]<br>}).to_csv(f&quot;{folder_latihan}/batch_2.csv&quot;, index=False)<br>print(&quot;Batch 2 dikirim. Spark loading...&quot;)<br>time.sleep(7)<br><br>spark.sql(&quot;select * from latihan_agg order by rata_rata_pendapatan desc&quot;).show()</pre><p>Kita buat lagi batch data baru, dengan salah satu kategorinya sama seperti salah satu kategori di batch pertama, kita lihat apakah terakumulasi.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/491/1*HzaO38dkPwKUhA9UhndI5Q.png" /><figcaption>Bisa dilihat bahwa jumlah transaksi nya RAM berubah, serta rata-rata pendapatannya, walau untuk rata-rata kayak sama, namun aslinya hasil dari 2.400.000 dibagi 2</figcaption></figure><pre>query.stop()<br>spark.stop()<br>print(&quot;Stream dan spark dihentikan&quot;)</pre><p>Terakhir hentikan stream ketika sudah tidak dipakai beserta sparknya.</p><p>Refleksi singkat:</p><p>Spark Structured Streaming mewajibkan skema didefinisikan secara eksplisit dikarenakan tidak bisa menggunakan inferSchema = True yang menebak skema data yang sudah “lengkap”. Data yang mengalir kan data yang terus berubah, nah skema nya perlu kita buat supaya sesuai apa yang kita butuhkan.</p><ul><li><strong>Tugas Mandiri</strong></li></ul><p>Konteks :</p><p>Manajemen “Kopi Nusantara” (skenario yang sama dari Pertemuan 7 &amp; 9) ingin membangun <strong>dashboard pemantauan pesanan real-time</strong> untuk mengetahui performa tiap cabang setiap saat, bukan hanya laporan bulanan seperti sebelumnya. Anda ditugaskan membangun purwarupa (<em>prototype</em>) pipeline streaming yang mensimulasikan kebutuhan ini.</p><p>Cus kita kerjakan</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/823/1*QsA4D6YfUE5mhx5DsqDC8w.png" /></figure><pre>#Membuat spark session dan import berbagai library<br>from pyspark.sql import SparkSession<br>from pyspark.sql.types import StructType, StructField, StringType, IntegerType, TimestampType<br>from pyspark.sql.functions import window, sum as spark_sum, avg, count, col<br>import os<br>import shutil<br>import time<br>import pandas as pd<br><br>spark =SparkSession.builder.appName(&quot;TugasMandiriPertemuan10&quot;).master(&quot;local[*]&quot;).getOrCreate()<br>spark.sparkContext.setLogLevel(&quot;ERROR&quot;)<br><br>spark.conf.set(&quot;spark.sql.shuffle.partitions&quot;,&quot;4&quot;)<br><br>print(&quot;Sparksession siap. Versi spark &quot;,spark.version)</pre><p>Kita impor segala modul yang dibutuhkan serta buat sparksessionnya. Jangan lupa buat shuffle partitions sejumlah 4.</p><pre>##A. Menyiapkan Streaming Source<br>#Menyiapkan folder kosong sebagai &quot;sumber data streaming&quot;<br>folder_stream = &quot;tugas10_stream&quot;<br>folder_checkpoint=&quot;checkpoint_tugas10&quot;<br><br>shutil.rmtree(folder_stream, ignore_errors=True) #menghapus folder stream sisa<br>shutil.rmtree(folder_checkpoint, ignore_errors=True) #menghapus folder checkpoint sisa<br><br>os.makedirs(folder_stream, exist_ok=True) #membuat folder stream di lokal<br><br>#Mendifinisikan skema eksplisit (StructType)<br>skema = StructType([<br>    StructField(&quot;pesanan_id&quot;, StringType(), True),<br>    StructField(&quot;nama_cabang&quot;, StringType(), True),<br>    StructField(&quot;nama_menu&quot;, StringType(), True),<br>    StructField(&quot;qty&quot;, IntegerType(), True),<br>    StructField(&quot;harga_satuan&quot;, IntegerType(), True),<br>    StructField(&quot;waktu_pesan&quot;, TimestampType(), True),<br>])<br>print(f&quot;Folder streaming &#39;{folder_stream}&#39; siap&#39;&quot;)<br><br>#Mendefinisikan readStream<br>df_stream = spark.readStream\<br>    .format(&quot;csv&quot;)\<br>    .schema(skema)\<br>    .option(&quot;header&quot;, True)\<br>    .load(folder_stream)<br>print(&quot;Streming dataframe berhasil didefinisikan&quot;)<br>print(&quot;df_stream.isStreaming: &quot;,df_stream.isStreaming)</pre><p>rata-rata sama seperti contoh dan latihan, namun ada yang admint perlu tekankan</p><p>JALANKAN LAGI SINTAKS MENYIAPKAN FOLDER KOSONG KALO MAU RESET DATA</p><p>Karena admint mengalami penumpukan yang menyebabkan data acakadul dan sulit di debug, jangan lupa matikan juga stream yang dibuat supaya tidak mengganggu proses debugging.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/373/1*X4CA_grixbXzCi4e4z8OAg.png" /></figure><figure><img alt="" src="https://cdn-images-1.medium.com/max/772/1*9TeGdc5ymUNUNrmhCZez1A.png" /></figure><pre>##B. Agregasi per Cabang<br>#Menambahkan kolom turunan total_harga<br><br>df_stream = df_stream.withColumn(&quot;total_harga&quot;, col(&quot;qty&quot;) * col(&quot;harga_satuan&quot;))<br><br>#Membuat agregasi groupBy &#39;nama_cabang&#39; menghitung total_harga dan jumlah pesanan<br>agregasi_stream = df_stream.groupBy(&quot;nama_cabang&quot;).agg(<br>    spark_sum(&quot;total_harga&quot;).alias(&quot;total_harga&quot;),<br>    count(&quot;pesanan_id&quot;).alias(&quot;jumlah_pesanan&quot;)<br>)<br>print(&quot;Transformasi berhasil dibuat&quot;)<br>#Mendefinisikan output sink<br>query = agregasi_stream.writeStream\<br>    .outputMode(&quot;complete&quot;)\<br>    .format(&quot;memory&quot;)\<br>    .queryName(&quot;agregasi_cabang&quot;)\<br>    .start()<br><br>print(&quot;Streaming query dimulai. Status : &quot;,query.status)</pre><p>Untuk menambahkan kolom, karena seperti dataframe biasa ketika kita sudah buat readStreamnya, maka tinggal pakai withCollumn seperti diatas. Kita buat agregasinya kemudian kita masukkan querynya kedalam program writeStream (sink)</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/805/1*dRggtJx-2Rxevq9Q-D8aBQ.png" /></figure><pre>##C. Agregasi Berbasis Window Waktu<br><br>#Mengelompokkan  berdasarkan window waktu 2 menit, dihitung dari kolom waktu_pesan<br>agregasi_window = df_stream.groupBy(<br>    window(col(&quot;waktu_pesan&quot;), &quot;2 minute&quot;),<br>    <br>).agg(<br>    spark_sum(&quot;total_harga&quot;).alias(&quot;total_harga&quot;),<br>    count(&quot;pesanan_id&quot;).alias(&quot;jumlah_pesanan&quot;)<br>)<br><br>query2=agregasi_window.writeStream\<br>    .outputMode(&quot;complete&quot;)\<br>    .format(&quot;memory&quot;)\<br>    .queryName(&quot;agregasi_waktu&quot;)\<br>    .start()<br>print(&quot;Streaming query window waktu dimulai&quot;)<br>print(&quot;Streaming query dimulai. Status : &quot;,query2.status)</pre><p>Selanjutnya kita buat query kedua berbasis waktu selebar 2 menit seperti diatas dengan nama query agregasi_waktu.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/780/1*Yi-fA247oN-ijzVeWhj96w.png" /></figure><p>Disini admint akan perlihatkan akumulasi tiap data per batch.</p><pre>##D. Menguji dengan data simulasi<br><br>pd.DataFrame({<br>    &quot;pesanan_id&quot;:[&quot;TX1&quot;,&quot;TX2&quot;,&quot;TX3&quot;],<br>    &quot;nama_cabang&quot;:[&quot;Magelang&quot;,&quot; Semarang&quot;,&quot;Solo&quot;],<br>    &quot;nama_menu&quot;:[&quot;oseng-oseng iga&quot;, &quot;nasi uduk&quot;, &quot;nasi liwet&quot;],<br>    &quot;qty&quot;:[2,5,3],<br>    &quot;harga_satuan&quot;:[32000, 17000,15000],<br>    &quot;waktu_pesan&quot;: [&quot;2026-11-06 14:30:00&quot;, &quot;2026-11-06 14:31:15&quot;, &quot;2026-11-06 14:32:00&quot;]<br>        }).to_csv(f&quot;{folder_stream}/batch_1.csv&quot;, index= False)<br><br>print(&quot;Batch 1 dikirim, spark loading....&quot;)<br>time.sleep(7)<br><br>spark.sql(&quot;select * from agregasi_cabang&quot;).show()</pre><figure><img alt="" src="https://cdn-images-1.medium.com/max/364/1*-fZ8i9el_-zY2jzRsY0s4Q.png" /></figure><pre>#Batch 2<br>pd.DataFrame({<br>    &quot;pesanan_id&quot;:[&quot;TX4&quot;,&quot;TX5&quot;,&quot;TX6&quot;,&quot;TX7&quot;],<br>    &quot;nama_cabang&quot;:[&quot;Semarang&quot;,&quot; Surabaya&quot;,&quot;Solo&quot;,&quot;Magelang&quot;],<br>    &quot;nama_menu&quot;:[&quot;seblak Hot&quot;, &quot;cakwe&quot;, &quot;nasi liwet&quot;,&quot;nasi godog&quot;],<br>    &quot;qty&quot;:[1,3,2,1],<br>    &quot;harga_satuan&quot;:[23000, 12000,15000, 22000],<br>    &quot;waktu_pesan&quot;: [&quot;2026-11-06 14:35:00&quot;,&quot;2026-11-06 14:36:30&quot;,&quot;2026-11-06 14:38:15&quot;,&quot;2026-11-06 14:40:00&quot;]<br>        }).to_csv(f&quot;{folder_stream}/batch_2.csv&quot;, index= False)<br><br>print(&quot;Batch 2 dikirim, spark loading....&quot;)<br>time.sleep(7)<br><br>spark.sql(&quot;select * from agregasi_cabang&quot;).show()<br>#spark.sql(&quot;select window.start, window.end, nama_cabang, total_harga, jumlah_pesanan from agregasi_waktu order by window.start&quot;).show(truncate=False)</pre><figure><img alt="" src="https://cdn-images-1.medium.com/max/354/1*ZU8OzKTljTTg1EeBrZoIJA.png" /></figure><pre>#Mengalirkan batch ke 3<br>pd.DataFrame({<br>    &quot;pesanan_id&quot;:[&quot;TX8&quot;,&quot;TX9&quot;,&quot;TX10&quot;],<br>    &quot;nama_cabang&quot;:[&quot;Semarang&quot;,&quot; Surabaya&quot;,&quot;Magelang&quot;],<br>    &quot;nama_menu&quot;:[&quot;seblak hot&quot;, &quot;cheese cake&quot;,&quot;nasi goreng&quot;],<br>    &quot;qty&quot;:[1,2,1],<br>    &quot;harga_satuan&quot;:[23000, 20000,18000],<br>    &quot;waktu_pesan&quot;: [&quot;2026-11-06 14:37:00&quot;,&quot;2026-11-06 14:43:30&quot;,&quot;2026-11-06 14:45:15&quot;]<br>        }).to_csv(f&quot;{folder_stream}/batch_3.csv&quot;, index= False)<br><br>print(&quot;Batch 3 dikirim, spark loading....&quot;)<br>time.sleep(7)<br><br>spark.sql(&quot;select * from agregasi_cabang&quot;).show()<br>spark.sql(&quot;select window.start, window.end, total_harga, jumlah_pesanan from agregasi_waktu order by window.start&quot;).show(truncate=False)</pre><figure><img alt="" src="https://cdn-images-1.medium.com/max/573/1*UA43MV_IvgL96owFXB8zNw.png" /></figure><p>Bisa dilihat teman-teman total harga dan jumlah pesanannya terakumulasi, tapi kenapa semarangnya ada dua ?, hal tersebut disebabkan di cabang semarang ada makanan yang berbeda sehingga membuat record sendiri.</p><p>Kemudian dibawahnya merupakan hasil dari agregasi window admint, bisa seperti itu karena admint membuatnya hampir semua berbeda-beda jamnya sehingga tidak terlalu terlihat akumulasinya.</p><p>Ya hal-hal yang berhubungan dengan data memang perlu jumlah yang cukup besar supaya kelihatan hasilnya, itu setidaknya menurut admint.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/816/1*7aHJJfE2jyMFSrNNey6nlw.png" /></figure><pre>## E. Sink Berbasis Berkas (Challange)<br>query3 = df_stream.writeStream \<br>    .format(&quot;parquet&quot;) \<br>    .option(&quot;path&quot;, &quot;tugas10_output&quot;) \<br>    .option(&quot;checkpointLocation&quot;, &quot;tugas10_checkpoint&quot;) \<br>    .outputMode(&quot;append&quot;) \<br>    .start()<br><br>print(&quot;Streaming query ke parquet siap. Status : &quot;,query3.status)</pre><p>Pertama kita terapkan query diatas. Kalau teman-teman perhatikan, pada writeStreamnya formatnya bukan memory lagi, melainkan jadi parquet karena kita ingin menyimpan batch baru ini dalam format parquet. Kemudian dibawahnya ada baris bernama option yang isinya direktori dimana batch ini disimpan. Lalu untuk outputMode nya menjadi append, artinya hanya data yang baru dan mentah yang ditulis di sink, sesuai yang diberitahu soal.</p><pre># Mengirimkan batch ke 4<br>pd.DataFrame({<br>    &quot;pesanan_id&quot;: [&quot;TX8&quot;, &quot;TX9&quot;, &quot;TX10&quot;],<br>    &quot;nama_cabang&quot;: [&quot;Magelang&quot;, &quot;Solo&quot;, &quot;Semarang&quot;],<br>    &quot;nama_menu&quot;: [&quot;es teh&quot;, &quot;nasi goreng&quot;, &quot;kopi hitam&quot;],<br>    &quot;qty&quot;: [2, 1, 3],<br>    &quot;harga_satuan&quot;: [5000, 18000, 10000],<br>    &quot;waktu_pesan&quot;: [&quot;2026-11-06 14:42:00&quot;, &quot;2026-11-06 14:43:30&quot;, &quot;2026-11-06 14:45:15&quot;]<br>}).to_csv(f&quot;{folder_stream}/batch_4.csv&quot;, index=False)<br><br>print(&quot;Batch 4 dikirim ke stream, menunggu Spark menulis ke Parquet...&quot;)<br>time.sleep(7)</pre><p>Kedua kita buat batch data ke empat namun tidak usah kita tampilkan.</p><pre>#Verifikasi<br>!ls -l tugas10_output<br><br>df_parquet=spark.read.parquet(&quot;tugas10_output&quot;)<br>df_parquet.show()</pre><p>selanjutnya kita cek di folder lokal kita apakah filenya sudah ada dan kita jadikan file parquet tersebut menjadi sebuah dataframe.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/832/1*wXg3xofvSCUoZkqGnOp9Xg.png" /></figure><p>Yak bisa ya teman-teman dan isinya yaitu data lengkap dari batch 1 sampai 4 yang admint tambahkan.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/839/1*VyWbg2WVPgDdmOfjDXBtaQ.png" /></figure><p>Setelah selesai, matikan ketiga query dan spark.</p><ul><li><strong>Kesimpulan</strong></li></ul><p>Jadi, melalui praktikum kali ini, dapat disimpulkan bahwa pemrosesan data <em>streaming</em> memungkinkan pengolahan data yang mengalir secara kontinu dan terus-menerus (seperti transaksi <em>real-time</em>) tanpa harus menunggu seluruh data terkumpul terlebih dahulu, menggunakan pendekatan simulasi melalui pemantauan folder lokal.</p><p>Berbeda dengan pemrosesan data <em>batch</em>, Apache Spark Structured Streaming mewajibkan pendefinisian skema secara manual dan eksplisit menggunakan StructType karena sistem tidak dapat melakukan tebakan skema secara otomatis (<em>inferSchema</em>) pada data yang terus mengalir.</p><p>Spark Structured Streaming mendukung operasi transformasi seperti groupBy, agg, dan penambahan kolom secara identik dengan pemrosesan <em>batch</em>. Sistem ini secara otomatis mampu mempertahankan <em>state</em> (kondisi akumulasi data sebelumnya) sehingga data dari <em>batch-batch</em> baru yang masuk dapat terakumulasi dengan benar.</p><p>Fitur <em>window</em> waktu memungkinkan pengelompokan dan analisis data berdasarkan rentang waktu tertentu. Selain itu, hasil pengolahan data <em>streaming</em> dapat disalurkan ke berbagai <em>sink</em>, seperti <em>memory sink</em> untuk kueri interaktif menggunakan SQL maupun <em>file sink</em> (format <em>Parquet</em> dengan <em>output mode append</em>) untuk penyimpanan data jangka panjang secara otomatis.</p><ul><li><strong>Referensi</strong></li></ul><p>Modul_Praktikum_BigData_Pertemuan10</p><ul><li><strong>Github</strong></li></ul><p><a href="https://github.com/CellonizM/Big-Data">GitHub - CellonizM/Big-Data</a></p><img src="https://medium.com/_/stat?event=post.clientViewed&referrerSource=full_rss&postId=877341cf5638" width="1" height="1" alt="">]]></content:encoded>
