<?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 Anjas Anjas Anjas on Medium]]></title>
        <description><![CDATA[Stories by Anjas Anjas Anjas on Medium]]></description>
        <link>https://medium.com/@NoirNoum?source=rss-d2f3b3f28737------2</link>
        <image>
            <url>https://cdn-images-1.medium.com/fit/c/150/150/1*KHVysTec9DRo3U_ISYegIA.jpeg</url>
            <title>Stories by Anjas Anjas Anjas on Medium</title>
            <link>https://medium.com/@NoirNoum?source=rss-d2f3b3f28737------2</link>
        </image>
        <generator>Medium</generator>
        <lastBuildDate>Tue, 17 Nov 2026 06:41:08 GMT</lastBuildDate>
        <atom:link href="https://medium.com/@NoirNoum/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[Jaringan Komputer Pertemuan 11: Modul III — DHCP Server dan Client]]></title>
            <link>https://medium.com/@NoirNoum/jaringan-komputer-pertemuan-11-modul-iii-dhcp-server-dan-client-9b8406285d23?source=rss-d2f3b3f28737------2</link>
            <guid isPermaLink="false">https://medium.com/p/9b8406285d23</guid>
            <dc:creator><![CDATA[Anjas Anjas Anjas]]></dc:creator>
            <pubDate>Mon, 16 Nov 2026 16:42:40 GMT</pubDate>
            <atom:updated>2026-11-16T16:46:59.504Z</atom:updated>
            <content:encoded><![CDATA[<p>Oleh:</p><ul><li><strong>Anggota 1:</strong> Pardede Putra Anjasmara (NPM: 2505060061)</li><li><strong>Anggota 2:</strong> Ibrahim Adnan Tsaqif (NPM: 2505060064) | <a href="https://medium.com/u/761373c89463">Adnan Tsaqif</a></li><li><strong>Anggota 3</strong>: Radja Harismansyah (NPM: 2505060076) | <a href="https://medium.com/u/205d777fa46c">Radja Harismansyah</a></li></ul><h3>Pendahuluan</h3><h4>Latar Belakang</h4><p>Pernah menyambungkan laptop ke jaringan lalu langsung bisa internetan tanpa mengetik alamat IP sama sekali? Kemudahan itu bukan sihir. Ada protokol bernama <strong>DHCP (Dynamic Host Configuration Protocol)</strong> yang bekerja diam-diam di belakang layar. Bayangkan jika di laboratorium dengan puluhan komputer, administrator harus mengisi IP, subnet mask, gateway, dan DNS satu per satu secara manual. Selain melelahkan, cara ini rawan salah ketik dan bentrok alamat.</p><h4>Tujuan Praktikum</h4><p>Pada praktikum Modul III ini, saya mengonfigurasi router <strong>Mikrotik RB951</strong> menjadi DHCP Server menggunakan aplikasi <strong>Winbox</strong>, lalu menguji apakah PC klien bisa memperoleh IP secara otomatis. Tujuan praktikum ini adalah:</p><ol><li>Menjelaskan konsep dasar dan fungsi DHCP dalam jaringan komputer.</li><li>Mengonfigurasi DHCP Server pada Mikrotik RB951 melalui Winbox.</li><li>Menghubungkan dan menguji PC klien agar memperoleh IP Address otomatis dari DHCP Server Mikrotik.</li><li>Menganalisis hasil konfigurasi dan memecahkan masalah pembagian IP otomatis di jaringan lokal.</li></ol><h4>Dasar Teori Singkat</h4><p>DHCP bekerja dengan model client-server. <strong>DHCP Server</strong> (bisa berupa Mikrotik, Windows Server, atau Linux) memberikan konfigurasi jaringan, sedangkan <strong>DHCP Client</strong> (PC, laptop, atau smartphone) memintanya. Parameter yang dikirim server ke klien meliputi IP Address, subnet mask, default gateway, DNS server, dan lease time.</p><p>Proses pemberian alamat berlangsung dalam empat tahap yang dikenal sebagai <strong>DORA</strong>:</p><ol><li><strong>Discover:</strong> klien mengirim pesan broadcast untuk mencari DHCP Server di jaringan.</li><li><strong>Offer:</strong> server menawarkan IP beserta parameter jaringan (gateway, DNS, lease time).</li><li><strong>Request:</strong> klien memilih dan meminta IP dari salah satu server yang menawarkan.</li><li><strong>Acknowledgement:</strong> server menegaskan bahwa IP resmi diberikan dan siap dipakai.</li></ol><p>IP yang diberikan bersifat pinjaman selama <strong>lease time</strong>. Jika masa pinjam hampir habis, klien meminta perpanjangan (renewal). Jika tidak diperpanjang, IP dikembalikan ke server agar bisa dipakai perangkat lain.</p><p>Pada RouterOS Mikrotik, ada beberapa komponen penting: <strong>DHCP Setup</strong> (wizard pembuat DHCP Server), <strong>DHCP Network</strong> (informasi network, gateway, dan DNS), <strong>DHCP Pool</strong> (rentang IP yang dibagikan), <strong>DHCP Lease</strong> (daftar klien yang sudah mendapat IP), dan <strong>DHCP Client</strong> (fitur agar Mikrotik menerima IP dari sumber luar seperti ISP).</p><h3>Metodologi</h3><p>Praktikum dilakukan langsung di laboratorium pada 10 November 2026, di lab Komputer, selama 2 jam 30 menit, dengan metode konfigurasi dan pengujian perangkat. Tahapannya: menyiapkan alat dan topologi, mengonfigurasi DHCP Client pada ether1, memberi IP pada ether2, membuat DHCP Server, dan mengatur PC klien agar otomatis. Setelah itu hasilnya diuji dengan ipconfig, ping, dan tabel Leases di Winbox, ditambah tiga studi kasus yang dibahas pada Bab 3.</p><h4>Alat dan Bahan</h4><p>Alat yang digunakan: router Mikrotik RB951, power adapter Mikrotik (12V DC), laptop/PC dengan port LAN aktif, LAN tester, serta switch dan adaptor LAN to USB jika diperlukan. Bahan yang digunakan: kabel UTP tipe straight-through dan aplikasi Winbox.</p><img src="https://medium.com/_/stat?event=post.clientViewed&referrerSource=full_rss&postId=9b8406285d23" width="1" height="1" alt="">]]></content:encoded>
        </item>
        <item>
            <title><![CDATA[Menelusuri Perjalanan Data pada Panggilan Video Zoom: Analisis Protokol dan Layer OSI]]></title>
            <link>https://medium.com/@NoirNoum/menelusuri-perjalanan-data-pada-panggilan-video-zoom-analisis-protokol-dan-layer-osi-d1c59a373b8c?source=rss-d2f3b3f28737------2</link>
            <guid isPermaLink="false">https://medium.com/p/d1c59a373b8c</guid>
            <dc:creator><![CDATA[Anjas Anjas Anjas]]></dc:creator>
            <pubDate>Mon, 16 Nov 2026 13:42:51 GMT</pubDate>
            <atom:updated>2026-11-16T14:49:26.487Z</atom:updated>
            <content:encoded><![CDATA[<p>Tugas Kelompok Jaringan Komputer | Senin, 16 November 2026</p><p>Oleh:</p><ul><li>Muhammad Syafiq Azizi (2505060045) <a href="https://medium.com/u/1012ee3a3088">Muhammad Syafiq Azizi</a></li><li>Pardede Putra Anjasmara (2505060061)</li></ul><h3>1. Studi Kasus</h3><p>Zoom adalah aplikasi konferensi video yang banyak dipakai untuk kuliah dan rapat daring. Esai ini menganalisis satu aktivitas spesifik, yaitu <strong>proses panggilan video di Zoom Meeting</strong>, mulai dari pengguna menekan tombol “Join” sampai gambar dan suara peserta lain tampil secara real-time. Aktivitas ini menarik karena menggabungkan dua jenis lalu lintas: kontrol (login dan bergabung ke meeting) yang membutuhkan keandalan, serta media (audio dan video) yang membutuhkan kecepatan.</p><h3>2. Service Name dan Transport Protocol Port Number</h3><p>Pada Layer 7, Zoom memakai HTTPS (HTTP di atas TLS) untuk login dan signaling, serta protokol media milik Zoom untuk audio, video, dan berbagi layar. Pada Layer 4, kontrol berjalan di TCP, sedangkan media berjalan di UDP. Port yang digunakan:</p><ul><li><strong>TCP 443 (https):</strong> login, signaling, dan pertukaran data kontrol. Port ini terdaftar resmi di IANA sebagai HTTPS. Zoom juga membuka TCP 80, serta TCP 8801 dan 8802 untuk kontrol dan jalur cadangan.</li><li><strong>UDP 3478 (STUN/TURN):</strong> membantu perangkat menemukan alamat publiknya dan menembus NAT. Terdaftar di IANA untuk STUN dan TURN.