        </item>
        <item>
            <title><![CDATA[PBO 8 : Interface Pada Java]]></title>
            <link>https://medium.com/@Cellokp/pbo-8-interface-pada-java-b0f58e1e762d?source=rss-63188470f38a------2</link>
            <guid isPermaLink="false">https://medium.com/p/b0f58e1e762d</guid>
            <dc:creator><![CDATA[MarcelloKP]]></dc:creator>
            <pubDate>Wed, 04 Nov 2026 10:22:08 GMT</pubDate>
            <atom:updated>2026-11-04T10:22:08.457Z</atom:updated>
            <content:encoded><![CDATA[<figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/0*rU0_oeZZwnb0JsHO" /><figcaption>Photo by <a href="https://unsplash.com/@zulfugarkarimov?utm_source=medium&amp;utm_medium=referral">Zulfugar Karimov</a> on <a href="https://unsplash.com/?utm_source=medium&amp;utm_medium=referral">Unsplash</a></figcaption></figure><p>Halo guis admint M disini kali ini akan membahas interface pada PBO. Apa itu ?, kita bahas langsung.</p><ul><li><strong>Dasar Teori</strong></li></ul><p>a. Pengertian</p><p>Interface merupakan bentuk kontrak dalam pemrograman berorientasi objek yang mendefinisikan metode tanpa implementasi. Interface mirip dengan kelas abstrak, tapi interface hanya mendeklarasikan metode yang perlu diimplementasikan oleh kelas yang menggunakannya. Atributnya non final dan semua metodenya adalah public dan abstract secara default.</p><p>Interface berbeda dengan class karena didalamnya hanya berisi method kosong dan konstanta. Method dalam interface tidak punya statement atau implementasi, sehingga deklarasi method dalam interface sama dengan deklarasi abstract method pada abstract class. Semua method yang dideklarasikan dalam interface secara otomatis bersifat public dan abstract, sementara variabel dalam interface adalah public, static, dan final secara default.</p><p>Ketika sebuah class mengimplementasikan suatu interface, class tersebut akan memperoleh semua konstanta dan method yang ada di interface. Namun ketika class tidak mengimplementasikan suatu method, class tersebut harus dijadikan class abstract, sehingga class ini dapat diwariskan ke subclass lain yang akan melengkapi method yang masih kosong.</p><p>b. Karakteristik Metode</p><ol><li>Deklarasi method tanpa implementasi : Interface hanya memiliki deklarasi metode, sedangkan implementasi dilakukan oleh kelas yang memakai interface</li><li>Multiple Inheritance : Sebuah kelas dapat memakai lebih dari satu interface, sehingga interface mendukung pewarisan berganda.</li><li>Kata Kunci Implements: Kelas yang ingin menggunakan interface harus menggunakan keyword implements.</li></ol><p>Berikut tabel perbedaan Interface dengan kelas abstrak</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/623/1*xMDHt2Qx7dcOIpRSZTecAw.png" /></figure><ul><li><strong>Langkah Praktikum</strong></li></ul><p>Nah daripada bingung, kita langsung praktekkan saja.</p><ol><li>Buka netbeans dengan nama folder PraktikumPBO_10 dengan nama package praktikum10.</li><li>Buat sebuah interface bernama operasiHitung dengan metode hitung(int a, int b)</li></ol><figure><img alt="" src="https://cdn-images-1.medium.com/max/895/1*44Mafr3py0eKf4msIctmLQ.png" /></figure><p>Nah untuk interface ada tipe file sendiri, jadi jangan sampai salah pakai ya man-teman.</p><pre>public interface operasiHitung {<br>    int hitung (int a, int b);<br>}</pre><p>Nah kira-kira seperti itu lah, nama interfacenya operasiHitung, methodnya bernama hitung dan parameternya int a dan int b.</p><p>2. Buat class penjumlahan dan pengurangan</p><pre>public class penjumlahan implements operasiHitung {<br>    @Override<br>    public int hitung(int a, int b){<br>        return a + b;<br>       // return a - b;<br>    }<br>}</pre><p>Untuk class nya kita ketik seperti diatas, tidak menggunakan extends namun menggunakan implements pada baris classnya, kemudian methodnya kita override menyesuaikan kebutuhan classnya.</p><p>3. Membuat objek dan menerapkan interface</p><pre>        //Objek penjumlahan<br>        operasiHitung penjumlahan = new penjumlahan();<br>        System.out.println(&quot;Penjumlahan: &quot; + <br>                penjumlahan.hitung(10, 5));<br>        //Objek pengurangan<br>        operasiHitung pengurangan = new pengurangan();<br>        System.out.println(&quot;Pengurangan: &quot;+<br>                pengurangan.hitung(10, 5)); </pre><p>kita buat objek baru dengan cara mengetikkan interfacenya dahulu, kemudian nama objek, = new class yang ingin dipakai.</p><p>Kemudian kita panggil methodnya beserta nilai parameter dari methodnya. Berikut hasilnya</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/152/1*yfEUwqcxebJG-sdQP5jBDg.png" /></figure><ul><li><strong>Tugas Mandiri</strong></li></ul><p>Kemudian biar lebih paham lagi, admint diberikan sebuah tugas dengan kasus berbeda</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/632/1*HhgbikPNnZso40rBTvmm9w.png" /></figure><ol><li>Buat interface pembayaran</li></ol><pre>public interface operasiHitungPajak {<br>    double hitungPajak( double harga);<br>    <br>}</pre><p>2. Buat class makanan dan elektronik</p><pre>public class elektronik implements operasiHitungPajak{<br>   <br>    @Override<br>    public double hitungPajak(double harga){<br>      return 0.1 * harga;<br>      <br>    }  <br>}</pre><pre>public class makanan implements operasiHitungPajak{<br>    @Override<br>    public double hitungPajak(double harga){<br>        return 0.05 * harga;<br>    } <br>}</pre><p>Untuk operasinya kita gunakan angka decimal tentu saja yaitu 0.1 untuk 10% dan 0.05 untuk 5%.</p><p>3. Membuat objek masing-masing</p><p>Nah kita coba hitung pajak dari masing-masing barang</p><pre>operasiHitungPajak elektronik = new elektronik();<br>       System.out.println(&quot;Harga pajak dari barang elektronik seharga : &quot;+<br>              elektronik.hitungPajak(3450000));<br>     <br>              <br>       operasiHitungPajak makanan = new makanan();<br>       System.out.println(&quot;Harga pajak dari makanan ialah : &quot;+<br>               makanan.hitungPajak(40000));</pre><p>kita lihat hasilnya</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/492/1*-TCLkLX32CKkB3ywc3KJlw.png" /></figure><p>Yak berhasil ya teman-teman. Pajak 10% dari barang seharga 3.450.000 ialah 345.000 dan pajak 5% untuk makanan seharga 40.000 ialah 2.000</p><ul><li>Kesimpulan</li></ul><p>Interface pada Java merupakan bentuk kontrak dalam Pemrograman Berorientasi Objek (PBO) yang digunakan untuk mendefinisikan deklarasi metode tanpa implementasi, di mana semua metodenya secara otomatis bersifat public dan abstract, serta variabelnya bersifat public, static, dan final. Berbeda dengan kelas abstrak, interface memungkinkan penerapan <em>multiple inheritance</em> (pewarisan berganda), sehingga suatu kelas dapat mengimplementasikan lebih dari satu interface menggunakan kata kunci implements. Setiap kelas yang mengimplementasikan interface wajib melakukan <em>override</em> dan memberikan logika implementasi spesifik untuk seluruh metode yang dideklarasikan, seperti yang ditunjukkan pada penerapan kalkulasi operasi matematika (penjumlahan dan pengurangan) serta perhitungan persentase pajak pada objek elektronik dan makanan. Jika suatu kelas tidak mengimplementasikan seluruh metode interface, kelas tersebut harus dideklarasikan sebagai kelas abstrak.</p><ul><li>Referensi</li></ul><p>Modul 10 — Interface PBO</p><ul><li>Github</li></ul><p><a href="https://github.com/CellonizM/Object-Oriented-Programming">CellonizM/Object-Oriented-Programming</a></p><img src="https://medium.com/_/stat?event=post.clientViewed&referrerSource=full_rss&postId=b0f58e1e762d" width="1" height="1" alt="">]]></content:encoded>
        </item>
        <item>
            <title><![CDATA[JarKom 7 : Konfigurasi dan Uji Coba Sederhana Mikrotik Melalui Winbox feat Wildanmaulana]]></title>
            <link>https://medium.com/@Cellokp/jarkom-7-konfigurasi-dan-uji-coba-sederhana-mikrotik-melalui-winbox-feat-wildanmaulana-2e672562d59e?source=rss-63188470f38a------2</link>
            <guid isPermaLink="false">https://medium.com/p/2e672562d59e</guid>
            <dc:creator><![CDATA[MarcelloKP]]></dc:creator>
            <pubDate>Tue, 03 Nov 2026 10:41:13 GMT</pubDate>
            <atom:updated>2026-11-03T10:41:13.114Z</atom:updated>
            <content:encoded><![CDATA[<figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/0*IrXkhpPfLahbnhI4.jpg" /></figure><p>Halo teman-teman, disini Admint M bersama sobat kalcer admint mas <a href="https://medium.com/u/386b7eae6048">Wildanmaulana</a>, akan mencicip yang namanya mikrotik. Apa itu, langsung saja moas.</p><ul><li><strong>Dasar Teori</strong></li></ul><p>A. Mikrotik</p><p>Ternyata merupakan OS berbasis linux yang dikembangkan perusahaan MikroTikls SIA yang berpusat di Riga Latvia. OS ini digunakan unutuk keperluan manajemen jaringan komputer, khususnya pada perangkat router. Mikrotik dikenal dengan produk unggulannya yaitu RouterOS dan RouterBoard</p><p>a. RouterOS</p><p>OS yang punya kemampuan seperti router, firewall, bandwidth management, hotspot, VPN, routing dinamis, dan lainya.</p><p>b. RouterBoard</p><p>hardware yang secara khusus dirancang menjalankan RouterOS, sehingga menjadi satu kesatuan yang berfungsi sebagai perangkat router siap pakai.</p><p>Mikrotik banyak digunakan dalam dunia pendidikan, bisnis, penyedia layanan internet karena mudah dikonfigurasi, fleksibel, dan harga yang relatif terjangkau dibandingkan perangkat sejenis seperti Cisco atau Juniper</p><p>B. Winbox</p><p>Yaitu aplikasi berbasis GUI (Graphical User Interface) yang dipakai mengkonfigurasi Mikrotik lewat jaringan lokal. Winbox memudahkan pengguna dalam melakukan pengaturan tanpa perlu menggunakan antarmuka berbasis perintah (CLI). Fungsi utama winbox ialah :</p><ul><li>Melakukan koneksi ke router Mikrotik menggunakan MAC Address atau IP Address</li><li>Melihat dan mengubah konfigurasi router (IP, routing, wireless, firewall,dll)</li><li>Backup dan restore konfigurasi</li><li>Monitoring trafik jaringan secara real-time</li><li><strong>Metodologi Praktikum</strong></li></ul><ol><li>Siapkan kabel UTP yang sudah dipasang konektor RJ45, laptop atau pc, dan Mikrotik RB951</li></ol><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*QLycPH4-hwkh3vHW98RrOg.jpeg" /></figure><p>2. Download Winbox pada perangkat</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*KJ61zopl5fEMDjGIem8IYQ.jpeg" /></figure><p>Masukkan alamat web seperti diatas, kemudian tinggal sesuaikan OS yang digunakan</p><p>3. Menyalakan dan Menghubungkan Mikrotik</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/960/1*lXb7-UlN6h8CwRIohQSlxA.jpeg" /></figure><figure><img alt="" src="https://cdn-images-1.medium.com/max/960/1*V2gfoGTtDWHNa4GSUl23Ww.jpeg" /></figure><p>Tancapkan adaptor pada stop kontak terdekat dan tancapkan kabelnya ke port power mikrotik, pastikan tanda power menyala.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/960/1*WocxqrSMHKL1CKSkW-IWaA.jpeg" /></figure><figure><img alt="" src="https://cdn-images-1.medium.com/max/960/1*Enf1lPG48U0ETPiydzVwVw.jpeg" /></figure><p>Admint bersama mas wil menancapkan RJ45 nya ke port ke2, kemudian tancapkan RJ45 satunya ke port ethernet laptop</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*QYcvIVLb70AuTMyD2mxMVg.jpeg" /></figure><figure><img alt="" src="https://cdn-images-1.medium.com/max/960/1*li8kqGbcJ4b40jnk0AJ1ew.jpeg" /></figure><p>Pastikan di mikrotik port yang disambungkan indikatornya menyala seperti diatas. Tapi matikan dulu WIFI pada perangkat biar nanti di Winbox tidak kebingungan karena winbox akan membaca 2 koneksi yang terhubung jika wifinya masih aktif.</p><p>4. Masuk ke Aplikasi Winbox</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*LUpQtXyTv-aeSObwtZThDg.jpeg" /></figure><p>Buka aplikasi winbox dan nanti pada tab neighbor seperti diatas, teman-teman akan melihat alamat mikrotik yang terhubung melalui MAC Addresss. Klik alamat MAC Address tersebut dan klik connect pada bagian kiri layar, tidak perlu memasukkan login dan pasword dahulu, karena secara default kita memang belum membuatnya.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*2IOt5JqrwnNES16LmhY0MQ.jpeg" /></figure><p>Setelah terhubung nantinya teman-teman akan masuk ke halaman seperti diatas. Pada bagian ini, di sebelah kiri klik Interfaces.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*eaZ5v5U-T6964oU6MEDAOA.jpeg" /></figure><p>Nantinya teman-teman akan masuk ke halaman seperti ini dimana kita bisa melihat koneksi antara device kita dengan mikrotik kita melalui port yang terhubung. Karena admint memakai port ethernet ke 2, maka muncul angka-angka yang memiliki satuan bps pada baris ether2.</p><p>5. Mengatur Identitas Router</p><p>Kita klik x pada pojok kanan halaman tersebut kemudian kita pindah tab ke System, lalu ke identity.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*GjNj3a68rw5Ayo4hqus8Fw.jpeg" /></figure><p>Disini kita bisa memberikan nama router kita, bebas aja, klik apply lalu ok.</p><p>6. Mengatur User Login</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*lX-5-_BqP4mx4OefD61IwQ.jpeg" /></figure><p>Kita klik lagi tab system, lalu kali ini pilih user, disini kita akan menambahkan identitas kita untuk login. Klik New pada halaman ini, kemudian isikan Name nya, Groupnya pilih opsi full, lalu buat password sesuka hati, klik apply lalu ok. Nah identitas harus kita gunakan untuk login pada router yang sama nantinya.