</li><li><strong>UDP 8801 sampai 8810:</strong> jalur utama media real-time. Rentang port ini dipilih Zoom sendiri. [ISI hasil pengecekan IANA: terdaftar atau tidak atas nama Zoom.]</li></ul><h3>3. Alur Kerja Tiap Layer OSI (Top-Down)</h3><p>Saat video dikirim, data melewati proses enkapsulasi dari Layer 7 ke Layer 1. Di sisi penerima, prosesnya dibalik (dekapsulasi). Berikut alur kerja yang terjadi pada zoom:</p><ul><li><strong>Layer 7 (Application).</strong> Aplikasi Zoom berinteraksi langsung dengan pengguna. Klik “Join” memicu permintaan HTTPS ke server Zoom untuk memverifikasi ID meeting dan passcode. Setelah itu aplikasi mulai mengirim dan menerima aliran media lewat protokol Zoom.</li><li><strong>Layer 6 (Presentation).</strong> Kamera dan mikrofon menghasilkan data mentah yang dikompresi dengan codec (misalnya H.264 untuk video) agar muat di bandwidth yang tersedia. Data kemudian dienkripsi. Kanal kontrol memakai TLS, sedangkan media dienkripsi oleh Zoom sendiri (menurut dokumentasi keamanan Zoom memakai AES-256-GCM).</li><li><strong>Layer 5 (Session).</strong> Sesi meeting dibuat, dikelola, dan dijaga selama panggilan berlangsung, mencakup identitas peserta, status bergabung, dan pemutusan sesi saat peserta keluar. Pada model TCP/IP, fungsi ini umumnya ditangani oleh aplikasi itu sendiri.</li><li><strong>Layer 4 (Transport).</strong> Data kontrol dikirim sebagai segmen TCP (port 443) yang menjamin urutan dan retransmisi. Media dikirim sebagai datagram UDP (port 8801 sampai 8810) karena video real-time lebih toleran terhadap paket yang hilang daripada terhadap delay. Paket yang terlambat lebih baik dibuang daripada ditunggu. Nomor port sumber dan tujuan di header mengarahkan data ke aplikasi yang tepat.</li><li><strong>Layer 3 (Network).</strong> Setiap segmen atau datagram dibungkus menjadi paket IP dengan alamat IP sumber (perangkat kita) dan alamat tujuan (server Zoom). Router meneruskan paket hop demi hop, dan NAT di router mengubah alamat IP privat menjadi alamat IP publik.</li><li><strong>Layer 2 (Data Link).</strong> Paket dibungkus menjadi frame (Ethernet atau Wi-Fi 802.11) dengan MAC address sumber dan tujuan. MAC tujuan adalah milik gateway atau router, yang ditemukan lewat ARP. MAC address berubah di setiap hop, sedangkan alamat IP tujuan tetap sama dari ujung ke ujung.</li><li><strong>Layer 1 (Physical).</strong> Frame diubah menjadi bit, lalu menjadi sinyal fisik: gelombang radio pada Wi-Fi, sinyal listrik pada kabel tembaga, atau cahaya pada serat optik.</li></ul><h3>4. Bukti Observasi dan Pengecekan</h3><p>Observasi dilakukan pada 16 November 2026 menggunakan Windows di jaringan Wi-Fi rumah, saat panggilan video Zoom sedang aktif.</p><p><strong>a. netstat.</strong> Perintah netstat -ano dijalankan, lalu PID Zoom dicocokkan lewat tasklist. Hasilnya menunjukkan [koneksi TCP ke IP … port 443 berstatus ESTABLISHED] dan [soket UDP pada port …].</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/931/1*HXnqmaam560QVeqnBD4Vng.png" /></figure><p><strong>b. Wireshark.</strong> Dengan filter udp.port &gt;= 8801 &amp;&amp; udp.port &lt;= 8810 terlihat [jumlah paket, IP tujuan, dan ukuran paket]. Panel detail satu paket menampilkan susunan Frame, Ethernet, IP, UDP, dan data, yang sesuai dengan model enkapsulasi pada bagian sebelumnya.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/939/1*dCpKZ8ad2WcUwvgK_wW1Lg.png" /></figure><p><strong>c. IANA.</strong> Pencarian di IANA Service Name and Port Number Registry menunjukkan port 443 untuk https dan port 3478 untuk STUN/TURN, sedangkan rentang 8801 sampai 8810 [terdaftar/tidak terdaftar atas nama Zoom].</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/954/1*wrS9DczTKCGhwrIm_I194Q.png" /></figure><ul><li><em>Link : </em><a href="https://www.iana.org/assignments/service-names-port-numbers?search=8801"><em>https://www.iana.org/assignments/service-names-port-numbers?search=8801</em></a></li></ul><p><strong>d. Temuan.</strong> Secara keseluruhan, hasil observasi lapangan <strong>sesuai dengan teori transmisi protokol Zoom</strong>: aplikasi memisahkan jalur kendali melalui <strong>TCP Port 443</strong> dan mengalirkan paket media audio/video <em>real-time</em> secara masif melalui <strong>UDP Port 8801</strong> menuju server 144.195.32.77. Perbedaan teknis yang ditemukan adalah pada netstat soket UDP tercatat dengan tujuan *:* (192.168.1.25:16792) karena sifat protokol UDP yang <em>connectionless</em>, sementara di Wireshark terlihat jelas port sumber epiferal (53917/53923) berkomunikasi aktif ke port tujuan 8801 yang secara administratif berstatus <em>Unassigned</em> di registri IANA (digunakan secara kustom oleh Zoom tanpa pendaftaran resmi).</p><h3>5. Kesimpulan</h3><p>Panggilan video Zoom bukan satu aliran data tunggal, melainkan gabungan TCP untuk kontrol dan UDP untuk media, dengan setiap layer OSI berperan membungkus, mengarahkan, dan mengirim data sampai menjadi sinyal fisik. Observasi lewat netstat, Wireshark, dan IANA menunjukkan pembagian peran tersebut dalam praktik.</p><img src="https://medium.com/_/stat?event=post.clientViewed&referrerSource=full_rss&postId=d1c59a373b8c" width="1" height="1" alt="">]]></content:encoded>
        </item>
        <item>
            <title><![CDATA[Big data Week — 10: Pemrosesan Data Streaming dengan Spark Structured Streaming]]></title>
            <link>https://medium.com/@NoirNoum/big-data-0ee7da252e5f?source=rss-d2f3b3f28737------2</link>
            <guid isPermaLink="false">https://medium.com/p/0ee7da252e5f</guid>
            <dc:creator><![CDATA[Anjas Anjas Anjas]]></dc:creator>
            <pubDate>Sun, 08 Nov 2026 11:36:10 GMT</pubDate>
            <atom:updated>2026-11-12T02:05:46.937Z</atom:updated>
            <content:encoded><![CDATA[<figure><img alt="" src="https://cdn-images-1.medium.com/max/894/0*WC7h1dTFS76YixXl.jpg" /></figure><h3>Pendahuluan</h3><p>Pada perkembangan sistem data modern saat ini, data tidak lagi diproses secara berkala setelah disimpan dalam volume besar (<em>batch processing</em>), melainkan terus menerus mengalir secara <em>real-time</em> (<em>stream processing</em>). Contoh nyata dari implementasi <em>stream processing</em> adalah sistem deteksi penipuan (<em>fraud detection</em>) pada transaksi perbankan, pemantauan log aktivitas server, serta analisis transaksi pada platform <em>e-commerce</em>.</p><p>Pada praktikum <strong>Big Data Pertemuan 10</strong> di <strong>Program Studi Teknologi Informasi, Universitas Tidar</strong>, kami mempelajari konsep dan implementasi pemrosesan data <em>streaming</em> menggunakan <strong>Spark Structured Streaming</strong> berbasis <strong>PySpark 3.5.9</strong> dan <strong>Python 3.11</strong>.</p><h3>Perbedaan Utama: Batch vs. Stream Processing</h3><p>Sebelum melangkah ke implementasi kode, penting untuk memahami perbedaan mendasar antara pemrosesan data berbasis <em>batch</em> dan <em>streaming</em>:</p><pre>Aspek              | Batch Processing         | Stream Processing<br>============================================================================================<br>Sifat Data         | Statis, sudah lengkap    | Terus mengalir / bertambah <br>                   | tersimpan                | secara dinamis<br>Waktu Diproses     | Terjadwal (misal:        | Sesegera mungkin setelah data <br>                   | harian atau bulanan)     | tiba (near real-time)<br>Contoh Penggunaan  | Laporan keuangan bulanan | Deteksi transaksi mencurigakan <br>                   |                          | secara langsung</pre><p><strong>Spark Structured Streaming</strong> memungkinkan pemrosesan data <em>streaming</em> dengan menggunakan sintaks <strong>DataFrame API</strong> yang sama persis seperti pada pemrosesan <em>batch</em>. Di balik layar, Spark mengolah aliran data tersebut dengan pendekatan <em>micro-batch</em>.</p><p>Pada praktikum ini, aliran data dipromosikan dan disimulasikan menggunakan folder lokal. Setiap kali ada file CSV baru yang masuk ke dalam folder tersebut, Spark secara otomatis membaca dan memprosesnya secara inkremental.</p><h3>Langkah-Langkah Praktikum</h3><h4>Inisialisasi SparkSession &amp; Folder Simulasi</h4><p>Langkah awal adalah menginisialisasi SparkSession dan mengurangi jumlah <em>shuffle partitions</em> default agar proses agregasi pada komputer lokal berjalan lebih efisien. Selanjutnya, kita menyiapkan folder sebagai sumber <em>stream</em>.</p><pre>import os<br>import shutil<br>import time<br>import pandas as pd<br>from datetime import datetime<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, count, avg, col<br><br># Inisialisasi SparkSession<br>spark = SparkSession.builder \<br>    .appName(&quot;Pertemuan10-StructuredStreaming&quot;) \<br>    .master(&quot;local[*]&quot;) \<br>    .getOrCreate()<br><br>spark.sparkContext.setLogLevel(&quot;ERROR&quot;)<br>spark.conf.set(&quot;spark.sql.shuffle.partitions&quot;, &quot;4&quot;)<br><br># Menyiapkan folder simulasi streaming &amp; checkpoint<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.&quot;)</pre><figure><img alt="" src="https://cdn-images-1.medium.com/max/901/1*uvVH1TUgtz0CsGM5VAbWFQ.png" /><figcaption><strong>DOKUMENTASI 1</strong>: Menampilkan output SparkSession berhasil dibuat beserta status pembuatan folder simulasi.</figcaption></figure><h4>Definisi Skema Eksplisit (StructType)</h4><p>Dalam Spark Structured Streaming, pendefinisian skema secara eksplisit menggunakan StructType <strong>wajib</strong> dilakukan (inferSchema=True tidak diizinkan) karena data streaming belum seluruhnya tersedia.</p><pre>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>])</pre><h4>Membuat Streaming Query &amp; Simulasi Inkremental Data</h4><p>Kami mendefinisikan <em>input source</em> menggunakan readStream, melakukan agregasi groupBy(&quot;kota&quot;), dan mengirimkan hasilnya ke <em>output sink</em> berbasis memory.</p><pre># 1. Read Stream<br>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># 2. Transformasi Agregasi<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># 3. Write Stream ke Memory Sink<br>query = agregasi_stream.writeStream \<br>    .outputMode(&quot;complete&quot;) \<br>    .format(&quot;memory&quot;) \<br>    .queryName(&quot;hasil_agregasi&quot;) \<br>    .start()<br><br># 4. Mengirimkan Batch 1<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>time.sleep(6)<br>print(&quot;=== HASIL AGREGASI BATCH 1 ===&quot;)<br>spark.sql(&quot;SELECT * FROM hasil_agregasi ORDER BY total_pendapatan DESC&quot;).show()<br><br># 5. Mengirimkan Batch 2<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>time.sleep(6)<br>print(&quot;=== HASIL AGREGASI BATCH 2 ===&quot;)<br>spark.sql(&quot;SELECT * FROM hasil_agregasi ORDER BY total_pendapatan DESC&quot;).show()<br><br>query.stop()</pre><figure><img alt="" src="https://cdn-images-1.medium.com/max/780/1*z35fgXLWPkDhEjPmz4M6Hg.png" /><figcaption><strong>DOKUMENTASI 2</strong>: Output spark.sql(...).show() yang memperlihatkan nilai akumulasi total pendapatan Kota Magelang otomatis bertambah dari 225.000 menjadi 525.000 setelah batch 2 dimasukkan.</figcaption></figure><h4>Agregasi Berbasis Window Waktu</h4><p>Structured Streaming memungkinkan pengelompokan data berdasarkan rentang waktu (<em>time window</em>).</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>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>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>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)<br><br>query2.stop()<br>spark.stop()<br>print(&quot;Seluruh streamig query dihentikan, Spark Session ditutup.&quot;)</pre><figure><img alt="" src="https://cdn-images-1.medium.com/max/784/1*bMSK3sJXWTlnPanm6cQ3jw.png" /><figcaption><strong>DOKUMENTASI 3</strong>: Tabel hasil hasil_window yang memperlihatkan rentang waktu window.start dan window.end beserta akumulasi pendapatannya.</figcaption></figure><h3>Latihan Mandiri</h3><p><strong>Soal 1.</strong> Definisikan <em>readStream</em> dari folder <em>latihan10_stream</em> menggunakan <em>skema_latihan</em>, lalu buat agregasi groupBy(“<em>kategori</em>”) yang menghitung <strong>rata-rata</strong> <em>pendapatan </em>(gunakan `<strong>avg</strong>`, bukan `<strong>sum</strong>`). Jalankan query dengan queryName=”<em>latihan_agg</em>”.</p><pre># Soal 1: Agregasi rata-rata pendapatan per kategori<br>df_latihan = spark.readStream \<br>    .format(&quot;csv&quot;) \<br>    .schema(skema_latihan) \<br>    .option(&quot;header&quot;, True) \<br>    .load(folder_latihan)<br><br>agregasi_latihan = df_latihan.groupBy(&quot;kategori&quot;).agg(<br>    avg(&quot;pendapatan&quot;).alias(&quot;rata_rata_pendapatan&quot;)<br>)<br><br>query_latihan = agregasi_latihan.writeStream \<br>    .outputMode(&quot;complete&quot;) \<br>    .format(&quot;memory&quot;) \<br>    .queryName(&quot;latihan_agg&quot;) \<br>    .start()</pre><p><strong>Soal 2.</strong> Kirim (tulis) sebuah berkas CSV berisi minimal 3 baris data ke folder <strong>latihan10_stream</strong>, tunggu beberapa detik, lalu tampilkan isi tabel <strong>latihan_agg</strong> menggunakan <strong>spark.sql()</strong>.</p><pre># Soal 2: Batch 1 (3 baris data)<br>pd.DataFrame({<br>    &quot;trx_id&quot;: [&quot;L1&quot;, &quot;L2&quot;, &quot;L3&quot;],<br>    &quot;kategori&quot;: [&quot;Makanan&quot;, &quot;Makanan&quot;, &quot;Minuman&quot;],<br>    &quot;pendapatan&quot;: [20000, 40000, 15000]<br>}).to_csv(f&quot;{folder_latihan}/batch_1.csv&quot;, index=False)<br><br>time.sleep(6)<br>print(&quot;=== LATIHAN: BATCH 1 ===&quot;)<br>spark.sql(&quot;SELECT * FROM latihan_agg&quot;).show()</pre><figure><img alt="" src="https://cdn-images-1.medium.com/max/483/1*7-_r4oDDTWbkWAeBBvkypg.png" /><figcaption><strong>DOKUMENTASI 4</strong>: Rata-rata pendapatan per kategori pada Batch 1.</figcaption></figure><p><strong>Soal 3.</strong> Kirim <strong>batch kedua</strong> dengan kategori yang <strong>sama</strong> seperti salah satu kategori pada batch pertama, tunggu beberapa detik, lalu tampilkan ulang <strong>latihan_agg</strong>. Amati: apakah nilai rata-ratanya berubah sesuai perhitungan gabungan kedua batch?</p><pre># Soal 3: Batch 2 (Kategori sama untuk menguji perubahan rata-rata)<br>pd.DataFrame({<br>    &quot;trx_id&quot;: [&quot;L4&quot;, &quot;L5&quot;],<br>    &quot;kategori&quot;: [&quot;Makanan&quot;, &quot;Minuman&quot;],<br>    &quot;pendapatan&quot;: [60000, 35000]<br>}).to_csv(f&quot;{folder_latihan}/batch_2.csv&quot;, index=False)<br><br>time.sleep(6)<br>print(&quot;=== LATIHAN: BATCH 2 ===&quot;)<br>spark.sql(&quot;SELECT * FROM latihan_agg&quot;).show()<br><br>query_latihan.stop()</pre><figure><img alt="" src="https://cdn-images-1.medium.com/max/186/1*lnQMLSTIV-CVXIi5j4Giyg.png" /></figure><figure><img alt="" src="https://cdn-images-1.medium.com/max/193/1*VAFJ-eWFoehd-L7TZ7If6A.png" /><figcaption><strong>DOKUMENTASI 5</strong>: Perbandingan rata-rata pendapatan per kategori pada Batch 1 dan Batch 2.