</p><p>7. Melihat Informasi IP Address dan Menguji Koneksi</p><p>Klik tab IP, kemudian Addresses, disini kita akan melihat alamat IP bawaaan jika ada. Kalau belum ada, klik new.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/379/1*X3B5wQnJ7qhwEpv10kTXvA.jpeg" /></figure><p>Masukkan IP address, network serta interfacenya, nah disini admint akan bahas satu-satu.</p><p>Untuk Address, pastikan subnet (3 oktet pertama) sama dengan subnet perangkat kita, cara mengeceknya ialah dengan memakai ipconfig pada CMD, disana teman-teman akan bisa melihat alamat IP pada baris IPv4, nah 3 oktet awal tersebut, masukkan ke address, kemudian oktet terakhir yaitu alamat host, masukkan bebas, admint disini pakai ip host 2, dan yang terakhir yang paling penting ketikkan /24. Apa sih fungsi /24 ?, fungsinya ialah sebagai netmask, iya yang 255.255.255.0 itu, nah disini router mampu menampung 254 host oleh karenanya. Kalo gak dikasih /24 ketika di ping nanti tidak akan muncul-muncul karena kita seperti tidak memberi batasan berapa panyak koneksi yang harus ditampung oleh router kita</p><p>Kemudian pada Network, isikan sama seperti Address, namun pada oktet ke-4 ganti menjadi 0 karena ini IP network kita.</p><p>Lalu terakhir Interface, pilih opsi yang ada tanda RS nya, yang artinya koneksi tersebut terhubung, yang mana jika dikasus admint dan mas wil itu ialah ether 2.</p><p>Klik apply lalu ok dan terakhir kita tes jaringannya.</p><p>Masuk ke CMD dan ping alamat router kita dan tunggu apakah ada respon.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/628/1*7F3cNF4uabw2MSxz0T_PBQ.jpeg" /></figure><p>Dan ya kalau admint bisa, ada balasan dari router admint seperti diatas.</p><p>Setelah semua hal ini, misal kita keluar dari aplikasi, kita bisa masuk melalui IP Address router kita, tidak menggunakan MAC Address lagi dan harus memasukkan nama user, beserta password jika kita ingin mengakses router yang sudah kita setting.</p><ul><li><strong>Studi Kasus</strong></li></ul><ol><li>Apa perbedaan koneksi menggunakan IP Address dan MAC Address di Winbox ?</li></ol><p>Perbedaannya ialah MAC Address berperan sebagai pengenal unik default yang bisa langsung terdeteksi oleh winbox karena alamatnya ada di lan card device yang terhubung. Sementara IP Address, berfungsi mengidentifikasi perangkat dalam jaringan dan mengarahkan datanya. Dalam kasus admint diatas, kita tidak akan bisa mengakses router memakai IP karena router kita belum memiliki identitas, sehingga kita perlu membuatnya dengan cara masuk melalui MAC Address</p><p>2. Mengapa konfigurasi IP dasar penting sebelum melakukan manajemen jaringan lebih lanjut ?</p><p>Penting karena merupakan langkah awal yang krusial dalam membangun jaringan komputer yang stabil dan aman. IP address berfungsi sebagai identitas unik bagi tiap perangkat yang terhubung dalam jaringan agar dapat saling berkomunikasi dan bertukar data tanpa hambatan</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*BrjjRwEMWxul6g1FBLyRmA.jpeg" /><figcaption>Bisa dilihat IP dari router didalam border atas</figcaption></figure><ul><li><strong>Kesimpulan</strong></li></ul><p>Jadi melalui praktikum ini, menjadi langkah awal kita mengetahui lebih dalam tentang Mikrotik menggunakan Router Mikrotik RB951. Disini kita belajar bagaimana cara membuat identitas router secara langsung tanpa melalui aplikasi simulasi seperti Cisco Packet Tracer dan mengujinya. Selain itu kita dikenalkan pada aplikasi baru bernama Winbox yang memungkinkan kita mengkonfigurasikan router Mikrotik untuk bisa digunakan dalam sebuah jaringan meskipun saat ini hanya menghubungkan satu perangkat saja.</p><ul><li>Referensi</li></ul><p>Modul Praktikum Jaringan halaman 33–46 Based on mikrotik MTCNA</p><ul><li>Rekan kalcer</li></ul><p><a href="https://medium.com/u/386b7eae6048">Wildanmaulana</a></p><img src="https://medium.com/_/stat?event=post.clientViewed&referrerSource=full_rss&postId=2e672562d59e" width="1" height="1" alt="">]]></content:encoded>
        </item>
        <item>
            <title><![CDATA[Big Data 7 : Instalasi MongoDB dan PyMongo Pada CachyOS]]></title>
            <link>https://medium.com/@Cellokp/big-data-7-instalasi-mongodb-dan-pymongo-pada-cachyos-effb5482bd9a?source=rss-63188470f38a------2</link>
            <guid isPermaLink="false">https://medium.com/p/effb5482bd9a</guid>
            <dc:creator><![CDATA[MarcelloKP]]></dc:creator>
            <pubDate>Sat, 31 Oct 2026 14:14:27 GMT</pubDate>
            <atom:updated>2026-10-31T14:14:27.121Z</atom:updated>
            <content:encoded><![CDATA[<figure><img alt="" src="https://cdn-images-1.medium.com/max/500/0*0fYP_eLPpzFbRwgW" /></figure><p>Halo guys, kembali lagi di matkul kesayangan kita, kali ini kita akan mencoba konsep NoSQL (Not Only SQL) di CachyOS menggunakan MongoDB tapi nanti kita olah di pakai Spark di Jupyter Notebook, bla bla bla ble ble ble blu blu blu.</p><ul><li><strong>Dasar Teori</strong></li></ul><p>A. MongoDB</p><p>Merupakan database open source database management system (DBMS) yang menggunakan dokumen dibandingkan menggunakan kolom atau baris untuk memproses dan menyimpan berbagai bentuk dari data sesuai dengan konsep big data yaitu “variety” atau secara singkat MongoDB adalah DBMS non tabular.</p><p>Format dari MongoDB ialah Binary JSON, dokumen ini dapat menyimpan berbagai bentuk atau tipe data yang di distribusikan ke berbagai sistem. Hal ini membuat MongoDB mendukung design schema yang dinamis sehingga user memiliki fleksibilitas tingkat tinggi dalam membuat data records, melakukan query di berbagai document, dan menganalisa informasi dalam jumlah besar.</p><p>Akan ada kamus baru di MongoDB:</p><p><strong>database</strong> = ya tempat kita menyimpan data</p><p><strong>collection </strong>= sekumpulan data berbentuk documen, kalo di sql ini tabel nya</p><p><strong>document </strong>= data itu sendiri atau record didalam tabel</p><p>B. PyMongo</p><p>Merupakan driver resmi berbasis python yang dikelola MongoDB untuk menghubungkan dan berkomunikasi antara aplikasi Python dengan basis data MongoDB, istilahnya antarmuka kita untuk mengutak-atik MongoDB.</p><ul><li><strong>Langkah Praktikum</strong></li></ul><p>Untuk instalasi saat ini, gak serepot instalasi-instalasi sebelumnya, karena versi nya yang diperlukan antara satu aplikasi dengan yang lainya itu harus cocok, nah kalau MongoDB ini, bisa pakai yang paling update dan tidak terkekang harus pakai versi ini, versi itu, langsung saja kita coba.</p><p>A. Instalasi MongoDB pada CachyOS</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/847/1*PEUtZuc9V-JqBhZCRAYpQw.png" /></figure><p>Di CachyOS, shell yang digunakan ialah fish, namun karena kebiasaan admint pakainya bash yasudah ketika ketikkan bash dulu lalu ketik perintah conda activate bigdata untuk berpindah environment ke projek bigdata kita.</p><p>Kemudian karena CachyOS turunan dari Arch Linux, maka kita akan menggunakan perintah “yay” bukan sudo apt seperti di ubuntu. Ketikkan</p><p>yay -S mongodb-bin mongosh-bin</p><p>yay -S (flag install) mongodb-bin (paket binary resmi siap pakai) mongosh-bin (MongoDB shell versi terbaru)</p><p>Kemudian klik enter, kemudian tunggu sebentar lalu klik n lalu enter dan n enter lagi. Tunggu sebentar dan instalasi akan berjalan, nanti akan ada total sekitar 240 mb-an yang perlu di unduh dan juga perintah yes/no, ketikkan y lalu enter saja setiap ada itu.</p><p>2. Jalankan MongoDB, cek versi serta status</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/600/1*gr4KAO7isu-Pu5nEpi8V8Q.png" /></figure><p>Kemudian kita jalankan mongodb dengan perintah sudo systemctl start mongodb yang akan membuat service mongo db aktif.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/670/1*efETbrgKSMK3xENmmrPUKQ.png" /></figure><p>Bisa kita cek dulu versinya dengan perintah mongod — — version (mongod gapake d), nantinya akan muncul seperti diatas, versi serta build infonya.</p><p>Nah artinya sudah terinstal dengan benar, kita cek status nya apakah sudah berjalan.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/928/1*JCF6JzfbxB5MvjL688ljsw.png" /></figure><p>Jalankan perintah sudo systemctl status mongofb dan nanti akan muncul berbagai tulisan, yang kita cek ada dua baris. Baris pertama menunjukan status loaded yang ada tulisan disabled, artinya ketika perangkat dinyalakan, mongodb tidak akan otomatis berjalan karena memang admint sengaja gitukan (gaada alasan sih sebenernya), cara mengaktifkan mongodb ketika load ialah dengan perintah</p><p>sudo systemctl enable mongodb</p><p>Kemudian di baris kedua nah ini, tanda apakah service mongodb sudah berjalan atau belum adalah ketika ada tulisan active (running) dan ada log waktu kita menjalankan atau mengaktifkan mongodb, ketika active (running) selamat, mongodb sudah bisa dipakai.</p><p>3. Mencoba MongoDB via terminal</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/937/1*JQUWuOkJIqcYfh_Wjvzj3Q.png" /></figure><p>Untuk berinteraksi dengan MongoDB, kita bisa pakai mongosh, yaitu perintah untuk masuk ke shell mongodb. Untuk keluar dari situ, ketikkan saja exit, nah tapi kita coba lakukan operasi dasar di mongo db dengan mongosh.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/345/1*DHDqzH2Jw1nMYDG45-DSkQ.png" /></figure><p>Untuk berpindah direktori, kita gunakan perintah use, kalau direktori yang dituju belum ada nantinya direktori akan dibuat otomatis dan kita akan bisa bisa berpindah ke direktori yang dituju.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/944/1*M6Ovp9t32POLihSItR2riA.png" /></figure><p>Untuk memasukkan satu baris data, atau satu record data, pakai perintah</p><p>db.produk.insertOne({key:value, key:value}</p><p>Ketika perintahnya benar, nanti akan muncul tulisan acknowledged true serta id dari data yang kita masukkan.</p><p>Untuk mencari data kita, ketikkan db.produk.find()</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/516/1*mEGwBBX83d2IEzkUo4xhng.png" /></figure><p>Nantinya data kita akan muncul seperti diata, bisa tambahkan .pretty() di akhir perintah find supaya lebih rapi, tapi kalo di cachy os tidak terlalu ngaruh karena sudah otomatis seperti diatas.</p><p>Admint menambahkan satu data lagi seperti berikut</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/512/1*jIQmOczvcp1ePgpYGjcf_A.png" /></figure><p>Nah admint ingin ubah dulu menu dari rusdi ngawi dengan perintah berikut</p><p>db.produk.updateOne(({key:value} yang dituju, {“$set”:{key:value} yang diubah})</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/953/1*qXSzEXHffADjaI_-gJu2hQ.png" /></figure><p>Nantinya akan muncul seperti diatas, dan coba kita cek tapi admint hanya mau data dari rusdi ngawi saja, ada beberapa cara yaitu seperti ini.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/774/1*OY0NNLvDacTeAhGLcrQIZg.png" /><figcaption>dengan id bawaan</figcaption></figure><figure><img alt="" src="https://cdn-images-1.medium.com/max/774/1*4iSnfVvh-H11RvVqxG0Rig.png" /><figcaption>dengan key value yang dituju.</figcaption></figure><p>Nah selengkapnya kita akan coba-coba di jupyter notebook, tapi pertama kita install dulu pymongo</p><p>4. Instalasi PyMongo</p><p>Masukkan perintah pip install pymongo, tunggu sebentar hingga instalasi selesai.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/943/1*UTgu36vXmUtokEcun0teVw.png" /></figure><p>Setelah itu kita cek versinya dengan perintah</p><p>python -c “import pymongo; print(‘PyMongo’, pymongo.version)”</p><p>Nantinya akan muncul ini</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/174/1*gd1JvSZcwtJOG2yn269IBQ.png" /></figure><p>Nah itu versi PyMongo kita, lanjut di jupyter notebook di praktikum-bigdata kita.</p><p>5. Koneksi ke MongoDB dari Python</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/859/1*lG3vskAX35H2ZHJfx3qXSw.png" /></figure><p>Jalankan perintah diatas dan jika muncul nama databasenya tanpa error, maka koneksi kita berhasil</p><p>6. CRUD dengan PyMongo</p><p>Kali ini kita akan menerapkan Create, Read, Update, Delete di jupyter notebook yang 11/12 di terminal kita tadi, mari kita coba.</p><p>Sebelumnya di tiap perintah CRUD akan ada tambahan One atau Many, one berarti kita melakukan operasi ke satu data, many ke banyak data, simpelnya gitulah.</p><p>A. Insert (Create)</p><pre># Menghapus data lama jika ada (agar percobaan kita mulai dari kondisi bersih)<br>koleksi_produk.delete_many({})<br><br># insert_one() — menyisipkan satu dokumen<br>koleksi_produk.insert_one({a<br>    &quot;nama_produk&quot;: &quot;Kopi Susu&quot;,<br>    &quot;kategori&quot;: &quot;Minuman&quot;,<br>    &quot;harga&quot;: 18000,<br>    &quot;stok&quot;: 120,<br>    &quot;tags&quot;: [&quot;best-seller&quot;, &quot;dingin&quot;]<br>})<br><br># insert_many() — menyisipkan banyak dokumen sekaligus<br>koleksi_produk.insert_many([<br>    {&quot;nama_produk&quot;: &quot;Roti Bakar&quot;, &quot;kategori&quot;: &quot;Makanan&quot;, &quot;harga&quot;: 15000, &quot;stok&quot;: 45, &quot;tags&quot;: [&quot;hangat&quot;]},<br>    {&quot;nama_produk&quot;: &quot;Es Teh&quot;, &quot;kategori&quot;: &quot;Minuman&quot;, &quot;harga&quot;: 8000, &quot;stok&quot;: 200, &quot;tags&quot;: [&quot;dingin&quot;, &quot;murah&quot;]},<br>    {&quot;nama_produk&quot;: &quot;Kentang Goreng&quot;, &quot;kategori&quot;: &quot;Makanan&quot;, &quot;harga&quot;: 20000, &quot;stok&quot;: 60, &quot;tags&quot;: [&quot;gurih&quot;]},<br>    {&quot;nama_produk&quot;: &quot;Cappuccino&quot;, &quot;kategori&quot;: &quot;Minuman&quot;, &quot;harga&quot;: 25000, &quot;stok&quot;: 80, &quot;tags&quot;: [&quot;hangat&quot;, &quot;best-seller&quot;]},<br>])<br><br>print(&quot;Jumlah dokumen di collection &#39;produk&#39;:&quot;, koleksi_produk.count_documents({}))</pre><p>Jalankan perintah diatas dan nantinya akan muncul dua dokumen di collection produk kita</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/335/1*eKE13odkemRAH-yUMSrj7A.png" /></figure><p>Jika diperhatikan, pada bagian key tags pada tiap produk, ada yang tagsnya hanya 1 dan ada yang 2, hal ini tidak mungkin dilakukan di tabel SQL tanpa relasi tambahan, nah inilah fleksibilitas data dalam bentuk dokumen.