</figcaption></figure><p><strong>Soal 4 (Refleksi Skema Eksplisit) | </strong>Mengapa Spark Structured Streaming mewajibkan pendefinisian skema secara eksplisit (StructType)?</p><blockquote>Spark Structured Streaming mewajibkan deklarasi skema secara eksplisit karena sumber data <em>streaming</em> bertambah secara kontinu dan dinamis seiring waktu. Tidak seperti pemrosesan <em>batch</em> di mana seluruh kumpulan data sudah lengkap tersimpan sehingga Spark dapat memindai keseluruhan file untuk melakukan <em>schema inference</em> (inferSchema=True), pada data <em>streaming</em> data baru belum seluruhnya tersedia. Oleh karena itu, Spark membutuhkan batasan tipe data yang konsisten sejak awal untuk memvalidasi setiap <em>micro-batch</em> data baru yang masuk tanpa perlu menghentikan proses pemrosesan.</blockquote><h3>Tugas Mandiri (Dashboard Real-Time “Kopi Nusantara”)</h3><h4><strong>A. Menyiapkan Streaming Source</strong> <em>(bobot 15%)</em></h4><p>Definisikan skema eksplisit (StructType) untuk data pesanan dengan kolom: pesanan_id (string), nama_cabang (string), nama_menu (string), qty (integer), harga_satuan (integer), waktu_pesan (timestamp). Buat folder simulasi streaming baru bernama tugas10_stream, lalu definisikan readStream dari folder tersebut.</p><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, col<br>import os<br>import shutil<br>import time<br>import pandas as pd<br>from datetime import datetime<br><br># Inisialisasi SparkSession Tugas<br>spark = SparkSession.builder \<br>    .appName(&quot;Tugas10-KopiNusantara&quot;) \<br>    .master(&quot;local[*]&quot;) \<br>    .getOrCreate()<br><br>spark.sparkContext.setLogLevel(&quot;ERROR&quot;)<br>spark.conf.set(&quot;spark.sql.shuffle.partitions&quot;, &quot;4&quot;)<br><br># A. Menyiapkan Streaming Source<br>folder_tugas = &quot;tugas10_stream&quot;<br>shutil.rmtree(folder_tugas, ignore_errors=True)<br>os.makedirs(folder_tugas, exist_ok=True)<br><br>skema_tugas = 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><br>df_tugas = spark.readStream \<br>    .format(&quot;csv&quot;) \<br>    .schema(skema_tugas) \<br>    .option(&quot;header&quot;, True) \<br>    .load(folder_tugas)</pre><h4><strong>B. Agregasi per Cabang</strong> <em>(bobot 20%)</em></h4><p>Tambahkan kolom turunan total_harga (qty x harga_satuan) pada df_stream, lalu buat agregasi groupBy(&quot;nama_cabang&quot;) yang menghitung total total_harga dan jumlah pesanan. Jalankan sebagai streaming query dengan sink memory, queryName=&quot;agregasi_cabang&quot;.</p><pre>df_tugas_with_total = df_tugas.withColumn(&quot;total_harga&quot;, col(&quot;qty&quot;) * col(&quot;harga_satuan&quot;))<br><br>agregasi_cabang = df_tugas_with_total.groupBy(&quot;nama_cabang&quot;).agg(<br>    spark_sum(&quot;total_harga&quot;).alias(&quot;grand_total_pendapatan&quot;),<br>    count(&quot;pesanan_id&quot;).alias(&quot;total_pesanan&quot;)<br>)<br><br>query_cabang = agregasi_cabang.writeStream \<br>    .outputMode(&quot;complete&quot;) \<br>    .format(&quot;memory&quot;) \<br>    .queryName(&quot;agregasi_cabang&quot;) \<br>    .start()</pre><h4><strong>C. Agregasi Berbasis Window Waktu</strong> <em>(bobot 20%)</em></h4><p>Buat streaming query <strong>kedua</strong> (definisikan ulang readStream dari folder yang sama, ini diperbolehkan — satu sumber data dapat dibaca oleh lebih dari satu streaming query sekaligus) yang mengelompokkan total total_harga berdasarkan <strong>window waktu 2 menit</strong> dari kolom waktu_pesan. Gunakan sink memory, queryName=&quot;agregasi_waktu&quot;.</p><pre>    .format(&quot;csv&quot;) \<br>    .schema(skema_tugas) \<br>    .option(&quot;header&quot;, True) \<br>    .load(folder_tugas) \<br>    .withColumn(&quot;total_harga&quot;, col(&quot;qty&quot;) * col(&quot;harga_satuan&quot;))<br><br>agregasi_waktu = df_tugas2.groupBy(<br>    window(col(&quot;waktu_pesan&quot;), &quot;2 minutes&quot;)<br>).agg(<br>    spark_sum(&quot;total_harga&quot;).alias(&quot;total_pendapatan_window&quot;)<br>)<br><br>query_waktu = agregasi_waktu.writeStream \<br>    .outputMode(&quot;complete&quot;) \<br>    .format(&quot;memory&quot;) \<br>    .queryName(&quot;agregasi_waktu&quot;) \<br>    .start()</pre><h4><strong>D. Menguji dengan Data Simulasi</strong> <em>(bobot 25%)</em></h4><p>Kirim <strong>minimal 3 batch</strong> data (masing-masing batch berupa satu berkas CSV baru dengan jeda time.sleep() di antaranya) ke folder tugas10_stream, dengan kombinasi nama_cabang yang bervariasi. Setelah setiap batch, tampilkan hasil agregasi_cabang untuk membuktikan angka totalnya terus terakumulasi dengan benar.</p><pre># D. Pengujian dengan 3 Batch Data Simulasi<br>waktu_now = datetime.now()<br><br># Batch 1<br>pd.DataFrame({<br>    &quot;pesanan_id&quot;: [&quot;P101&quot;, &quot;P102&quot;],<br>    &quot;nama_cabang&quot;: [&quot;Cabang Magelang&quot;, &quot;Cabang Semarang&quot;],<br>    &quot;nama_menu&quot;: [&quot;Kopi Tubruk&quot;, &quot;Es Kopi Susu&quot;],<br>    &quot;qty&quot;: [2, 3],<br>    &quot;harga_satuan&quot;: [15000, 20000],<br>    &quot;waktu_pesan&quot;: [waktu_now.strftime(&quot;%Y-%m-%d %H:%M:%S&quot;)] * 2<br>}).to_csv(f&quot;{folder_tugas}/batch_1.csv&quot;, index=False)<br><br>time.sleep(6)<br>print(&quot;=== TUGAS D: AGREGASI CABANG (AFTER BATCH 1) ===&quot;)<br>spark.sql(&quot;SELECT * FROM agregasi_cabang&quot;).show()<br><br># Batch 2<br>pd.DataFrame({<br>    &quot;pesanan_id&quot;: [&quot;P103&quot;, &quot;P104&quot;],<br>    &quot;nama_cabang&quot;: [&quot;Cabang Magelang&quot;, &quot;Cabang Solo&quot;],<br>    &quot;nama_menu&quot;: [&quot;Americano&quot;, &quot;Matcha Latte&quot;],<br>    &quot;qty&quot;: [1, 2],<br>    &quot;harga_satuan&quot;: [18000, 25000],<br>    &quot;waktu_pesan&quot;: [waktu_now.strftime(&quot;%Y-%m-%d %H:%M:%S&quot;)] * 2<br>}).to_csv(f&quot;{folder_tugas}/batch_2.csv&quot;, index=False)<br><br>time.sleep(6)<br>print(&quot;=== TUGAS D: AGREGASI CABANG (AFTER BATCH 2) ===&quot;)<br>spark.sql(&quot;SELECT * FROM agregasi_cabang&quot;).show()<br><br># Batch 3<br>pd.DataFrame({<br>    &quot;pesanan_id&quot;: [&quot;P105&quot;, &quot;P106&quot;],<br>    &quot;nama_cabang&quot;: [&quot;Cabang Semarang&quot;, &quot;Cabang Solo&quot;],<br>    &quot;nama_menu&quot;: [&quot;Roti Bakar&quot;, &quot;Es Kopi Susu&quot;],<br>    &quot;qty&quot;: [4, 1],<br>    &quot;harga_satuan&quot;: [12000, 20000],<br>    &quot;waktu_pesan&quot;: [waktu_now.strftime(&quot;%Y-%m-%d %H:%M:%S&quot;)] * 2<br>}).to_csv(f&quot;{folder_tugas}/batch_3.csv&quot;, index=False)<br><br>time.sleep(6)<br>print(&quot;=== TUGAS D: AGREGASI CABANG (AFTER BATCH 3) ===&quot;)<br>spark.sql(&quot;SELECT * FROM agregasi_cabang&quot;).show()<br><br>print(&quot;=== TUGAS C: AGREGASI WINDOW 2 MENIT ===&quot;)<br>spark.sql(&quot;SELECT window.start, window.end, total_pendapatan_window FROM agregasi_waktu&quot;).show(truncate=False)</pre><figure><img alt="" src="https://cdn-images-1.medium.com/max/564/1*LynRwUA-z5SUzifPVB__YA.png" /><figcaption><strong>DOKUMENTASI 6:</strong> Perubahan total pendapatan per cabang dari Batch 1 hingga Batch 3.