</p><p>Selain itu diatas ada perintah insert_one yang seperti di terminal menambahkan satu record data, nah kalau insert many_kita bisa menambahkan lebih dari satu record yang secara penulisannya agak beda yaitu ada tanda kurung siku ( [] )setelah dan sebelum tanda kurung biasa( () ) , untuk record dikurung menggunakan kurung kurawal ( {} ).</p><p>B. Find (Read)</p><pre># find_one() — mengambil satu dokumen pertama yang cocok<br>satu_produk = koleksi_produk.find_one({&quot;kategori&quot;: &quot;Minuman&quot;})<br>print(&quot;Satu produk kategori Minuman:&quot;, satu_produk)<br><br>print()<br><br># find() — mengambil SEMUA dokumen yang cocok (mengembalikan cursor, di-looping atau di-list())<br>print(&quot;Seluruh produk kategori Minuman:&quot;)<br>for p in koleksi_produk.find({&quot;kategori&quot;: &quot;Minuman&quot;}):<br>    print(f&quot;  - {p[&#39;nama_produk&#39;]} (Rp{p[&#39;harga&#39;]:,})&quot;)<br><br>print()</pre><figure><img alt="" src="https://cdn-images-1.medium.com/max/820/1*07Be20-E8AWFRe6fLDoWTw.png" /></figure><p>Pada perintah pertama kita mengambil satu saja dokumen yang cocok, sementara perintah kedua kita mengambil SEMUA dokumen yang cocok, dimana ada kondisi untuk setiap produk di kategori minuman, cetak nama dan harganya.</p><pre># Filter dengan operator perbandingan: harga lebih dari 15000<br>print(&quot;Produk dengan harga &gt; 15000:&quot;)<br>for p in koleksi_produk.find({&quot;harga&quot;: {&quot;$gt&quot;: 15000}}):<br>    print(f&quot;  - {p[&#39;nama_produk&#39;]} (Rp{p[&#39;harga&#39;]:,})&quot;)</pre><p>Kita juga bisa menggunakan operator perbandingan seperti diatas, berikut hasilnya.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/264/1*werjSszsyIhfGJ00WjfM9Q.png" /></figure><p>$gt adalah operator pembanding yang memiliki arti greater than, yang mana sesuai dengan konteks apa yang ingin kita cari dimana kita ingin mencari produk yang harganya lebih dari (greater than) 15.000.</p><p>C. Update</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/819/1*_iNjAwt-vDJlAWsFo9cicA.png" /></figure><p>Disini kita merubah atau memperbarui data dari satu data yang cocok, yaitu merubah data harga esteh, dan memperbarui stok semua produk dengan operator $inc, yaitu operator yang memungkinkan kita menambah atau mengurangi nilai suatu field. Setelah itu kita cek produk, harga, dan stoknya dengan perintah diatas.</p><p>D. Delete</p><pre># delete_one() — menghapus SATU dokumen pertama yang cocok<br>koleksi_produk.delete_one({&quot;nama_produk&quot;: &quot;Kentang Goreng&quot;})<br><br>print(&quot;Jumlah dokumen tersisa:&quot;, koleksi_produk.count_documents({}))<br>print(&quot;Daftar produk tersisa:&quot;, [p[&quot;nama_produk&quot;] for p in koleksi_produk.find({}, {&quot;nama_produk&quot;: 1, &quot;_id&quot;: 0})])</pre><p>Kemudian ada perintah delete yang mana sesuai artinya kita ingin menghapus suatu data atau dokumen yang dengan contoh diatas kita ingin menghapus dokumen dengan nama produk kentang goreng dengan perintah delete_one, kemudian kita cek jumlah dokumen didalam koleksi produk lalu tampilkan tiap isinya. Berikut hasilnya</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/608/1*t7odn-s4StbpwhvU_g1MRQ.png" /></figure><p>7. Mengintegrasikan Data MongoDB ke Spark DataFrame</p><p>Kita bisa menganalisa data yang tersimpan ke MongoDB memakai kemampuan spark yang sudah kita pelajari sebelumnya. Cara sederhana tanpa instalasi tambahan untuk integrasinya ialah dengan</p><ul><li>ambil data dari MongoDB dengan PyMongo</li><li>ubah menjadi pandas DataFrame</li><li>konversi menjadi spark dataframe</li></ul><p>Berikut contoh penerapannya yang tentunya diawal kita perlu memanggil library sparksession dan pandas lalu membuat spark session terlebih dahulu.</p><pre>from pyspark.sql import SparkSession<br>import pandas as pd<br><br>spark = SparkSession.builder \<br>    .appName(&quot;Pertemuan9-MongoDBSpark&quot;) \<br>    .master(&quot;local[*]&quot;) \<br>    .getOrCreate()<br>spark.sparkContext.setLogLevel(&quot;ERROR&quot;)<br><br># Langkah 1: Ambil seluruh dokumen dari MongoDB sebagai list of dict<br>dokumen_mongo = list(koleksi_produk.find({}))<br><br># Langkah 2: Ubah menjadi pandas DataFrame<br>df_pandas = pd.DataFrame(dokumen_mongo)<br><br># Langkah 3: Tipe data khusus MongoDB (_id, dan kolom berisi list seperti &quot;tags&quot;)<br># perlu disesuaikan dulu agar Spark dapat membacanya dengan benar<br>df_pandas[&quot;_id&quot;] = df_pandas[&quot;_id&quot;].astype(str)<br>df_pandas[&quot;tags&quot;] = df_pandas[&quot;tags&quot;].apply(lambda x: &quot;, &quot;.join(x) if isinstance(x, list) else &quot;&quot;)<br><br># Langkah 4: Konversi ke Spark DataFrame<br>df_spark_produk = spark.createDataFrame(df_pandas)<br><br>df_spark_produk.printSchema()<br>df_spark_produk.show()</pre><p>Berikut hasilnya</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/828/1*9UCtSN7Ftk0VCep2yvo9dw.png" /></figure><p>Setelah diubah menjadi dataframe, kita olah seperti biasa dengan teknik-teknik yang sudah dipelajari sebelumnya</p><pre>from pyspark.sql.functions import avg, count<br><br># Contoh analisis sederhana: rata-rata harga &amp; jumlah produk per kategori<br>df_spark_produk.groupBy(&quot;kategori&quot;).agg(<br>    avg(&quot;harga&quot;).alias(&quot;rata_rata_harga&quot;),<br>    count(&quot;nama_produk&quot;).alias(&quot;jumlah_produk&quot;)<br>).show()<br><br>spark.stop()<br>print(&quot;SparkSession ditutup.&quot;)</pre><figure><img alt="" src="https://cdn-images-1.medium.com/max/383/1*q6riEimER7q_cNk4L9Cvmg.png" /></figure><ul><li><strong>Latihan Mandiri</strong></li></ul><p>Pastikan client, db, dan koleksi_produk masih aktif sebelum mengerjakan ini</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/804/1*GHeE68x-UIjlHqhMCEu5sA.png" /></figure><pre># Jawaban Soal 1 di sini<br>&quot;&quot;&quot;<br>koleksi_produk.insert_many([<br>    {&#39;nama_produk&#39;:&#39;French Fries&#39;, &#39;kategori&#39;: &#39;Snack&#39;, &#39;harga&#39;:10000, &#39;stok&#39;:70, &#39;tags&#39;:[&#39;best-seller&#39;]},<br>    {&#39;nama_produk&#39;:&#39;Nasi Goreng&#39;, &#39;kategori&#39;: &#39;Makanan&#39;, &#39;harga&#39;:16000, &#39;stok&#39;:50, &#39;tags&#39;:[&#39;best-seller&#39;,&#39;kenyang&#39;]},<br>    {&#39;nama_produk&#39;:&#39;Cheese Cake&#39;, &#39;kategori&#39;: &#39;Snack&#39;, &#39;harga&#39;:24000, &#39;stok&#39;:20, &#39;tags&#39;:[&#39;Trendy&#39;]},<br>    {&#39;nama_produk&#39;:&#39;Lemon Ice&#39;, &#39;kategori&#39;: &#39;Minuman&#39;, &#39;harga&#39;:12000, &#39;stok&#39;:54, &#39;tags&#39;:[&#39;Segar&#39;,&#39;dingin&#39;]},<br>    {&#39;nama_produk&#39;:&#39;Chicken Shawarma&#39;, &#39;kategori&#39;: &#39;Makanan&#39;, &#39;harga&#39;:34000, &#39;stok&#39;:75, &#39;tags&#39;:[&#39;best-seller&#39;,&#39;Portugal&#39;]}<br>])<br>&quot;&quot;&quot;<br><br>for p in koleksi_produk.find({}):<br>    print(p)</pre><p>Sesuai perintah kita gunakan insert_many untuk menambahkan banyak dokumen sekaligus, berikut hasilnya.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*yvzzYmPpdCD8CZdtKeB6Hg.png" /></figure><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*sSjqvPl711L8cTtoq4LvBw.png" /></figure><pre># Jawaban Soal 2 di sini<br>for p in koleksi_produk.find({&quot;harga&quot;:{&quot;$lt&quot;:20000}}):<br>    print(f&quot; - {p[&#39;nama_produk&#39;]} (Rp{p[&#39;harga&#39;]})&quot;)</pre><p>Untuk mencari produk yang kurang dari 20000, gunakan operator $lt atau lower than, lalu jika ingin memanggil beberapa field saja, seperti diatas hanya nama dan harganya, gunakan syntax seperti diatas dan berikut hasilnya.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/267/1*zbo0XQyRzFBuwVHt1eQCxQ.png" /></figure><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*9a-rqj1l3N59ZECEnivoSg.png" /></figure><pre># Jawaban Soal 3 di sini<br><br>koleksi_produk.update_many(<br>    {},<br>    {&quot;$set&quot;:{&quot;diskon&quot;:0}}<br>)<br><br>for p in koleksi_produk.find({}):<br>    print(p)</pre><p>Nah disini admint setelah cari tahu, untuk menambahkan field baru, gunakan syntax yang hampir mirip dengan update, bedanya adalah ketika kita ingin mengaplikasikannya ke semua dokumen, hanya tuliskan { } saja yang artinya semua, lalu pakai $set, dan tuliskan field baru beserta nilainya, berikut hasilnya.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*Szw0OYkjFDajaU_3rVMnNw.png" /></figure><figure><img alt="" src="https://cdn-images-1.medium.com/max/818/1*dDGG7f9gK8nosPPJNXx69w.png" /></figure><p>Contoh skenario nyatanya yaitu pada ketika meminta sebuah review. Misal kita meminta sebuah ulasan kepada customer, baik itu melalui form, ataupun form ulasan pada web. Bentuknya pasti akan berbeda, sehingga dengan adanya MongoDB memungkinkan kita menyimpan dua bentuk dokumen berbeda karena adanya konsep flexible schema pada MongoDB yang isi dokumennya tidak terkekang suatu aturan seperti database tabular.</p><ul><li><strong>Tugas Mandiri</strong></li></ul><p>Nah seperti biasa admint pasti diberi tugas mingguan didalam modul untuk dikerjakan, mari kita ulik.</p><p>Konteks:</p><p>Platform “Kopi Nusantara” (skenario yang sama dari Tugas Mandiri Pertemuan 7) ingin mulai menyimpan <strong>katalog menu</strong> mereka di MongoDB — karena setiap cabang punya menu musiman/spesial dengan atribut yang berbeda-beda (tidak semua menu punya atribut yang sama, misalnya hanya menu kopi yang punya atribut “tingkat_kepahitan”, sementara menu makanan punya atribut “pedas_level”). Kalian ditugaskan membangun dan menganalisis katalog ini.</p><pre>##Mengoneksikan notebook baru ke MongoDB<br>#Memanggil fitur di library pymongo<br>from pymongo import MongoClient<br><br>#Membuat koneksi ke MongoDB<br>client= MongoClient(&quot;mongodb://localhost:27017&quot;)<br><br>#Memilih atau membuat database<br>db=client[&quot;kopi_nusantara&quot;]<br><br>#Memilih atau membuat collection<br>koleksi_menu=db[&quot;menu&quot;]<br><br>#Verifikasi<br>print(&quot;Koneksi ke MongoDB Berhasil&quot;)<br>print(&quot;daftar database yang ada: &quot;,client.list_database_names())</pre><p>Sebelum mengerjakan perMongoDB an, tentunya jika menggunakan notebook baru kita perlu menghubungkan notebook tersebut dahulu, kemudian baru kita kerjakan soalnya.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/807/1*JbLfBQO95bva1T2FHjRkzA.png" /></figure><pre>##Menambahkan dokumen ke collection menu<br>#A. Membangun Katalog<br>&#39;&#39;&#39;<br>koleksi_menu.insert_many([<br>    {&quot;nama_menu&quot;:&quot;Espresso Single Origin&quot;, &quot;harga&quot;:22000, &quot;kategori&quot;:&quot;kopi&quot;,&quot;tingkat_kepahitan&quot;:5,&quot;stok&quot;:30,&quot;tags&quot;:[&quot;rekomendasi barista&quot;]},<br>    {&quot;nama_menu&quot;:&quot;Nasi Goreng Spesial&quot;, &quot;harga&quot;:32000, &quot;kategori&quot;:&quot;makanan&quot;,&quot;tingkat_kepedasan&quot;:3,&quot;stok&quot;:20,&quot;tags&quot;:[&quot;Kenyang mampus&quot;]},<br>    {&quot;nama_menu&quot;:&quot;Cappucino Clasic&quot;, &quot;harga&quot;:28000, &quot;kategori&quot;:&quot;kopi&quot;,&quot;tingkat_kepahitan&quot;:3,&quot;stok&quot;:45,&quot;tags&quot;:[&quot;pemula&quot;]},<br>    {&quot;nama_menu&quot;:&quot;Ayam Geprek Sambel Korek&quot;, &quot;harga&quot;:28000, &quot;kategori&quot;:&quot;makanan&quot;,&quot;tingkat_kepedasan&quot;:5,&quot;stok&quot;:25,&quot;tags&quot;:[&quot;Rekomendasi barista&quot;,&quot;Pedas hanya ilusi&quot;]},<br>    {&quot;nama_menu&quot;:&quot;Americano Ice&quot;, &quot;harga&quot;:22000, &quot;kategori&quot;:&quot;kopi&quot;,&quot;tingkat_kepahitan&quot;:4,&quot;stok&quot;:50,&quot;tags&quot;:[&quot;clasic&quot;]},<br>    {&quot;nama_menu&quot;:&quot;Spagheti Aglio Olio&quot;, &quot;harga&quot;:38000, &quot;kategori&quot;:&quot;makanan&quot;,&quot;tingkat_kepedasan&quot;:2,&quot;stok&quot;:15,&quot;tags&quot;:[]},<br>    {&quot;nama_menu&quot;:&quot;Kopi Susu Gula Aren&quot;, &quot;harga&quot;:26000, &quot;kategori&quot;:&quot;kopi&quot;,&quot;tingkat_kepahitan&quot;:1,&quot;stok&quot;:60,&quot;tags&quot;:[&quot;rekomendasi barista&quot;]},<br>    {&quot;nama_menu&quot;:&quot;Rice Bowl Cumi Hitam&quot;, &quot;harga&quot;:32000, &quot;kategori&quot;:&quot;makanan&quot;,&quot;tingkat_kepedasan&quot;:0,&quot;stok&quot;:18,&quot;tags&quot;:[&quot;nyumi banget&quot;]},<br>    {&quot;nama_menu&quot;:&quot;Caramel Macchiato&quot;, &quot;harga&quot;:32000, &quot;kategori&quot;:&quot;kopi&quot;,&quot;tingkat_kepahitan&quot;:2,&quot;stok&quot;:40,&quot;tags&quot;:[]},<br>    {&quot;nama_menu&quot;:&quot;French Fries mayo&quot;, &quot;harga&quot;:20000, &quot;kategori&quot;:&quot;makanan&quot;,&quot;tingkat_kepedasan&quot;:0,&quot;stok&quot;:50,&quot;tags&quot;:[&quot;ringan-ringan aja&quot;]},<br>    {&quot;nama_menu&quot;:&quot;Cold Brew Vanilla&quot;, &quot;harga&quot;:30000, &quot;kategori&quot;:&quot;kopi&quot;,&quot;tingkat_kepahitan&quot;:3,&quot;stok&quot;:15,&quot;tags&quot;:[&quot;rekomendasi barista&quot;]},<br>    {&quot;nama_menu&quot;:&quot;Seblak Komplit&quot;, &quot;harga&quot;:25000, &quot;kategori&quot;:&quot;makanan&quot;,&quot;tingkat_kepedasan&quot;:4,&quot;stok&quot;:22,&quot;tags&quot;:[]},<br>    {&quot;nama_menu&quot;:&quot;Cafe Latte&quot;, &quot;harga&quot;:28000, &quot;kategori&quot;:&quot;kopi&quot;,&quot;tingkat_kepahitan&quot;:3,&quot;stok&quot;:35,&quot;tags&quot;:[]},<br>    {&quot;nama_menu&quot;:&quot;Roti Bakar Cokelat Keju&quot;, &quot;harga&quot;:22000, &quot;kategori&quot;:&quot;makanan&quot;,&quot;tingkat_kepedasan&quot;:0,&quot;stok&quot;:30,&quot;tags&quot;:[&quot;teman ngopimu&quot;]},<br>    {&quot;nama_menu&quot;:&quot;Mocha Latte&quot;, &quot;harga&quot;:30000, &quot;kategori&quot;:&quot;kopi&quot;,&quot;tingkat_kepahitan&quot;:1,&quot;stok&quot;:25,&quot;tags&quot;:[]}<br>    <br>])<br>&#39;&#39;&#39;<br>for p in koleksi_menu.find({}):<br>    print(p)</pre><p>Untuk langsung sekali jalan dalam membuat databasenya kita pakai saja insert many</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*B9U4xlGEqFNEGI_cVWFSyg.png" /><figcaption>Acakadul emang, tapi ini untuk pengecekkan saja</figcaption></figure><figure><img alt="" src="https://cdn-images-1.medium.com/max/554/1*R4w-4rR5qzKKOFJBAfTNpA.png" /></figure><pre>##B. Kueri Bertingkat<br># tampilkan hasil tiga kueri berikut<br><br>#semua menu kopi dengan tingkat_kepahitan diatas 3       <br>print(&quot;Kopi yang tingkat kepahitannya lebih dari 3: &quot;)<br>for p in koleksi_menu.find({&quot;tingkat_kepahitan&quot;:{&quot;$gt&quot;:3}}):<br>    print(&quot; - &quot;, p[&quot;nama_menu&quot;], p[&quot;tingkat_kepahitan&quot;])<br>print()<br><br>#semua menu dengan harga diantara harga 15000 dan 30000<br>print(&quot;Menu berharga diantara 15000 sampai 30000&quot;)   <br>for p in koleksi_menu.find({&quot;harga&quot;: {&quot;$gt&quot;:15000} and {&quot;$lt&quot;:30000}}):<br>    print(&quot; - &quot;,p[&quot;nama_menu&quot;],&quot;Rp&quot;,p[&quot;harga&quot;])<br>print()<br><br>#Menu yang tidak memiliki field pedas level sama sekali<br>print(&quot;menu yang tidak memiliki field tingkat kepedasan&quot;)<br>for p in koleksi_menu.find({&quot;tingkat_kepedasan&quot;:{&quot;$exists&quot;:False}}):<br>    print(&quot; - &quot;, p[&quot;nama_menu&quot;])</pre><p>untuk yang poin pertama oke lahya, untuk poin kedua ternyata kita bisa menggunakan operator logika ketika ingin memilih dokumen yang sesuai dengan apa yang kita mau. Untuk poin ketiga kita belajar sebuah operator baru yaitu $exists dimana berfungsi mengecek apakah suatu field itu ada di collection kita. Berikut hasilnya</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/428/1*uaZHaIC0cZK1TDYCpv7ziw.png" /></figure><p>Untuk yang poin ketiga, tentu saja yang keluar adalah menu-menu kopi karena kopi gapunya tingkat kepedasan, adanya tingkat kepahitan.