</figcaption></figure><h4><strong>E. Sink Berbasis Berkas (Tantangan)</strong> <em>(bobot 20%)</em></h4><p>Selain memory sink, Structured Streaming juga mendukung menulis hasil <strong>DataFrame mentah (bukan hasil agregasi)</strong> ke berkas secara berkelanjutan. Buat <strong>streaming query ketiga</strong> yang membaca dari df_stream, lalu menuliskannya (tanpa agregasi apa pun, cukup data mentahnya) ke folder lokal tugas10_output dalam format Parquet, menggunakan:</p><pre>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()</pre><p>Kirim satu batch data baru, tunggu beberapa detik, lalu buktikan berkas Parquet-nya benar-benar tersimpan (!ls tugas10_output) dan dapat dibaca kembali sebagai DataFrame batch biasa menggunakan spark.read.parquet().</p><pre># E. Sink Berbasis Berkas (Parquet Sink)<br>folder_output_parquet = &quot;tugas10_output&quot;<br>folder_checkpoint_parquet = &quot;tugas10_checkpoint&quot;<br>shutil.rmtree(folder_output_parquet, ignore_errors=True)<br>shutil.rmtree(folder_checkpoint_parquet, ignore_errors=True)<br><br>query_parquet = df_tugas_with_total.writeStream \<br>    .format(&quot;parquet&quot;) \<br>    .option(&quot;path&quot;, folder_output_parquet) \<br>    .option(&quot;checkpointLocation&quot;, folder_checkpoint_parquet) \<br>    .outputMode(&quot;append&quot;) \<br>    .start()<br><br># Kirim Batch 4 untuk menguji Parquet sink<br>pd.DataFrame({<br>    &quot;pesanan_id&quot;: [&quot;P107&quot;],<br>    &quot;nama_cabang&quot;: [&quot;Cabang Magelang&quot;],<br>    &quot;nama_menu&quot;: [&quot;Affogato&quot;],<br>    &quot;qty&quot;: [2],<br>    &quot;harga_satuan&quot;: [22000],<br>    &quot;waktu_pesan&quot;: [waktu_now.strftime(&quot;%Y-%m-%d %H:%M:%S&quot;)]<br>}).to_csv(f&quot;{folder_tugas}/batch_4.csv&quot;, index=False)<br><br>time.sleep(6)<br><br># Verifikasi Pembacaan Parquet File<br>df_parquet_verify = spark.read.parquet(folder_output_parquet)<br>print(&quot;=== TUGAS E: VERIFIKASI FILE PARQUET TERBALIK DIBACA ===&quot;)<br>df_parquet_verify.show()<br><br># Penghentian Query<br>query_cabang.stop()<br>query_waktu.stop()<br>query_parquet.stop()<br>spark.stop()<br>print(&quot;Seluruh streaming query dihentikan &amp; SparkSession ditutup.&quot;)</pre><figure><img alt="" src="https://cdn-images-1.medium.com/max/699/1*3f1uxYsLK6NDwMkd9N7eqw.png" /><figcaption><strong>DOKUMENTASI 7</strong>: Screenshot terminal/notebook yang menampilkan keberadaan berkas .parquet serta output DataFrame hasil pembacaan spark.read.parquet().</figcaption></figure><h3>Kesimpulan</h3><p>Melalui praktikum Pertemuan 10 ini, disimpulkan bahwa:</p><ol><li>Pemrosesan <em>stream</em> memungkinkan analisis data secara <em>real-time</em> dan inkremental seiring data tiba.</li><li>Spark Structured Streaming memudahkan transisi dari pemrosesan <em>batch</em> ke <em>stream</em> karena keduanya menggunakan <strong>DataFrame API</strong> yang seragam.</li><li>Deklarasi skema eksplisit melalui StructType mutlak diperlukan pada pemrosesan streaming.</li><li>Fitur agregasi berbasis window waktu (<em>window function</em>) memudahkan perhitungan metriks performa bisnis berbasis interval waktu tertentu.</li></ol><h3><strong>Link GitHub</strong></h3><p><a href="https://github.com/aramsamsamo/Praktikum-Big-Data/blob/main/Tugas10_2505060061_Pardede%20Putra%20Anjasmara.ipynb">Praktikum-Big-Data/Tugas10_2505060061_Pardede Putra Anjasmara.ipynb at main · aramsamsamo/Praktikum-Big-Data</a></p><h3>Referensi</h3><ul><li>Modul Praktikum Big Data: Pertemuan 10 — <em>Pemrosesan Data Streaming dengan Spark Stryctyred Streaming</em>.</li></ul><img src="https://medium.com/_/stat?event=post.clientViewed&referrerSource=full_rss&postId=0ee7da252e5f" width="1" height="1" alt="">]]></content:encoded>
        </item>
        <item>
            <title><![CDATA[Jaringan Komputer Pertemuan — 10: Modul II — Pengenalan Mikrotik dan Konfigurasi Dasar Winbox]]></title>
            <link>https://medium.com/@NoirNoum/jarkom-0fc3dc9084d3?source=rss-d2f3b3f28737------2</link>
            <guid isPermaLink="false">https://medium.com/p/0fc3dc9084d3</guid>
            <dc:creator><![CDATA[Anjas Anjas Anjas]]></dc:creator>
            <pubDate>Sun, 08 Nov 2026 11:35:35 GMT</pubDate>
            <atom:updated>2026-11-10T05:43:31.086Z</atom:updated>
            <content:encoded><![CDATA[<figure><img alt="" src="https://cdn-images-1.medium.com/max/678/0*pGuBQmbS0PF-Sbpt" /></figure><p>Identitas Kelompok / Penyusun:</p><ul><li><strong>Anggota 1:</strong> Pardede Putra Anjasmara (NPM: 2505060061)</li><li><strong>Anggota 2:</strong> Ibrahim Adnan Tsaqif (NPM: 2505060064) | <a href="https://medium.com/u/761373c89463">Adnan Tsaqif</a></li></ul><h3>Pendahuluan</h3><h4>Latar Belakang</h4><p>MikroTik merupakan sistem operasi (<em>RouterOS</em>) berbasis Linux dan perangkat keras (<em>RouterBoard</em>) yang dikembangkan oleh MikroTikls SIA di Riga, Latvia. Perangkat ini menjadi standar yang sangat luas digunakan dalam jaringan skala lokal (LAN), pendidikan, hingga <em>Internet Service Provider</em> (ISP) karena menyediakan fleksibilitas tinggi dan fitur manajemen lalu lintas jaringan yang lengkap dengan biaya efisien.</p><p>Pada praktikum Modul II ini, mahasiswa diperkenalkan dengan perangkat fisik <strong>Mikrotik RB951</strong> dan aplikasi manajemen berbasis GUI bernama <strong>Winbox</strong>. Pemahaman terhadap antarmuka Winbox, alokasi IP Address, dan manajemen hak akses pengguna menjadi pondasi awal dalam mengelola infrastruktur jaringan sebelum melangkah ke tahap <em>routing</em>, <em>DHCP</em>, <em>NAT</em>, maupun <em>firewall</em>.</p><h4>Capaian Pembelajaran Modul (CPMK)</h4><p>Setelah menyelesaikan praktikum Modul II ini, mahasiswa diharapkan mampu:</p><ol><li>Menjelaskan fungsi dasar perangkat Router Mikrotik RB951 dan peran aplikasi Winbox dalam konfigurasi jaringan.</li><li>Mengidentifikasi port dan interface fisik maupun nirkabel pada perangkat Mikrotik.</li><li>Melakukan koneksi awal ke router Mikrotik memanfaatkan alamat fisik (<em>MAC Address</em>) via Winbox.</li><li>Mengonfigurasi parameter IP dasar dan <em>user management</em> pada Mikrotik.</li><li>Menunjukkan sikap disiplin, teliti, dan kerja sama tim selama proses praktikum di laboratorium.</li></ol><h3>Metodologi</h3><h4>Alat dan Bahan Praktikum</h4><p>Dalam pelaksanaan praktikum ini, beberapa alat dan bahan yang digunakan antara lain:</p><ul><li><strong>Router Mikrotik RB951</strong>: Berperan sebagai <em>core device</em> yang dikonfigurasi.</li><li><strong>Power Adapter Mikrotik (12V DC)</strong>: Penyuplai daya utama router.</li><li><strong>Laptop / PC Klien</strong>: Perangkat administrator pengontrol.</li><li><strong>Kabel UTP (Straight-Through)</strong> &amp; <strong>Konektor RJ-45</strong>: Media penghantar data antara PC dan router.</li><li><strong>LAN Tester</strong>: Penguji kontinuitas fisik kabel UTP.</li><li><strong>Aplikasi Winbox (v3.x / v6.x)</strong>: Perangkat lunak GUI pengakses RouterOS.</li></ul><h4>Langkah-Langkah Kerja</h4><ol><li><strong>Koneksi Fisik &amp; Remote Early Access</strong>: Menghubungkan PC ke Ether1 Mikrotik RB951, lalu mengakses router menggunakan <em>MAC Address</em> melalui tab <em>Neighbors</em> pada Winbox.</li><li><strong>Identifikasi Interface &amp; Router Identity</strong>: Memeriksa daftar <em>port</em> (Ether1–Ether5 &amp; wlan1), lalu mengubah nama router via System -&gt; Identity.</li><li><strong>User Management</strong>: Membuat pengguna baru grup <em>full</em> (adminlab) via System -&gt; Users, lalu <em>re-login</em>.</li><li><strong>Addressing</strong>: Menambahkan <em>IP Address</em> 192.168.10.1/24 pada interface ether1 via IP -&gt; Addresses.</li><li><strong>Testing</strong>: Mengatur IP Static pada PC Klien (192.168.10.2/24) dan melakukan pengujian <em>ICMP Ping</em> via Command Prompt.</li></ol><h3>Hasil dan Analisis</h3><h4>1. Persiapan Awal &amp; Koneksi via Winbox</h4><ul><li>Hubungkan adaptor daya ke Mikrotik RB951.</li><li>Hubungkan port <strong>Ethernet LAN PC</strong> ke port <strong>Ether1</strong> (atau port yang disesuaikan) pada Mikrotik menggunakan kabel UTP <em>Straight</em>.</li><li>Buka aplikasi <strong>Winbox</strong>, masuk ke tab <strong>Neighbors</strong>, pilih router berdasarkan <strong>MAC Address</strong>, lalu klik <strong>Connect</strong>.</li></ul><h4>2. Mengenal Antarmuka Utama &amp; Menu Interfaces</h4><p>Setelah berhasil masuk, terlihat tampilan antarmuka GUI Winbox yang menampilkan daftar menu di sebelah kiri. Buka menu <strong>Interfaces</strong> untuk melihat daftar port fisik dan wireless yang aktif.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*nB-LZj5BmGIu_CpXepdejA.jpeg" /><figcaption>Tampilan antarmuka GUI Winbox yang menampilkan daftar menu di sebelah kiri.</figcaption></figure><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*CjvTi1dDufy9M0bpRoK6QA.jpeg" /><figcaption>Menu interface yang menampilkan daftar port fisik dan wireless yang aktif.</figcaption></figure><h4>3. Mengubah Identitas Router (Router Identity)</h4><p>Untuk membedakan router milik kelompok di dalam laboratorium jaringan, identitas router diubah:</p><ul><li>Buka menu <strong>System → Identity</strong>.</li><li>Ubah nama router menjadi identitas kelompok (misal: Router_Kelompok1).</li><li>Klik <strong>Apply</strong> lalu <strong>OK</strong>.</li></ul><figure><img alt="" src="https://cdn-images-1.medium.com/max/241/1*iiNgPKaZGXcuw-JobFFglg.jpeg" /><figcaption>Mengubah identity, dengan mengubah nama router menjadi identitas kelompok.</figcaption></figure><h4>4. Manajemen Pengguna (User Management)</h4><p>Mengamankan akses router dengan menambahkan pengguna baru dan mengelola akun <em>default</em>:</p><ul><li>Masuk ke menu <strong>System → Users</strong>.</li></ul><figure><img alt="" src="https://cdn-images-1.medium.com/max/254/1*2wk2VyriYYb8k3UNDb0buA.jpeg" /><figcaption>Tampilan Menu System.</figcaption></figure><ul><li>Klik tombol <strong>+ (Add)</strong>, buat user baru:</li></ul><figure><img alt="" src="https://cdn-images-1.medium.com/max/603/1*xJ0LRa6Qtxvkj264sdFEkQ.jpeg" /><figcaption>Tampilan di dalam menu User.</figcaption></figure><ol><li><strong>Name</strong>: adminlab</li><li><strong>Group</strong>: full</li><li><strong>Password</strong>: praktikum123</li></ol><figure><img alt="" src="https://cdn-images-1.medium.com/max/361/1*GkvCfswriwOibQ51b4LRVw.jpeg" /><figcaption>Melakukan ketiga perintah di atas, di menu add User.</figcaption></figure><ul><li>Klik <strong>Apply → OK</strong>.</li><li><em>Logout</em> dari Winbox, kemudian <em>Login</em> kembali menggunakan akun baru adminlab.</li></ul><figure><img alt="" src="https://cdn-images-1.medium.com/max/398/1*jsCTfFabUuYxD5TfF0kqmg.jpeg" /><figcaption>Login kembali menggunakan akun <strong>adminlab.</strong></figcaption></figure><h4>5. Konfigurasi IP Address Manual pada Router</h4><p>Menambahkan IP Address pada interface jaringan lokal:</p><ul><li>Buka menu <strong>IP → Addresses</strong>.</li></ul><figure><img alt="" src="https://cdn-images-1.medium.com/max/256/1*ObGiNhlXWG2uu1xgTvWWLg.jpeg" /><figcaption>Tampilan Menu IP.</figcaption></figure><ul><li>Klik <strong>+ (Add)</strong> dan masukkan parameter:</li></ul><figure><img alt="" src="https://cdn-images-1.medium.com/max/333/1*kxKvBxwXMM4t6w6AGA3p_g.jpeg" /><figcaption>Tampilan di dalam menu Adresses.</figcaption></figure><ol><li><strong>Address</strong>: 192.168.10.1/24</li><li><strong>Interface</strong>: ether1</li></ol><figure><img alt="" src="https://cdn-images-1.medium.com/max/295/1*simo762XKs-Ez1ggW5qDJQ.jpeg" /><figcaption>Melakukan kedua perintah di atas, di menu add Address.</figcaption></figure><ul><li>Klik <strong>Apply → OK</strong></li></ul><h4>6. Pengaturan IP pada PC Client &amp; Uji Konektivitas (Ping Test)</h4><ul><li>Atur pengaturan <em>IPv4</em> pada PC secara manual agar berada dalam satu <em>subnet</em> dengan Mikrotik:</li></ul><ol><li><strong>IP Address</strong>: 192.168.10.2</li><li><strong>Subnet Mask</strong>: 255.255.255.0</li><li><strong>Default Gateway</strong>: 192.168.10.1</li></ol><figure><img alt="" src="https://cdn-images-1.medium.com/max/486/1*3fZXL3zV8goLpm2t-x9xHA.jpeg" /><figcaption>Mengatur pengaturan IPv4 di pc secara manual, di setting -&gt; Network.</figcaption></figure><ul><li>Buka <strong>Command Prompt (CMD)</strong> pada Windows, lalu jalankan perintah testing:</li></ul><pre>ping 192.168.10.1</pre><figure><img alt="" src="https://cdn-images-1.medium.com/max/516/1*gv8SDtSHebsrZ0VZON9wcA.jpeg" /><figcaption>Hasil menjalankan perintah testing di Command Prompt (CMD).</figcaption></figure><ul><li>Hasil menunjukkan <strong>Reply from 192.168.10.1: bytes=32 time&lt;1ms TTL=64</strong>, menandakan PC dan Mikrotik telah terhubung sempurna.</li></ul><h4>Analisis dan Pembahasan Studi Kasus</h4><ul><li><strong>Perbedaan Koneksi Menggunakan IP Address dan MAC Address di Winbox</strong>:</li></ul><ol><li><strong>MAC Address (Layer 2 Data Link)</strong>: Menggunakan komunikasi <em>broadcast</em> langsung pada <em>hardware address</em>. Koneksi ini sangat berguna pada kondisi awal ketika Mikrotik belum memiliki IP Address, setelah <em>reset configuration</em>, atau saat terjadi kesalahan konfigurasi IP (<em>misconfiguration</em>). Namun, koneksi ini rentan terputus (<em>disconnect</em>) jika lalu lintas <em>broadcast</em> di jaringan padat.</li><li><strong>IP Address (Layer 3 Network)</strong>: Menggunakan protokol TCP/IP. Koneksi ini jauh lebih stabil, dapat dirutekan antar <em>subnet</em> berbeda (<em>routable</em>), serta cocok untuk manajemen jaringan jarak jauh (WAN/Internet). Syarat utamanya adalah perangkat PC administrator dan Mikrotik harus berada dalam <em>subnet</em> IP yang seragam.</li></ol><ul><li><strong>Pentingnya Konfigurasi IP Dasar Sebelum Manajemen Jaringan Lanjut</strong>: Alokasi IP dasar merupakan fondasi utama komunikasi logika jaringan (<em>inter-networking</em>). Seluruh fungsi lanjutan pada Mikrotik — seperti <em>DHCP Server</em> (pembagian IP otomatis), <em>NAT &amp; Internet Sharing</em> (penerjemahan alamat), <em>Firewall Filtering</em>, hingga <em>Bandwidth Management (Queue)</em> — membutuhkan pengalamatan IP yang valid dan terstruktur agar paket data dapat diidentifikasi sumber dan tujuannya.</li><li><strong>Identifikasi Fungsi Port Mikrotik RB951</strong>:</li></ul><ol><li><strong>Port Ether1</strong>: Umumnya digunakan sebagai port WAN (<em>Uplink</em>) yang terhubung ke modem ISP atau <em>gateway</em> utama.</li><li><strong>Port Ether2–Ether5</strong>: Digunakan sebagai port LAN (<em>Downlink</em>) untuk menghubungkan perangkat klien, <em>switch</em>, atau <em>Access Point</em>.</li><li><strong>Wireless Interface (wlan1)</strong>: Berfungsi memancarkan sinyal gelombang radio 2.4 GHz untuk koneksi klien nirkabel.</li></ol><h3>Kesimpulan</h3><p>Berdasarkan praktikum Modul II Pengenalan Mikrotik yang telah dilaksanakan secara berkelompok, dapat disimpulkan bahwa:</p><ol><li>Perangkat Router Mikrotik RB951 dan aplikasi Winbox memberikan kemudahan dalam pengelolaan jaringan lokal berbasis antarmuka grafis (GUI).</li><li>Penggunaan <em>MAC Address</em> menjadi metode paling efektif untuk akses awal ke dalam Mikrotik yang belum terkonfigurasi.</li><li>Konfigurasi identitas router (<em>System Identity</em>), pengguna (<em>User Management</em>), dan alamat IP (<em>IP Address</em>) 192.168.10.1/24 berhasil diterapkan dan diverifikasi.</li><li>Pengujian konektivitas menggunakan perintah ping dari PC Klien ke Mikrotik menunjukkan status <em>Reply</em>, yang membuktikan bahwa komunikasi <em>Layer 1</em> (fisik kabel), <em>Layer 2</em> (Data Link), dan <em>Layer 3</em> (Network) telah berfungsi secara optimal.</li></ol><h3>Referensi</h3><ul><li>Hidayat, M. M. (2026). <em>Modul Praktikum Jaringan Komputer Based on MikroTik MTCNA</em>.</li></ul><img src="https://medium.com/_/stat?event=post.clientViewed&referrerSource=full_rss&postId=0fc3dc9084d3" width="1" height="1" alt="">]]></content:encoded>