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/807/1*AzW8shh2rPDfr9zcQkEm1Q.png" /></figure><pre>##C Pembaruan Data<br>#Menambahkan field status bernilai &quot;Tersedia&quot; ke semua dokumen dengan update_many<br><br>koleksi_menu.update_many(<br>    {},<br>    {&quot;$set&quot;:{&quot;Status&quot;:&quot;Tersedia&quot;}}<br>)<br>for p in koleksi_menu.find({}):<br>    print(p)<br>    <br>#Untuk menghapus field yang duplikat misal atau yang tidak dipakai, pakai syntax ini<br>&quot;&quot;&quot;<br>koleksi_menu.update_many(<br>    {},<br>    {&quot;$unset&quot;:{&quot;status&quot;:&quot;&quot;}}<br>)<br>&quot;&quot;&quot;</pre><p>Untuk menambahkan sebuah field baru, tinggal gunakan update, lalu jika ingin diterapkan ke semua document pakai { }, lalu pakai perintah set untuk menambahkan field serta nilai yang diinginkan.</p><p>Nah untuk catatan dibawah, sebenarnya admint menemukan hal menarik dimana ketika mengerjakan soal terakhir, muncul dua field yang sama, yaitu status, loh kok bisa begitu ?, admint akan tekankan di akhir laporan. Intinya untuk menghapus field yang tidak kita butuhkan, gunakan operator $unset lalu fieldnya serta nilainya. Karena ingin menghapus fieldnya secara keseluruhan kita tidak perlu menspesifikkan nilainya, cukup fieldnya. Tapi ya Berikut hasil update pertama diatas.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/802/1*uwYUv2FjlaLCNeMxHhUIvw.png" /><figcaption>Sekilas aja</figcaption></figure><pre>#Mengubah status menjadi &quot;Habis&quot; khusus 2 menu dengan update_one<br>koleksi_menu.update_one(<br>    {&quot;nama_menu&quot;:&quot;Rice Bowl Cumi Hitam&quot;},<br>    {&quot;$set&quot;:{&quot;Status&quot;:&quot;Habis&quot;, &quot;stok&quot;:0}}<br>)<br>koleksi_menu.update_one(<br>    {&quot;nama_menu&quot;:&quot;Mocha Latte&quot;},<br>    {&quot;$set&quot;:{&quot;Status&quot;:&quot;Habis&quot;,&quot;stok&quot;:0}}<br>)<br><br>for p in koleksi_menu.find({}):<br>    print(&quot; - &quot;, p[&quot;nama_menu&quot;],p[&quot;Status&quot;],p[&quot;stok&quot;])</pre><p>Kemudian untuk update kedua yaitu mengubah status menjadi habis, pakai syntax diatas. Jadi admint juga belajar, jika mau mengubah lebih dari satu field, cukup gunakan koma setelah nilai dari field pertama, lalu tuliskan field yang mau diubah. Berikut hasilnya</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/404/1*wFknTTV3IeSdYpQ_NmUarA.png" /></figure><figure><img alt="" src="https://cdn-images-1.medium.com/max/792/1*UjPQJB-gk7-J3LEq1sHamA.png" /></figure><p>Nah kita kembali memakai spark. Tentunya kita buat dulu sparksessionnya, lalu kita kerjakkan.</p><pre>##D. Integrasi ke Spark<br>#Membuat Spark Session<br>from pyspark.sql import SparkSession<br>import pandas as pd<br><br>spark= SparkSession.builder.appName(&quot;Tugas9-MongoDBSpark&quot;).master(&quot;local[*]&quot;).getOrCreate()<br>spark.sparkContext.setLogLevel(&quot;ERROR&quot;)<br><br>#Mengambil semua dokumen dari MongoDB sebagai list of dict<br>doc_mongo=list(koleksi_menu.find({}))<br><br>#Mengubah menjadi pandas DataFrame<br>df_pandas=pd.DataFrame(doc_mongo)<br><br>#Menyesuaikan tipe data khusus MongoDB (_id, dan tags) agar spark membaca datanya dengan benar<br>df_pandas[&quot;_id&quot;]= df_pandas[&quot;_id&quot;].astype(str)<br>df_pandas[&quot;tags&quot;]= df_pandas[&quot;tags&quot;].apply(lambda x: &quot;, &quot;.join(x) if isinstance(x, list) else &quot;&quot;)<br><br>#Konversi ke spark dataframe<br>df_spark_menu=spark.createDataFrame(df_pandas)<br><br>df_spark_menu.printSchema()<br>df_spark_menu.show()</pre><p>Untuk bagian menyesuaikan tipe data khusus admint akan jelaskan. Yang pertama tags, id di mongodb itu tipe data khas dari PyMongo dan tidak support di spark, sehingga kita ubah idnya menjadi tipe data string biasa. Kemudian yang kedua untuk tags, syntax tersebut berfungsi mengubah list dalam menjadi sebuah kalimat string tunggal yang dipisahkan dengan koma.</p><p>Berikut hasil dari syntax diatas</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*OkjWarjIg38D0C5OxIxGbA.png" /></figure><p>Nah ini ada yang menarik, seperti yang disebutkan di soal, akan ada yang null pada sebagian dokumen, tapi di dataframe, ditulis sebagai NaN. Kenapa begitu, karena kategori kopi dan makanan punya field ciri khas sendiri yaitu tingkat_kepahitan dan tingkat_kepedasan yang hanya dimiliki salah satu kategori dan tidak mungkin keduanya. Maka dari itu, dataframe menghasilkan bentuk seperti diatas dimana kopi tidak memiliki nilai di tingkat kepedasan, dan makanan tidak memiliki nilai di tingkat kepahitan.</p><p>Kemudian berikut untuk rata-rata harga dari tiap kategori</p><pre>from pyspark.sql.functions import avg, count, round<br>df_spark_menu.groupBy(&quot;kategori&quot;).agg(<br>    round(avg(&quot;harga&quot;),2).alias(&quot;rata-rata harga&quot;)<br>).show()<br>spark.stop()<br>print(&quot;Sparksession ditutup&quot;)</pre><p>admint gunakan round biar enak dilihat hasil harganya karena komanya terlalu panjang.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/486/1*QXUd6b3uPSHPpF5WjdyLow.png" /></figure><p>Sekalian juga admint tutup SparkSessionnya</p><ul><li><strong>Kesimpulan</strong></li></ul><p>Jadi apat disimpulkan bahwa MongoDB sebagai basis data NoSQL berbasis dokumen (<em>non-tabular</em>) menawarkan fleksibilitas yang sangat tinggi melalui desain skema dinamis dan format BSON. Hal ini memungkinkan penyimpanan data yang bervariasi (<em>variety</em>) — seperti perbedaan atribut khusus antar kategori menu — tanpa memerlukan relasi yang rumit seperti pada basis data relasional konvensional. Melalui penggunaan driver PyMongo dan integrasi ke DataFrame Pandas serta Spark, data dari MongoDB dapat dengan mudah dikelola melalui operasi CRUD (Create, Read, Update, Delete), dianalisis menggunakan berbagai operator kueri lanjutan, hingga diolah lebih lanjut untuk kebutuhan pengolahan data skala besar secara efisien.</p><p>Selain itu tantangan yang ditemui saat mengonversi data MongoDB (dengan field yang tak seragam antar dokumen) menjadi Spark DataFrame (yang mengharuskan skema tabel seragam) ialah ada data yang menjadi kosong. Sebenarnya bisa dibiarkan, tapi menurut admint pribadi hal tersebut tidak ideal, nah lalu bagaimana cara mengatasinya ?, kita gunakan nafill untuk mengisi data yang kosong. Tapi diisipun hanya antara 0 kalau untuk hal-hal seperti rating, atau tidak ada jika membutuhkan pengisian dengan tipe data string seperti berikut.</p><pre>#Mengisi baris data yang kosong<br>df_spark_bersih = df_spark_menu.fillna({&quot;tingkat_kepahitan&quot;:0.0, &quot;tingkat_kepedasan&quot;:0.0})<br>df_spark_bersih.show()</pre><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*0rLHV1QGG2ZtsabW5lfnaA.png" /></figure><ul><li><strong>Referensi</strong></li></ul><ul><li><a href="https://www.ibm.com/think/topics/mongodb">What Is MongoDB? | IBM</a></li><li><a href="https://blog.rumahweb.com/mongodb-adalah/">Apa itu MongoDB? Pengertian, Jenis, dan Contohnya - Rumahweb Blog</a></li></ul><ul><li><strong>Github</strong></li></ul><p><a href="https://github.com/CellonizM/Big-Data">GitHub - CellonizM/Big-Data</a></p><img src="https://medium.com/_/stat?event=post.clientViewed&referrerSource=full_rss&postId=effb5482bd9a" width="1" height="1" alt="">]]></content:encoded>
        </item>
        <item>
            <title><![CDATA[PBO 7 : Abstraksi dan Kelas Abstrak]]></title>
            <link>https://medium.com/@Cellokp/pbo-7-abstraksi-dan-kelas-abstrak-e83af20722ef?source=rss-63188470f38a------2</link>
            <guid isPermaLink="false">https://medium.com/p/e83af20722ef</guid>
            <dc:creator><![CDATA[MarcelloKP]]></dc:creator>
            <pubDate>Wed, 28 Oct 2026 09:31:23 GMT</pubDate>
            <atom:updated>2026-10-28T09:31:23.785Z</atom:updated>
            <content:encoded><![CDATA[<figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/0*BXMkBaCdhQxa2VBI" /><figcaption>Photo by <a href="https://unsplash.com/@aznbokchoy?utm_source=medium&amp;utm_medium=referral">Lucas K</a> on <a href="https://unsplash.com/?utm_source=medium&amp;utm_medium=referral">Unsplash</a></figcaption></figure><p>Halo teman-teman admint M disini di matkul PBO akan membahas tentang pilar dari Pemrograman Berorientasi Objek, yaitu abstraksi, apa itu langsung saja</p><ul><li><strong>Dasar Teori</strong></li></ul><p>A. Abstraksi</p><p>Merupakan satu pilar utama dalam OOP yang bertujuan menyembunyikan detail implementasi dan menampilkan hanya fungsionalitas penting dari suatu objek. Abstraksi membantu dalam memecah sistem yang kompleks menjadi bagian-bagian yang lebih sederhana. Dengan abstraksi kita fokus ke apa yang dilakukan project, bukan caranya.</p><p>Contoh, misal pada objek kendaraan, kita hanya perlu tahu bahwa kendaraan tersebut bisa berjalan, tetapi kita tidak perlu tahu bagaimana mesin internalnya bekerja</p><p>B. Kelas Abstrak</p><p>Merupakan kelas yang tidak dapat diinstanisasi langsung, atau tidak bisa dibuat langsung objeknya. Kelas ini dipakai sebagai cetak biru bagi kelas yang mewarisinya atau kelas keturunannya. Kelas abstrak bisa memiliki metode abstrak (metode tanpa implementasi) dan metode biasa (metode dengan implementasi).</p><p>— Karakteristik Kelas Abstrak</p><ol><li>Tidak dapat dibuat objeknya langsung</li><li>Bisa punya metode abstrak dan metode dengan implementasi</li><li>Subclass yang mengimplementasikan kelas abstrak wajib mengimplementasikan semua metode yang ada</li></ol><p>Tapi apakah memang benar demikian teori diatas ?, kita cek</p><ul><li><strong>Langkah Kerja</strong></li></ul><ol><li>Membuat folder proyek baru bernama PraktikumPBO_9 dan mengganti nama package menjadi praktikum9</li></ol><figure><img alt="" src="https://cdn-images-1.medium.com/max/337/1*_O53cn1apJstRvlwyhcdSQ.png" /></figure><p>2. Buat kelas abstrak bernama kendaraan</p><pre>abstract class kendaraan {<br>    //metode abstrak<br>    abstract void berjalan();<br><br>    //metode dengan implementasi<br>    void info(){<br>        System.out.println(&quot;Ini adalah kendaraan.&quot;);<br>    }<br>}</pre><p>Nah untuk membuat kelas abstract yang awalnya secara bawaan acces modifier nya public, kita ubah menjadi “abstract”, kemudian pada metode tanpa implementasi atau metode kosongan bernama berjalan, kita berikan modifier abstract juga. Kita bisa buat juga metode dengan implementasi seperti metode info diatas.</p><p>3. Buat kelas turunannya</p><pre>public class mobil extends kendaraan {<br>    @Override<br>    void berjalan(){<br>        System.out.println(&quot;Mobil sedang berjalan dengan cepat&quot;);<br>    }<br>}</pre><pre>public class sepeda extends kendaraan{<br>    @Override<br>    void berjalan(){<br>        System.out.println(&quot;Sepeda sedang berjalan dengan pelan&quot;);<br>    }<br>}</pre><p>Kita terapkan konsep inheritance dan polimorfisme dengan membuat dua kelas bernama sepeda dan mobil, yang mewarisi method dari class kendaraan, kemudian kita ubah metode berjalannya memakai overriding seperti diatas.</p><p>4. Buat objeknya</p><pre>public class PraktikumPBO_9 {<br><br>    public static void main(String[] args) {<br>        <br>        //contoh<br>        kendaraan mobil = new mobil();<br>        kendaraan sepeda = new sepeda();<br><br>        mobil.berjalan();<br>        mobil.info();<br>        sepeda.berjalan();<br>        sepeda.info();<br>    }<br>}</pre><p>Nah biasanya ketika kita ingin membuat objek baru, kita panggil class turunan yang bersangkutan dahulu, tapi karena ini abstrak, kita panggil superclassnya dulu, buat objeknya, lalu baru simpan data objeknya di subclassnya. Lalu panggil saja methodnya dan berikut hasilnya.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/337/1*41isXz3GbKNW8pyw9QV_iA.png" /></figure><p>Apa yang terjadi kalau kita panggil subclassnya sama seperti biasanya ?</p><pre>        mobil mobil = new mobil();<br>        sepeda sepeda = new sepeda();<br>        mobil.berjalan();<br>        mobil.info();<br>        <br>        sepeda.berjalan();<br>        sepeda.info();</pre><p>berikut hasilnya.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/337/1*41isXz3GbKNW8pyw9QV_iA.png" /></figure><p>Bisa juga, nah tapi kalau kita buat langsung dari superclassnya, secara teori tidak bisa karena kelas abstrak harus diturunkan, kita coba.</p><pre>kendaraan motor = new kendaraan();</pre><figure><img alt="" src="https://cdn-images-1.medium.com/max/594/1*7I3CRsL5GlWS0s5cie2_Dw.png" /></figure><p>Kenapa kok error ? kita cek di peringatannya.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/502/1*M-evKj1QrlIkskXIsW9k9A.png" /></figure><p>Yak ternyata betul bahwa class abstrak tidak bisa diinstanisasi.</p><p>Kalau begitu langsung kita kerjakan sebuah tugas dengan perintah sebagai berikut.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/660/1*5YHKbI7muvYiATjJ-H1eXw.png" /></figure><p>Kita buat dulu class-classnya beserta method nya</p><pre>abstract class hewan {<br>    <br>    void suara(){<br>       <br>    }<br>}</pre><p>Untuk superclassnya kita buat metodenya tanpa implementasi.</p><pre>public class kucing extends hewan {<br>    <br>    @Override<br>    void suara(){<br>        System.out.println(&quot;Kucing mengeluarkan suara: Meong&quot;);<br>    }<br>}</pre><pre>public class anjing extends hewan{<br>    <br>    @Override<br>    void suara(){<br>        System.out.println(&quot;Anjing mengeluarkan suara: Guk Guk&quot;);<br>    }<br>}</pre><p>Kemudian pada class turunannya yaitu kucing dan anjing kita override method suara yang ada di class hewan.</p><p>Terakhir kita buat objeknya dan cek hasilnya</p><pre>        hewan kucing = new kucing();<br>        hewan anjing = new anjing();<br>        <br>        kucing.suara();<br>        anjing.suara();</pre><figure><img alt="" src="https://cdn-images-1.medium.com/max/340/1*ky4F9Z0iIH88H0_NADQO5A.png" /></figure><p>Yak, bisa ya teman-teman. Kita coba buat satu objek lagi tapi kita langsung awali dengan subclassnya pada saat membuat objek.</p><pre>kucing kucing2= new kucing();</pre><figure><img alt="" src="https://cdn-images-1.medium.com/max/320/1*zOXt4gMveKT15fa1mT6TrQ.png" /></figure><p>Bisa juga ya teman-teman, lalu kita coba tes buat objek langsung dari superclassnya juga.</p><pre>        //misal kita buat object dari abstract langsung<br>        //apakah bisa ?<br>        hewan burung = new hewan();</pre><figure><img alt="" src="https://cdn-images-1.medium.com/max/227/1*PFNiB3x9TgzZtSiae5l-8g.png" /></figure><p>Error juga ya teman-teman dan jika kita cek peringatannya, dikatakan bahwa kelas hewan merupakan kelas abstract sehingga tidak bisa diinstanisasi.</p><ul><li><strong>Kesimpulan</strong></li></ul><p>Abstraksi merupakan salah satu pilar utama dalam Pemrograman Berorientasi Objek (OOP) yang bertujuan untuk menyembunyikan detail implementasi internal dan hanya menampilkan fungsionalitas penting dari suatu objek, sehingga sistem yang kompleks dapat dipecah menjadi bagian yang lebih sederhana. Implementasi konsep ini menggunakan kelas abstrak (abstract class) yang berfungsi sebagai cetak biru (<em>blueprint</em>) dan memiliki karakteristik utama, yaitu tidak dapat diinstansiasi atau dibuat objeknya secara langsung. Kelas abstrak dapat berisi metode biasa yang sudah memiliki implementasi maupun metode abstrak (metode tanpa tubuh/implementasi) yang bisa di-<em>override</em> oleh semua <em>subclass</em> atau kelas turunannya. Dalam praktiknya, objek dari kelas abstrak dapat dibentuk melalui pendekatan polimorfisme dengan mereferensikan tipe data <em>superclass</em> ke objek <em>subclass</em>-nya (seperti kendaraan mobil = new mobil()) ataupun langsung memanggil <em>subclass</em>-nya. Secara keseluruhan, kelas abstrak memastikan adanya konsistensi struktur pada kelas-kelas turunannya sekaligus menyembunyikan kompleksitas cara kerja internal suatu sistem.</p><ul><li><strong>Referensi</strong></li></ul><p>Modul Praktikum Pemrograman Berbasis Objek 9 _ Abstraksi dan Kelas Abstrak</p><ul><li><strong>Github</strong></li></ul><p><a href="https://github.com/CellonizM/Object-Oriented-Programming">CellonizM/Object-Oriented-Programming</a></p><img src="https://medium.com/_/stat?event=post.clientViewed&referrerSource=full_rss&postId=e83af20722ef" width="1" height="1" alt="">]]></content:encoded>
        </item>
        <item>
            <title><![CDATA[JarKom 6 : Konfigurasi VLAN Pada Cisco Packet Tracer]]></title>
            <link>https://medium.com/@Cellokp/jarkom-6-konfigurasi-vlan-pada-cisco-packet-tracer-8d2421573d72?source=rss-63188470f38a------2</link>
            <guid isPermaLink="false">https://medium.com/p/8d2421573d72</guid>
            <dc:creator><![CDATA[MarcelloKP]]></dc:creator>
            <pubDate>Tue, 27 Oct 2026 03:58:55 GMT</pubDate>
            <atom:updated>2026-10-27T03:58:55.759Z</atom:updated>
            <content:encoded><![CDATA[<figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/0*o_9fjXis717cck5r" /><figcaption>Photo by <a href="https://unsplash.com/@jouwdan?utm_source=medium&amp;utm_medium=referral">Jordan Harrison</a> on <a href="https://unsplash.com/?utm_source=medium&amp;utm_medium=referral">Unsplash</a></figcaption></figure><p>Yo Halo teman-teman admint M disini kembali ngelaprak setelah UTS, kali ini admint akan membahas soal VLAN atau Virtual LAN. Apa itu ?, langsung saja.</p><ul><li><strong>Dasar Teori</strong></li></ul><p>A. VLAN</p><p>Merupakan suatu model jaringan yang tidak terbatas pada lokasi fisik seperti LAN, hal ini mengakibatkan suatu netwok datap dikonfigurasi secara virtual tanpa hatus menuruti lokasi fisik peralatan.</p><ol><li>Keuntungan VLAN</li></ol><ul><li>Security — keamanan data dari tiap divisi dapat dibuat sendiri, karena segmennya bisa dipisah secara logika</li><li>Cost reduction — hewat bandwidth dan dari upgrade hardware</li><li>Broadcast storm mitigation — pembagian jaringan ke dalam VLAN-VLAN akan mengurangi banyaknya device yang berpartisipasi dalam pembuatan broadcast storm. Hal ini terjadinya karena adanya pembatasan broadcast domain.</li><li>Improved IT staff efficiency — memudahkan manajemen jaringan</li><li>Simpler project or application management — VLAN menggabungkan pengguna jaringan dan perlatan jaringan untuk mendukung perusahaan dan menangani permasalahan kondisi geografis.</li></ul><p>2. Cara Kerja</p><ul><li>VLAN dalam jaringan diidentifikasi dengan nomor.</li><li>Rentang yang valid ialah 1–4094. Pada saklar VLAN, kita tetapkan port dengan nomor VLAN yang tepat.</li><li>Untuk konfigurasi VLAN gunakan switch yang bertanggung jawab menyimpan semua informasi dan konfigurasi suatu VLAN dan dipastikan semua switch atau bridge memiliki info yang sama.</li><li>Switch memastikan kemana data diteruskan dan sebagainya atau dapat pula digunakan suatu software pengalamatan (bridging software) yang berfungsi mencatat atau menandai suatu VLAN</li></ul><p>3. Tipe VLAN</p><ul><li>Berdasarkan Port</li></ul><p>Keanggotaan pada VLAN dapat didasarkan pada sort yang digunakan oleh VLAN tersebut, contoh.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/389/1*DIGY848uLBTN-BwXmDXDzA.png" /></figure><p>Kelemahannya ialah user tak bisa pindah-pindah, apabila mau pindah Network Admin harus konfigurasi ulang.</p><ul><li>Berdasarkan MAC Address</li></ul><p>Kelebihannya apabila user pindah-pindah, maka dia akan tetap terkonfigurasi sebagai anggota dari VLAN tersebut. Sementara kekurangannya ialah tiap mesin harus dikonfigurasi manual, jika punya ratusan workstation pada jaringan, tipe ini kurang efisien.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/514/1*IOvHJgqCnisAPkKj4k3dhg.png" /></figure><ul><li>Berdasarkan Tipe Protokol</li></ul><figure><img alt="" src="https://cdn-images-1.medium.com/max/515/1*OKBfxPOmDcemfLPJnvJRXQ.png" /></figure><ul><li>Bedasarkan Alamat Subnet IP</li></ul><figure><img alt="" src="https://cdn-images-1.medium.com/max/494/1*Zy5Wy-PqMvemqcko50anJw.png" /></figure><p>Keuntungannya ialah user tak perlu konfig ulang alamatnya di jaringan apabila berpindah tempat, hanya saja akan lebih lambat ketika meneruskan paket karena bekerja di layer yang lebih tinggi, yaitu network, dibandingkan dengan MAC Address yang bekerja di layer data link.</p><ul><li>Berdasarkan Aplikasi</li></ul><p>Misal aplikasi FTP (File Transfer Protocol) hanya bisa digunakan oleh VLAN 1 dan Telnet hanya bisa dipakai di VLAN 2</p><ul><li><strong>Metodologi Praktikum</strong></li></ul><p>Kali ini kita akan mempraktikan cara membuat jaringan VLAN dengan menggunakan Cisco Packet Tracer, berikut step-step nya</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/1000/0*NcINHsKRlw49jiFx.jpg" /></figure><p>a. Siapkan Alat-Alat</p><p>Berikut alat yang kita perlukan untuk mensimulasikan jaringan VLAN</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/332/1*Nwe2Reqc0_6LHoknVBWBpw.png" /></figure><p>b. Menghubungkan Tiap Alat</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/607/1*jUEWoKfXe1k_UMxncbvt5Q.png" /></figure><p>Berikut bentuk dari jaringannya, tiap PC dihubungkan secara urut dari port fast ethernet switch 1 sampai 4 (Harusnya urutan tidak ngaruh tapi nanti biar konfigurasinya mudah)</p><p>Kemudian tiap PC berikan IP masing-masing seperti berikut.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/697/1*CoG56FTfieEiDyIbdi4peg.png" /></figure><figure><img alt="" src="https://cdn-images-1.medium.com/max/696/1*A1asx-n6ayghJuPIewUWfQ.png" /></figure><figure><img alt="" src="https://cdn-images-1.medium.com/max/693/1*FxwTX9KlzAuW9wE-8cr5vQ.png" /></figure><figure><img alt="" src="https://cdn-images-1.medium.com/max/697/1*s_7k7Vnj7yrvx0jYGeUkIw.png" /></figure><p>Untuk IP sendiri sebenarnya bebas, sesuai selera saja.</p><p>3. Konfigurasi Switch</p><p>Lakukan konfigurasi pada switch dengan membuka CLI lalu ketikkan en&gt;conf ter untuk mulai mengutak-atik switch seperti ini.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/446/1*Wl7JqRd4CKlKNeX45vlKCw.png" /></figure><p>Kemudian kita buat sebuah “divisi” VLAN seperti dibawah.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/248/1*UkuInAGhga9_gLrbYk2iVw.png" /></figure><p>Nah kemudian, kita buat agar pc yang terhubung ke port fa0/1 dan fa0/2 yaitu PC2 dan PC0 masuk kedalam divisi VLAN10, sementara yang terhubung ke port fa0/3 dan fa0/4 yaitu PC1 dan PC3 ke VLAN2 dengan cara sebagai berikut.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/316/1*eLtm_QKE39yVg7z1vRAhiw.png" /></figure><p>Setelah selesai kita bisa lihat hasil konfigurasi vlan dengan perintah show vlan.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/624/1*uRywmzn7w4sBu703UQsN8w.png" /></figure><p>Bisa dilihat nama VLAN, status, dan port apa saja yang masuk ke “divisi-divisi” VLAN-nya.</p><p>4. Pengecekan Koneksi</p><p>Kita cek masing-masing PC dengan Simple PDU.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/540/1*mt5Fhv8EIZ5XmsXS2Nf_Rw.png" /></figure><figure><img alt="" src="https://cdn-images-1.medium.com/max/501/1*yt5Dxd1glaW1mt-o6zyXdA.png" /></figure><p>Bisa dilihat bahwa PC yang terhubung didalam divisi VLAN yang sama dapat berkomunikasi, lalu bagaimana jika lintas divisi ?.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/498/1*Se_wwJct4kTVFYSb9SuW9w.png" /></figure><p>Hasilnya ialah failed, hal ini disebabkan karena VLAN nya kita bagi menjadi beberapa broadcast domain yang terpisah secara logika melalui konfigurasi kita tadi, yang memasukkan PC0 dan PC2 ke domain VLAN10, selain itu switch memperlakukan tiap VLAN seperti jaringan fisik yang terpisah, sehingga jika tidak ikut sirkel lo gak diajak.</p><p>5. Coba-coba</p><p>Kita coba dengan skenario berikut :</p><ul><li>Lebih dari dua perangkat per domain dan beda IP dari PC di domain yang sama</li></ul><figure><img alt="" src="https://cdn-images-1.medium.com/max/539/1*9FlCaIfnrbjmbSaBBpeL6Q.png" /></figure><p>Kita tambahkan dua perangkat lagi tiap domain seperti ini,</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/534/1*v1bm5XmXgb9QPdwfOJBscw.png" /></figure><p>Nah kita buat IP dari PC4 dan PC6 beda dari 2 PC sebelumnya di VLAN yang sama yaitu VLAN10, begitu juga PC7 dan PC5 di VLAN20.</p><p>Admint buat IP PC4 dan PC6 menjadi 192.168.21.10 dan 192.168.21.11, berikut hasilnya.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/544/1*BziG14X2dkV99k_KsS_g-g.png" /></figure><p>yak, jika PC6 dihubungkan ke PC2 hasilnya adalah failed begitu juga PC2 ke PC4, namun jika perangkat memiliki IP network yang sama, maka bisa terhubung, dibuktikan dengan PC4 bisa berkomunikasi dengan PC4.</p><ul><li>Tambah domain VLAN</li></ul><figure><img alt="" src="https://cdn-images-1.medium.com/max/543/1*8fsjfo24i0q5XJhs4JnKRQ.png" /></figure><p>Admint buat lagi domain VLAN30 untuk port 9 dan 10, admint tambahkan dua buah laptop hingga berbentuk seperti ini.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/516/1*66_cySbSrhaktoo_spJW7A.png" /></figure><p>Kemudain laptop tersebut masing-masing admint berikan IP network yang sama, lalu tes dengan PDA.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/542/1*QN8VX7yYlPy3iuwTayYDYA.png" /></figure><p>Dan hasilnya succesful.</p><ul><li>Kesimpulan</li></ul><p>Jadi melalui praktikum kali ini, kesimpulan yang dapat diambil ialah, VLAN (<em>Virtual Local Network</em>) memungkinkan pengelompokan perangkat jaringan secara logika tanpa terikat oleh lokasi fisik. Hal ini memberikan banyak keunggulan, di antaranya meningkatkan keamanan data, mengefisiensikan penggunaan <em>bandwidth</em>, mencegah <em>broadcast storm</em> melalui pembagian <em>broadcast domain</em>, serta mempermudah manajemen jaringan.</p><p>Melalui konfigurasi di switch, port-port tertentu dapat dikelompokkan ke dalam “divisi” VLAN yang berbeda (misalnya VLAN 10 dan VLAN 20). Perangkat yang berada dalam satu VLAN yang sama dapat saling berkomunikasi dengan lancar, sementara perangkat yang berbeda VLAN <strong>tidak dapat saling berkomunikasi secara langsung</strong> karena diperlakukan sebagai jaringan fisik yang terpisah.</p><p>Dalam satu <em>domain</em> VLAN yang sama, perangkat-perangkat tetap memerlukan satu segmen alamat IP/subnet yang sesuai agar komunikasi dapat berhasil. Jika perangkat berada di VLAN yang sama tetapi menggunakan segmen IP yang berbeda, komunikasi akan gagal (<em>failed</em>).</p><ul><li><strong>Referensi</strong></li></ul><p><a href="https://www.sekawanmedia.co.id/blog/pengertian-vlan/">VLAN: Pengertian, Fungsi, Cara Kerja, dan Jenis-Jenisnya</a></p><p>Modul Praktikum Jaringan Komputer Pertemuan 9 — VLAN</p><img src="https://medium.com/_/stat?event=post.clientViewed&referrerSource=full_rss&postId=8d2421573d72" width="1" height="1" alt="">]]></content:encoded>