        </item>
        <item>
            <title><![CDATA[PBO Modul — 10: Penerapan Konsep Interface menggunakan Apache NetBeans IDE]]></title>
            <link>https://medium.com/@NoirNoum/pbo-modul-10-penerapan-konsep-interface-menggunakan-apache-netbeans-ide-e0b1132987e4?source=rss-d2f3b3f28737------2</link>
            <guid isPermaLink="false">https://medium.com/p/e0b1132987e4</guid>
            <dc:creator><![CDATA[Anjas Anjas Anjas]]></dc:creator>
            <pubDate>Sun, 08 Nov 2026 11:34:58 GMT</pubDate>
            <atom:updated>2026-11-09T04:15:32.754Z</atom:updated>
            <content:encoded><![CDATA[<figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*iIhphe1TuFRLAxGGEgrHSg.png" /><figcaption>cemilikitiw</figcaption></figure><h3>Pendahuluan</h3><p>Dalam Pemrograman Berorientasi Objek (<em>Object-Oriented Programming</em> / OOP), abstraksi merupakan salah satu pilar penting untuk membangun sistem yang fleksibel dan terstruktur. Selain menggunakan <em>abstract class</em>, Java menyediakan fitur <strong>Interface</strong> yang berfungsi sebagai kontrak fungsionalitas bagi kelas-kelas yang mengimplementasikannya.</p><p>Artikel ini memuat laporan praktikum PBO Modul 10 tentang pemahaman, pembuatan, hingga implementasi <em>interface</em> dalam pemrograman Java menggunakan NetBeans IDE.</p><h3>Dasar Teori</h3><h4>1. Apa itu Interface?</h4><p>Interface adalah kontrak pemrograman dalam Java yang mendefinisikan metode tanpa implementasi. Berbeda dengan kelas biasa, interface hanya berisi deklarasi metode kosong (tanpa <em>statement</em>) dan konstanta.</p><ul><li>Semua metode dalam interface secara default bersifat public dan abstract.</li><li>Semua variabel dalam interface secara default bersifat public, static, dan final.</li></ul><h4>2. Implementasi Interface</h4><p>Ketika sebuah kelas mengimplementasikan suatu interface (menggunakan kata kunci implements), kelas tersebut wajib menyediakan logika/implementasi untuk semua metode yang dideklarasikan oleh interface tersebut. Jika kelas tersebut tidak mengimplementasikan seluruh metode, maka kelas itu harus dideklarasikan sebagai abstract class.</p><h4>3. Perbedaan Interface dan Class Abstrak</h4><pre>Fitur         Interface              Kelas Abstrak<br>==============================================================================<br>Metode       | Semua metode bersifat | Dapat memiliki metode konkret &amp; abstrak   <br>             | abstract &amp; public     |<br>------------------------------------------------------------------------------<br>Pewarisan    | Mendukung multiple    | Hanya mendukung single inheritance   <br>             | inheritance           |<br>------------------------------------------------------------------------------<br>Konstruktor  | Tidak memiliki        | Dapat memiliki konstruktor   <br>             | konstruktor           |<br>------------------------------------------------------------------------------<br>Fungsi Utama | Menyusun kontrak      | Generalisasi hierarki kelas<br>             | behavior              |</pre><h3>Alat dan Bahan</h3><ol><li>Laptop / Komputer</li><li>Java Development Kit (JDK)</li><li>Apache NetBeans IDE</li></ol><h3>Langkah Praktikum</h3><h4>1. Persiapan Proyek</h4><ol><li>Buka NetBeans IDE.</li><li>Buat proyek baru dengan nama PraktikumPBO_10.</li><li>Buat package baru bernama praktikum10.</li></ol><figure><img alt="" src="https://cdn-images-1.medium.com/max/375/1*E7pnO4qfCYNwl8f2OaOJhA.png" /><figcaption><strong>DOKUMENTASI 1</strong>: struktur proyek PraktikumPBO_10 dan package praktikum10 pada panel Projects di NetBeans.</figcaption></figure><h4>2. Membuat Interface dan Class Implementasi</h4><ul><li>Interface OperasiHitung</li></ul><p>Membuat interface yang mendefinisikan metode hitung(int a, int b).</p><pre>// Interface OperasiHitung.java<br>package praktikum10;<br><br>public interface OperasiHitung {<br>    int hitung(int a, int b);<br>}</pre><ul><li>Class Penjumlahan</li></ul><p>Mengimplementasikan interface OperasiHitung untuk operasi penjumlahan.</p><pre>// Penjumlahan.java<br>package praktikum10;<br><br>public class Penjumlahan implements OperasiHitung {<br>    @Override<br>    public int hitung(int a, int b) {<br>        return a + b;<br>    }<br>}</pre><ul><li>Class Pengurangan</li></ul><p>Mengimplementasikan interface OperasiHitung untuk operasi pengurangan.</p><pre>// Pengurangan.java<br>package praktikum10;<br><br>public class Pengurangan implements OperasiHitung {<br>    @Override<br>    public int hitung(int a, int b) {<br>        return a - b;<br>    }<br>}</pre><figure><img alt="" src="https://cdn-images-1.medium.com/max/432/1*N6bOFeMKJ32vlqwxaTRwqQ.png" /></figure><figure><img alt="" src="https://cdn-images-1.medium.com/max/643/1*OlAbPcNKAvEx_S2yDcviNQ.png" /></figure><figure><img alt="" src="https://cdn-images-1.medium.com/max/648/1*-F_BHvoSaVoNwrmKwTobWA.png" /><figcaption><strong>DOKUEMNTASI 2</strong>: kode program OperasiHitung.java, Penjumlahan.java, dan Pengurangan.java di NetBeans.</figcaption></figure><h4>3. Pengujian pada Main Class</h4><p>Buat kelas Main untuk menjalankan dan menguji kedua implementasi interface di atas.</p><pre>// Main.java<br>package praktikum10;<br><br>public class Main {<br>    public static void main(String[] args) {<br>        // Objek Penjumlahan<br>        OperasiHitung penjumlahan = new Penjumlahan();<br>        System.out.println(&quot;Penjumlahan: &quot; + penjumlahan.hitung(10, 5)); // Output: 15<br><br>        // Objek Pengurangan<br>        OperasiHitung pengurangan = new Pengurangan();<br>        System.out.println(&quot;Pengurangan: &quot; + pengurangan.hitung(10, 5)); // Output: 5<br>    }<br>}</pre><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*x4RsRwEV2CefWuK-fpWD9Q.png" /><figcaption><strong>DOKUMENTASI 3</strong>: hasil eksekusi program Main.java pada panel Output NetBeans yang menampilkan hasil penjumlahan (15) dan pengurangan (5).</figcaption></figure><h3>Tugas Modul 10: Sistem Pembayaran Toko (Perhitungan Pajak)</h3><h4>Studi Kasus</h4><p>Diminta membuat sistem pembayaran toko yang menjual produk <strong>Elektronik</strong> (pajak 10%) dan <strong>Makanan</strong> (pajak 5%) dengan memanfaatkan interface Pembayaran.