        </item>
        <item>
            <title><![CDATA[JarKom 5 : Prototype Topologi NAT dan Server DHCP]]></title>
            <link>https://medium.com/@Cellokp/jarkom-5-prototype-topologi-nat-dan-server-dhcp-8be0f7041a2e?source=rss-63188470f38a------2</link>
            <guid isPermaLink="false">https://medium.com/p/8be0f7041a2e</guid>
            <dc:creator><![CDATA[MarcelloKP]]></dc:creator>
            <pubDate>Sat, 03 Oct 2026 12:57:36 GMT</pubDate>
            <atom:updated>2026-10-03T12:57:36.140Z</atom:updated>
            <content:encoded><![CDATA[<figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/0*vsrQNxQ0wL0PyVyB" /><figcaption>Photo by <a href="https://unsplash.com/@kevinache?utm_source=medium&amp;utm_medium=referral">Kevin Ache</a> on <a href="https://unsplash.com/?utm_source=medium&amp;utm_medium=referral">Unsplash</a></figcaption></figure><p>Halo teman-teman, disini admint diminta membuat sebuah laporan topologi sebelum melakukan responsi supaya ingat saat mengerjakan, bagaimana konsepnya ?, cus.</p><ul><li><strong>Dasar Teori</strong></li></ul><p>DHCP server mampu memberikan sebuah ip kepada perangkat yang terhubung atau terkoneksi dengannya, nah disini admint ingin melakukan hal tersebut, ditambah dengan menjalankan konsep NAT dimana sebuah IP perangkat di “samarkan” menjadi IP tertentu untuk menjelajah internet. Pada kali ini, admint ingin menerapkan kedua konsep tersebut ditambah dengan jaringan wireless. Sehingga nantinya topologinya akan ada 3 bagian, koneksi wireless, LAN, dan Internet. Perangkat atau end devices dari LAN dan koneksi wireless bisa mendapat IP dari server yang ada di internet. Bagaimana realisasinya ?, langsung saja.</p><ul><li><strong>Langkah Praktikum</strong></li></ul><ol><li>Menyiapkan bahan-bahan</li></ol><p>a. LAN</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/256/1*wE5pXA9_Iz8hta-_0Jfhvg.png" /></figure><p>Dibagian LAN, untuk end devices kita ambil PC dan Laptop, untuk connections, switchnya pakai 2960 dan Router-PT.</p><p>b. Internet</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/111/1*1tdzMQKWMK7VPVNvgjHLGQ.png" /></figure><p>Untuk bagian internet kita pakai Server PT di end devices, dan Router-PT sebagai connectionsnya.</p><p>C. Wireless</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/263/1*Tjwn2BkiFO9KQRMPDRfulw.png" /></figure><p>Lalu untuk bagian wireless, end devices nya kita pakai tablet dan smartphone, untuk connections nya kita pakai router wireless WRT300N</p><p>2. Menghubungkan semua perangkat</p><p>Nah dibagian ini admint mengambil referensi konfigurasi NAT, mari kita buat.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/447/1*sLJiN3MxU5cVfi_THaNCXw.png" /></figure><p>Dari laptop dan pc pakai port fast ethernet, ke switch pakai port fast ethernet 11 dan 12 (bebas sebetulnya), dan dari switch pakai port fast ethernet 1 ke router ke port fast ethernet 0 dengan kabel straight.</p><p>Lanjut dari router 0 ke router 1 memakai kabel serial DCE ke port serial 2 masing-masing. Lalu dari router 1 ke server pakai port fast ethernet 0.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/745/1*02gEJBkBFzVKhMK1RGBfgQ.png" /></figure><p>Kemudian untuk wirelessnya kita sambungkan dari switch pakai port fast ethernet 2, ke wireless router di port ethernet 1.</p><p>3. Konfigurasi</p><p>Lanjut kita konfigurasi dari kiri ke kanan.</p><p>A. wireless router</p><p>wireless router disini perannya hanya akan menjadi sebagai acces point, yang akan menyebarkan IP server DHCP, berikut pengaturannya.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*iVppOaXtQ4bj5D1R-6ivlw.png" /></figure><p>Karena sebagai acces point, kita isi Router IP nya bebas aja, lalu disable DHCP Servernya.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*KwbsBpXry6jwx36YjnXK7A.png" /></figure><p>Dibagian basic wireless settings kita beri nama SSID nya TI Informasi.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*7JNhIvzZEGdnNbhzYgxZGA.png" /></figure><p>Terakhir di wireless securitynya kita pakai WPA2 Personal, dengan passphrase atau password acumalaka.</p><p>Jangan lupa sebelum berpindah ke menu lainya di tab GUI ini scroll kebawah dan klik save settings supaya pengaturannya tersimpan.</p><p>b. LAN</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/817/1*AzSRykNfy1d6FZj7pdATww.png" /></figure><p>Untuk contoh penerapan NAT kita pakai PC0 dengan konfigurasi IP diatas.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/827/1*z33NDidjGfXYHY5DrPcWKg.png" /></figure><p>Pada router 0 berikan IP seperti diatas untuk fast ethernet 0.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/820/1*Io4ni9_1G5YuY3jzgOYNfQ.png" /></figure><p>Lalu di serial 2/0 isi IP diatas, subnet mask nya otomatis muncul ketika di klik.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/822/1*c799GUZjLFEeFw0alKB8kw.png" /></figure><figure><img alt="" src="https://cdn-images-1.medium.com/max/823/1*G5vOu-HGwisMSsW4zZA9Kg.png" /></figure><p>Untuk router tetangga atau router 1, beri IP seperti diatas</p><p>Jangan lupa untuk memastikan Port Status yang dipakai On semua teman-teman, admint dulu pusing gara-gara lupa menyalakan.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/545/1*5Tlq0YiGP1M-K6l5p1ZR5A.png" /></figure><p>Lanjut ke settingan CLI router0, untuk fa0 jadikan sebagai inside (lokal), lalu untuk se2 jadikan sebagai outside, dan buat rute menuju ip global yaitu 36.0.0.100.</p><p>Lanjut untuk fitur NAT nya, kita ambil contoh IP PC0, supaya menjadi ip public atau global kita saat mengakses internet.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/622/1*9Tzr8vIM41E9LRAn6g5xgA.png" /></figure><p>Kita cek ip local dan globalnya dengan perintah “show ip nat translations” diatas.</p><p>Kemudian ada beberapa setting tambahan agar antar router bisa berkomunikasi.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/426/1*xB-XI_RjwiiILdnpyz15fw.png" /></figure><figure><img alt="" src="https://cdn-images-1.medium.com/max/425/1*nZUxXA4jBpZUrhVtbwSqSw.png" /></figure><p>pada router 0, masukan ip route router 1, dan sebaliknya seperti gambar diatas. Tujuannya ialah agar antar router bisa tahu jalan bolak balik saat mengantar data, jika gak kalian giniin, kalian tes pakai PDU, ada kemungkinan error atau failed.</p><p>Kita coba ping dari PC0 ke router tetangga atau router 1.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/465/1*BF2N0GvPSSYs7Xsg5VcPBQ.png" /></figure><p>Bisa yak gaes, lanjut.</p><p>C. Internet</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/827/1*9UH38UIkS1ExBwgSzbKTXA.png" /></figure><p>Pada server kita setting DHCP services nya seperti diatas. Untuk Start IP Address kita harus pakai subnet dari jaringan lokal, misal IP nya 192.168.10, router 0 sebagai gateway akan menolak meneruskan data ke jaringan internet, gitulah kira-kira kalau tidak salah.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/777/1*vjOZi1JTQ1fFCeDMINuqqg.png" /></figure><p>Kemudian untuk IP Configuration dari server sendiri buat seperti diatas, dengan gatewaynya adalah IP router 1.</p><p>Kemudian ini salah satu dari setting tambahan selain ip route sebelumnya, yaitu ip helper-address dan RIP (Routing Information Protocol).</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/380/1*5NKxIbpFfi3WpCCulon1Gg.png" /></figure><p>ip helper-address berfungsi agar perangkat di jaringan lokal dapat menjangkau jaringan luar atau internet untuk meminta IP kepada DHCP Server. Hal ini perlu dilakukan karena jaringan yang kita minta itu diluar — dihubungkan oleh router. Router sendiri bertugas memblokir atau membuang semua paket broadcast agar tidak terjadi penumpukan sampah data di jaringan.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/347/1*kd99n5_fgobKnMwgpZmVFg.png" /><figcaption>konfigurasi RIP di router 0</figcaption></figure><figure><img alt="" src="https://cdn-images-1.medium.com/max/345/1*6dn5IL1XJ6WsQQRipvKriA.png" /><figcaption>konfigurasi RIP di router 1</figcaption></figure><p>Kemudian ada RIP, fungsinya ialah sebagai penunjuk jalan ketika memberikan IP dalam DHCP. Tanpa RIP server0 tidak bisa mengirimkan IP otomatis ke perangkat yang ada di lokal karena tidak tau rutenya kemana. Berikut tampilan GUI nya.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/776/1*gYX2SDs5rU97JS1DSTmESw.png" /></figure><figure><img alt="" src="https://cdn-images-1.medium.com/max/821/1*8b-jVtdBY4NhaDlUq5BWzw.png" /></figure><p>Jadi disini kita mendaftarkan jaringan apa saja yang dimiliki router itu sendiri untuk dibagikan ke router sebelah.</p><p>D. Mengetes DHCP Server + Uji Coba Ping</p><p>Disini kita akan coba meminta ip dari DHCP Server, kita mulai dari wireless dulu, kita sambungkan ke wireless router yang berperan sebagai access point.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/782/1*kdYj-ChXrnzBJMcFyW7vNg.png" /></figure><p>Setelah disambungkan kita coba ping ke server DHCP</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/480/1*DFR9LEuWBvGpms0WSnMVZA.png" /></figure><p>Yak bisa</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/778/1*M0_9NuNZ72GY8xgWV2NL_Q.png" /></figure><figure><img alt="" src="https://cdn-images-1.medium.com/max/775/1*Wv1XcJip3p6L--mgkTD1AQ.png" /></figure><p>Kemudian kita cek ke IP Configuration masing-masing end devices, bisa dilihat IP nya langsung otomatis berubah menjadi seperti diatas, dengan subnet 192.168.1. serta gatewaynya milik router 1</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/768/1*KPljiXme4z158hDbLSQ7jg.png" /></figure><p>Kita coba cek yang terhubung dengan lan, ternyata sama hasilnya.</p><p>Lalu admint penasaran penerapan NAT itu secara langsung, kan kita ubah IP dari PC0 menjadi ip global yaitu 36.0.0.100. Dari server dengan command prompt di desktop, admint coba ping IP publicnya dahulu.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/478/1*igQq2kPbgqXx1y-6lFPHDw.png" /></figure><p>Ternyata bisa ya teman-teman, dan ini kerennya, ketika admint ping IP asli dari PC 0, yang menjawab ialah IP Public nya, hal ini membuktikkan bahwa “Penyamaran” kita berjalan dengan baik.</p><p>Berikut hasil akhir prototipe topologi sederhana admint</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*t1Y9wSxDuRxVBNpm9-ZtUw.png" /></figure><ul><li><strong>Kesimpulan</strong></li></ul><p>Berdasarkan hasil dari uji coba admint kali ini, kita bisa mengkombinasikan fitur NAT dan DHCP sekaligus. Untuk saat ini admint belum mencoba men-”translate” semua IP yang diberikan dari DHCP server alias admint hanya mengubah ip lokal yang static menjadi ip public. Sebenarnya bisa diset ip dari DHCP menjadi ip public tertentu, namun ya manual melalui CLI satu-satu per ip.</p><ul><li><strong>Referensi</strong></li></ul><p>Tanya teman</p><p>google gemini</p><img src="https://medium.com/_/stat?event=post.clientViewed&referrerSource=full_rss&postId=8be0f7041a2e" width="1" height="1" alt="">]]></content:encoded>
        </item>
        <item>
            <title><![CDATA[PBO 6 : Polimorfisme (dan Beranekaragam Penerapan Basic — Basic Pemrograman di Bahasa JAVA)]]></title>
            <link>https://medium.com/@Cellokp/pbo-6-polimorfisme-dan-beranekaragam-penerapan-basic-basic-pemrograman-di-bahasa-java-349142262f8c?source=rss-63188470f38a------2</link>
            <guid isPermaLink="false">https://medium.com/p/349142262f8c</guid>
            <dc:creator><![CDATA[MarcelloKP]]></dc:creator>
            <pubDate>Mon, 28 Sep 2026 04:51:33 GMT</pubDate>
            <atom:updated>2026-09-28T12:30:53.665Z</atom:updated>
            <content:encoded><![CDATA[<figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/0*h-8SGNM34soT4Gkj" /><figcaption>Photo by <a href="https://unsplash.com/@jddartphotographer?utm_source=medium&amp;utm_medium=referral">Angelo Casto</a> on <a href="https://unsplash.com/?utm_source=medium&amp;utm_medium=referral">Unsplash</a></figcaption></figure><p>Halo friends disini admint M, kali ini akan membahas polimorfisme, salah satu big three konsep kunci yang ada didalam OOP, apa itu ? langsung saja.</p><ul><li><strong>Dasar Teori</strong></li></ul><p>A.Polimorfisme</p><p>Atau dalam bahasa inggris polymorphism yang bermakna banyak bentuk, merupakan konsep dalam OOP yang memungkinkan satu antarmkua (kelas induk) dipakai oleh banyak kelas turunan berbeda. Dengan polimorfisme, objek dari berbagai kelas turunan dapat diperlakukan sebagai ovjek dari kelas induk yang sama, meskipun perilakunya (method/behaviour) berbeda sesuai dengan kelas turunan masing-masing. Jenis dari polimorfisme sendiri yaitu :</p><ol><li>Polimorfisme Compile-time (Static Polymorphism)</li></ol><p>Terjadi saat kompilasi program, dan dicapai dengan metode overloading atau operator overloading. Pada tahap ini, keputusan tentang method mana yang akan dipanggil dibuat saat program dikompilasi.</p><p>2. Polimorfisme Runtime (Dynamic Polymorphism)</p><p>Terjadi saat program berjalan. Java akan memutuskan metode mana yang akan dipanggil berdasarkan instance (objek) yang dibuat saat runtime. Biasanya dicapai dengan method overriding.</p><p>Nah apa itu Overloading dan Overriding ?, berikut penjelasannya.</p><ol><li>Overloading</li></ol><p>Kita dapat memiliki dua method yang namanya sama, tapi salah satunya harus memiliki parameter yang berbeda. Nah cara kita menjalankan method dengan nama sama tapi parameter tersebut ialah dengan menambahkan satu atau beberapa inputan data lagi ketika menciptakan sebuah objek .</p><p>2. Overriding</p><p>Intinya kita mengedit method milik superclass agar menghasilkan perilaku berbeda di kelas turunan kita</p><p>Untuk lebih jelasnya kita cus aja ke praktikum.</p><ul><li><strong>Langkah Praktikum</strong></li></ul><ol><li>Penerapan Overloading</li></ol><p>Kita buat sebuah kelas induk bernama hewan (nanti akan dipakai juga untuk penerapan overriding). Isinya ialah method bersuara(), dan makan(). Dibagian method makan, buat 2 kali dengan yang salah satu parameternya berbeda, seperti dibawah.</p><pre>public class hewan {<br>    <br>    public void bersuara(){<br>        System.out.print(&quot;Hewan ini bersuara&quot;);<br>    }<br>    public void makan(String makanan){ //method makan 1<br>        System.out.println(&quot;Hewan ini makan &quot;+makanan);<br>    }<br>    public void makan(String makanan, int jumlah){ //method makan 2<br>        System.out.println(&quot;Hewan ini makan &quot;+jumlah+&quot; porsi &quot;+makanan);<br>    }<br>    <br>    <br>}</pre><p>Nah bisa dilihat di method makan 1, parameternya hanyalah makanan, sementara di method makan 2, parameternya ada makanan, plus jumlah. Emang bisa kayak gitu bang ?, ya bisa lah, kita coba buat objeknya.</p><pre>public class PraktikumPBO_6 {<br><br>    public static void main(String[] args) {<br>    hewan kucing = new hewan();<br>    kucing.bersuara();<br>    System.out.println();<br>    kucing.makan(&quot;ikan&quot;);<br>    kucing.makan(&quot;ikan&quot;,2);<br>    }<br>}</pre><p>Kita coba buat objek bernama kucing, kita panggil method bersuara dan makan 1 juga makan 2. Berikut hasilnya.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/540/1*S9-gJJ_81XuNrfeMLNEBSg.png" /></figure><p>Tuh, bisa kan ?, nah ini salah satu contoh overloading, lanjut.</p><p>2. Penerapan Overriding</p><p>Disini, dengan konsep inheritance pertemuan sebelumnya, kita buat subclass bernama kucing dan anjing. Nah ketika melakukan overriding, sebaiknya ketikkan “@Override” supaya menghindari error, memudahkan dokumentasi, dan mudah dideteksi kompiler. Kemudian baru dibawahnya kita tuliskan method nya superclass, lalu isi nya kita ganti seperti dibawah.</p><pre>public class kucing extends hewan {<br>    @Override<br>    public void bersuara(){<br>        System.out.println(&quot;Meow&quot;);<br>    }<br>}</pre><pre>public class anjing extends hewan{<br>    @Override<br>    public void bersuara(){<br>        System.out.println(&quot;Woof&quot;);<br>    }<br>}</pre><p>Yang awalnya bertuliskan hewan ini bersuara, sekarang menjadi meow dan woof. Coba kita bikin objek berdasarkan kedua kelas tersebut.</p><pre>kucing kucing1 = new kucing();<br>    kucing1.bersuara();<br>    kucing1.makan(&quot;Ikan&quot;,2);<br>    <br>    anjing anjing1 = new anjing();<br>    anjing1.bersuara();<br>    anjing1.makan(&quot;dog food&quot;,3);</pre><figure><img alt="" src="https://cdn-images-1.medium.com/max/332/1*t1xFjFaWUqvfxWT6ExZLBA.png" /></figure><p>Nah bisa dilihat bahwa ketika memanggil method bersuara, hasilnya menjadi seperti apa yang kita Override dan method makan dari superclass juga masih bisa terbawa di class lain karena merupakan salah satu efek dari class turunan yang mendapatkan atribut serta method dari class induk.</p><p>4. Mengerjakan Tugas</p><p>Nah kali ini, kita langsung lompat ke hal yang cukup….membingungkan, sebenarnya kita disini akan menerapkan basic programing seperti if else dan perulangan, namun karena admint biasa di python, di JAVA menjadi cukup menantang karena aturan penulisan yang tentunya beda, tapi secara makna sama. Admint akui disini admint dibantu chatGPT (thanks GPT) biar tidak terlalu lama mengerjakannya tapi tetap ada troubleshooting serta uji coba dibalik layar.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/683/1*kvNIiS07VbCvtPOBcHjy2w.png" /></figure><p>Mari kita kerjakan yang pertama dulu</p><p>a. Membuat kelas Produk dengan atribut nama dan harga</p><pre>public class produk {<br>    <br>    public String nama;<br>    public double harga;<br>    <br>    <br>    public produk(String nama, double harga){<br>        this.nama=nama;<br>        this.harga=harga;<br>    }<br>    public void hitungDiskon(){ <br>    }<br>      <br>}</pre><p>Ya sesuai perintah kita buat class produk dengan atribut nama dan harga, constructornya, juga method hitungDiskon(). Kenapa method nya kosong ?, karena…..admint bingung mau ngisi apa, karena kita utak-atik di class turunan, admint biarkan saja yang penting menunjukan bagaimana kerja dari overriding.</p><p>b. Membuat kelas turunan Buku, Elektronik, dan Pakaian yang mewarisi kelas Produk + Override metode hitungDiskon() pada tiap kelas turunan untuk hitung diskon berbeda-beda</p><p>Lanjut kita membuat tiga class serta pernak-perniknya.</p><pre>public class buku extends produk{<br>        public int jumlah;<br>       <br>        <br>        public buku(String nama, double harga, int jumlah){<br>            super(nama,harga);<br>            this.jumlah = jumlah;<br>        }<br>        @Override<br>        public void hitungDiskon(){<br>            harga= harga*jumlah;<br>            if (harga * jumlah &gt; 200000)<br>                    harga= harga - harga*0.2;<br>                System.out.println(harga);<br>        }<br>        <br>    }   </pre><pre>public class elektronik extends produk{<br>        public int jumlah;<br>        <br>        <br>        public elektronik(String nama, double harga, int jumlah){<br>            super(nama,harga);<br>            this.jumlah=jumlah;<br>        }<br>        @Override<br>        public void hitungDiskon(){<br>            harga = harga* jumlah;<br>            if (harga &gt; 2500000)<br>                    harga-= harga*0.35;<br>            System.out.println(harga);<br>                    <br>        }<br>    }</pre><pre>public class pakaian extends produk{<br>        public int jumlah;<br>        <br>        <br>        public pakaian(String nama, double harga, int jumlah){<br>            super(nama,harga);<br>            this.jumlah=jumlah;<br>        }<br>        @Override<br>        public void hitungDiskon(){<br>            harga = harga * jumlah;<br>            if (harga &gt; 450000)<br>                    harga -= harga*0.3;<br>               System.out.println(harga);     <br>        }<br>     }</pre><p>Disini admint menambahkan satu atribut baru, yaitu jumlah . Jumlah berfungsi untuk parameter banyak barang, kenapa admint kasih ?, <strong><em>JUST FOR THE LOVE OF THE GAME. </em></strong>Nah kali ini admint menerapkan <strong>“if” </strong>didalam java, bisa dilihat aturan penulisannya agak beda, dimana kondisinya perlu diberi tanda kurung sementara di python kondisional.</p><p>Admint meng-override method hitungDiskon() dari superclass menjadi sebuah operasi dimana jika total lebih dari harga tertentu maka total kena diskon, gitulah garis besarnya kira-kira, next.</p><p>d. Membuat kelas keranjangBelanja yang menyimpan list of produk dan punya metode menghitung total harga setelah diskon</p><pre>// bagian 1<br>import java.util.ArrayList;<br>import java.util.List;<br>//bagian 2<br>public class keranjangBelanja {<br>    private List&lt;produk&gt; daftarProduk;<br>    //bagian 3<br>    public keranjangBelanja(){<br>        daftarProduk= new ArrayList&lt;&gt;();<br>    }<br>    //bagian 4<br>    public void tambahBarang(produk produk){<br>        daftarProduk.add(produk);<br>    }<br>    //bagian 5<br>    public double hitungTotalSetelahDiskon(){<br>        double totalSemua=0;<br>        <br>        for (produk p : daftarProduk){<br>            p.hitungDiskon();<br>            totalSemua += p.harga;<br>        }<br>        return totalSemua;<br>    }<br>}</pre><p>Admint akan jelaskan bagian ini, demi pemahaman admint sendiri kedepannya hehe.</p><ul><li>bagian 1 = kita perlu panggil struktur data yang mau kita pakai yaitu list, dan tempat menyimpan data yaitu array list</li><li>bagian 2 = buat atribut berjenis list berisikan “produk” ditutup dengan tanda “&lt;&gt;” bernama daftarProduk</li><li>bagian 3 = buat konstruktor dimana daftarProduk merupakan arrayList, yaitu tempat menyimpan berbagai barang belanjaan kita nanti.</li><li>bagian 4 = buat method dengan parameter (produk produk). produk yang pertama mewakili tipe data, sementara yang kedua mewakili variabel atau barang-barang yang kita masukkan.</li><li>bagian 5 = buat method menghitung total setelah diskon yang berisi variabel penampung perhitungan (totalSemua=0), dan perulangan. Nah perulangan disini berguna untuk mengakses tiap barang didalam daftarProduk, tiap barang akan diperintahkan untuk menjalankan method hitungDiskon() mereka melalui superclass yaitu produk, kemudian program akan mengakses harga dari class produk juga untuk tiap barang. Akhirnya dari semua harga barang ditambah ke variabel totalSemua, dan masih di method yang sama, kembalikan nilai totalSemua untuk nanti bisa ditampilkan di output.</li></ul><p>Untuk bagian 5, jadi untuk bisa mengakses sebuah atribut dari buku, elektronik, dan pakaian, atributnya harus yang ada di superclass nya yaitu produk. Atributnya produk hanya ada harga dan nama plus method yang dioverride di berbagai kelas, ini cukup asik sebenarnya, jadi class dari luar, bisa menjalankan method subclass, melalui method superclass yang diedit oleh subclass, dan ketika method tersebut mengoperasikan sesuatu, selagi atributnya ada di produk, maka atribut yang telah dioperasikan bisa dipanggil dari class lain, anjay.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/410/0*vNN3mfHhFAgCBMAO" /></figure><p>Btw kalo admint salah pemahaman bisa koreksi saja ya teman-teman. Berikut cara kita “berbelanja” dan menampilkan hasil harganya</p><pre> //Buat objek keranjang dari class keranjangBelanja<br>    keranjangBelanja keranjang = new keranjangBelanja();<br>   <br>    //Buat objek dari masing-masing class buku, elektronik, dan pakaian<br>    produk buku= new buku(&quot;seni makan miayam&quot;,80000,4);<br>    produk elektronik = new elektronik(&quot;Mobo MSI&quot;,3750000,1);<br>    produk pakaian = new pakaian(&quot;kaos&quot;,35000,11);<br>   <br>    //Masukkan objek barang-barang ke objek keranjang<br>    System.out.println(&quot;Menambahkan &quot;+buku.nama+&quot; ke keranjang&quot;);<br>    keranjang.tambahBarang(buku);<br>    System.out.println(&quot;Menambahkan &quot; +elektronik.nama+ &quot; berupa ke keranjang&quot;);<br>    keranjang.tambahBarang(elektronik);<br>    System.out.println(&quot;Menambahkan &quot; +pakaian.nama+ &quot; ke keranjang\n&quot;);<br>    keranjang.tambahBarang(pakaian);<br>    <br>    //Panggil fungsi hitung total harga setelah diskon<br>    //Buat sebagai variabel baru<br>    System.out.println(&quot;harga masing-masing barang:&quot;);<br>    double totalSemua = keranjang.hitungTotalSetelahDiskon();<br>    <br>    <br>    //Panggil hasilnya <br>    System.out.println(&quot;Total harga semua barang = &quot;+totalSemua);</pre><p>Kita buat objek bernama keranjang dari kelas keranjangBelanja. Kemudian buat objek dari masing-masing barang beserta isiannya. Lanjut panggil method tambahBarang(buku/elektronik/pakaian) untuk menyimpan informasi dari barang yang kita masukan ke keranjang. Terakhir jalankan method hitungTotalSetelahDiskon pada objek keranjang dan jadikan sebagai variabel baru bernama totalSemua dengan tipe data double dan panggil variabel tersebut untuk menampilkan total harga belanjaan kita setelah didiskon. Berikut hasilnya.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/417/1*irtKKcIGGMR_ax1pNBqEvw.png" /></figure><p>Yak menarik bukan ?, untuk bagaimana ini bisa terjadi, di masing-masing tahap admint rasa sudah cukup jelas bagaimana alurnya.</p><ul><li><strong>Kesimpulan</strong></li></ul><p>Dapat disimpulkan dari praktikum kali ini, dengan polimorfisme menggunakan override dan overloading, dari sudut pandang admint, kita bisa menyesuaikan perilaku sebuah class sebelum kita menciptakan sebuah objek sehingga output yang dihasilkan nantinya lebih sesuai dengan apa yang kita harapkan. Secara teknis keuntungan polimorfisme ialah :</p><ul><li>Fleksibilitas: Kode menjadi lebih fleksibel dan dapat beradaptasi dengan perubahan.</li><li>Reusabilitas: Kode dapat digunakan kembali untuk berbagai jenis objek.</li><li>Kemudahan Pemeliharaan: Kode menjadi lebih mudah dipahami dan dipelihara.</li><li>Ekstensibilitas: Sistem dapat diperluas dengan mudah dengan menambahkan kelas turunan baru.</li></ul><p>Admint belum mengalami kemudahan pemeliharaan, namun 3 lainya admint cukup relate setelah mengerjakan praktikum kali ini, yang terasa banget ialah fleksibilitas dan ekstensibilitasnya yang sangat-sangat besar potensinya.</p><p>Selain itu disini admint juga belajar tentang aturan penulisan sebuah basic programing selain di python dimana walaupun berbeda, intinya tetap sama, hanya cara melihatnya yang agak perlu menyesuaikan terutama yang perulangan (dimana admint lupa-lupa ingat soal perulangan).</p><ul><li><strong>Referensi</strong></li></ul><p><a href="https://www.duniailkom.com/latihan-kode-program-java-menghitung-diskon-potongan-harga/">Latihan Kode Program Java: Menghitung Diskon Potongan Harga</a></p><p>Modul 5_Polimorfisme_PBO</p><ul><li><strong>Github</strong></li></ul><p><a href="https://github.com/CellonizM/Object-Oriented-Programming">CellonizM/Object-Oriented-Programming</a></p><img src="https://medium.com/_/stat?event=post.clientViewed&referrerSource=full_rss&postId=349142262f8c" width="1" height="1" alt="">]]></content:encoded>
        </item>
    </channel>
</rss>