</p><h4>Kode Program Tugas</h4><ol><li><strong>Interface</strong> Pembayaran</li></ol><pre>// Pembayaran.java<br>package Tugas_pertemuan_10;<br><br>public interface Pembayaran {<br>    double hitungPajak(double harga);<br>}</pre><p><strong>2. Class</strong> Elektronik</p><pre>// Elektronik.java<br>package Tugas_pertemuan_;<br><br>public class Elektronik implements Pembayaran {<br>    @Override<br>    public double hitungPajak(double harga) {<br>        return harga * 0.10; // Pajak 10%<br>    }<br>}</pre><p><strong>3. Class</strong> Makanan</p><pre>// Makanan.java<br>package Tugas_pertemua_10;<br><br>public class Makanan implements Pembayaran {<br>    @Override<br>    public double hitungPajak(double harga) {<br>        return harga * 0.05; // Pajak 5%<br>    }<br>}</pre><figure><img alt="" src="https://cdn-images-1.medium.com/max/493/1*TLrTcShSLkemllpODoJUiw.png" /></figure><figure><img alt="" src="https://cdn-images-1.medium.com/max/627/1*XHF-sByH1kVcWISA6UaIFQ.png" /></figure><figure><img alt="" src="https://cdn-images-1.medium.com/max/577/1*hWH-SQI9iBNjW-bgHxwSPg.png" /><figcaption><strong>DOKUMENTAS 4</strong>: seluruh file kode program Tugas (Interface Pembayaran, Class Elektronik, Class Makanan, dan MainTugas).</figcaption></figure><p><strong>4. Class</strong> MainTugas</p><pre>// MainTugas.java<br>package Tugas_pertemuan_10;<br><br>public class Main {<br>   public static void main(String[] args) {<br>        Pembayaran laptop = new Elektronik();<br>        Pembayaran satay = new Makanan();<br><br>        double hargaLaptop = 8500000;<br>        double hargaSatay = 30000;<br><br>        double pajakLaptop = laptop.hitungPajak(hargaLaptop);<br>        double pajakSatay = satay.hitungPajak(hargaSatay);<br><br>        System.out.println(&quot;SISTEM PEMBAYARAN TOKO&quot;);<br>        System.out.println(&quot;Harga Laptop  : Rp &quot; + hargaLaptop);<br>        System.out.println(&quot;Pajak Laptop (10%): Rp &quot; + pajakLaptop);<br>        System.out.println(&quot;Total Bayar   : Rp &quot; + (hargaLaptop + pajakLaptop));<br>        System.out.println(&quot;----------------------------------&quot;);<br>        System.out.println(&quot;Harga Roti    : Rp &quot; + hargaSatay);<br>        System.out.println(&quot;Pajak Roti (5%)  : Rp &quot; + pajakSatay);<br>        System.out.println(&quot;Total Bayar   : Rp &quot; + (hargaSatay + pajakSatay));<br>    } <br>}</pre><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*RVT_ew4502IphydQQwr44w.png" /><figcaption><strong>DOKUMENTASI 5</strong>: hasil eksekusi program MainTugas.java pada panel Output NetBeans.</figcaption></figure><h3>Kesimpulan</h3><p>Melalui praktikum Modul 10 ini, dapat disimpulkan bahwa:</p><ol><li><strong>Interface</strong> sangat berguna untuk menetapkan standar/kontrak metode yang harus dimiliki oleh kelas-kelas yang saling berbeda namun memiliki tipe perilaku yang sama.</li><li>Penggunaan implements memungkinkan kelas Java mendapatkan karakteristik <em>polymorphism</em> dan <em>multiple inheritance</em> abstrak secara aman tanpa kerumitan pewarisan kelas ganda.</li><li>Pada latihan studi kasus toko, interface Pembayaran berhasil menyelaraskan cara perhitungan pajak untuk produk Elektronik dan Makanan sesuai dengan ketentuan tarif pajak masing-masing.</li></ol><h3>Referensi</h3><ul><li>Pemrograman Berorientasi Objek: Modul 10 — <em>Interface</em></li></ul><img src="https://medium.com/_/stat?event=post.clientViewed&referrerSource=full_rss&postId=e0b1132987e4" width="1" height="1" alt="">]]></content:encoded>
        </item>
        <item>
            <title><![CDATA[Big Data Week — 9: Konsep Basis Data NoSQL, Instalasi MongoDB, dan Integrasinya dengan PySpark]]></title>
            <link>https://medium.com/@NoirNoum/big-data-week-9-konsep-basis-data-nosql-instalasi-mongodb-dan-integrasinya-dengan-pyspark-053a6aed1f58?source=rss-d2f3b3f28737------2</link>
            <guid isPermaLink="false">https://medium.com/p/053a6aed1f58</guid>
            <dc:creator><![CDATA[Anjas Anjas Anjas]]></dc:creator>
            <pubDate>Thu, 05 Nov 2026 02:49:38 GMT</pubDate>
            <atom:updated>2026-11-05T02:49:38.460Z</atom:updated>
            <content:encoded><![CDATA[<figure><img alt="" src="https://cdn-images-1.medium.com/max/1000/0*FShP6RY2ooXSdkRt.jpg" /></figure><h3>Pendahuluan &amp; Latar Belakang</h3><p>Setelah menyelesaikan Ujian Tengah Semester (UTS) yang berfokus pada data terstruktur dan ekosistem Hadoop, kini kita melangkah ke topik baru yang tidak kalah penting dalam ekosistem Big Data: <strong>Basis Data NoSQL</strong>.</p><p>Dalam dunia Big Data, kita mengenal kerangka <strong>5V</strong>, yang salah satu elemen utamanya adalah <strong>Variety</strong> (keragaman format data). Data di dunia nyata tidak selalu tersusun rapi dalam bentuk tabel relasional (SQL) yang memiliki skema kaku. Data profil pengguna, katalog e-commerce, hingga log transaksi sering kali bersifat <em>semi-terstruktur</em> di mana setiap baris/entitas dapat memiliki atribut yang berbeda-beda.</p><p><strong>MongoDB</strong> hadir sebagai solusi basis data NoSQL bertipe <em>document store</em>. Data di MongoDB disimpan dalam format <strong>BSON</strong> (Binary JSON) yang terorganisir di dalam <strong>collection</strong> (setara dengan tabel) dan <strong>document</strong> (setara dengan baris). Flexible schema pada MongoDB memungkinkan penambahan field baru tanpa perlu mengubah struktur seluruh basis data.</p><p>Pada artikel ini, kita akan membahas langkah-langkah praktikum mulai dari instalasi MongoDB di Ubuntu, operasi CRUD (<em>Create, Read, Update, Delete</em>) menggunakan PyMongo, hingga integrasi data MongoDB ke dalam <strong>Spark DataFrame</strong> untuk analisis data lebih lanjut.</p><h3>Langkah 1: Instalasi MongoDB Community Server 8.0 di Ubuntu</h3><p>Proses instalasi MongoDB dilakukan melalui terminal Linux Ubuntu (versi 22.04 LTS / 24.04 LTS) dengan menggunakan repositori resmi dari MongoDB.</p><h4>1. Impor Kunci GPG Resmi MongoDB</h4><pre>curl -fsSL https://pgp.mongodb.com/server-8.0.asc | \<br>   sudo gpg -o /usr/share/keyrings/mongodb-server-8.0.gpg --dearmor</pre><h4>2. Menambahkan Repositori MongoDB</h4><p>Gunakan repositori yang sesuai dengan versi Ubuntu kamu (misalnya jammy untuk Ubuntu 22.04):</p><pre>echo &quot;deb [ arch=amd64,arm64 signed-by=/usr/share/keyrings/mongodb-server-8.0.gpg ] https://repo.mongodb.org/apt/ubuntu jammy/mongodb-org/8.0 multiverse&quot; | sudo tee /etc/apt/sources.list.d/mongodb-org-8.0.list</pre><p>3. Pembaruan Paket &amp; Instalasi</p><pre>sudo apt update<br>sudo apt install -y mongodb-org</pre><h4>4. Menjalankan Service &amp; Verifikasi</h4><p>Aktifkan dan jalankan service mongod:</p><pre>sudo systemctl start mongod<br>sudo systemctl enable mongod<br>sudo systemctl status mongod</pre><figure><img alt="" src="https://cdn-images-1.medium.com/max/832/1*-kR9GGEi9w0jZuIoU2gRMw.png" /></figure><figure><img alt="" src="https://cdn-images-1.medium.com/max/580/1*WC-MDGLTrXxTEyxA2NdVaw.png" /><figcaption><strong>DOKUMENTASI 1</strong>: tangkapan layar terminal yang menampilkan status systemctl status mongod dengan status hijau active (running) dan luaran dari perintah mongod --version.</figcaption></figure><h3>Langkah 2: Uji Coba Operasi Dasar via mongosh</h3><p>Sebelum beralih ke Python, kita dapat menguji instalasi MongoDB menggunakan interaktif shell resmi mongosh.</p><pre>mongosh</pre><p>Di dalam prompt mongosh, jalankan perintah berikut:</p><pre>use praktikum_bigdata<br>db.produk.insertOne({ nama_produk: &quot;Kopi Susu&quot;, kategori: &quot;Minuman&quot;, harga: 18000, stok: 120 })<br>db.produk.find().pretty()<br>exit</pre><h3>Langkah 3: Persiapan Environment &amp; PyMongo di Jupyter Notebook</h3><p>Aktifkan conda environment bigdata dan pasang modul pymongo:</p><pre>conda activate bigdata<br>pip install pymongo<br>jupyter notebook</pre><p>Menghubungkan PyMongo ke MongoDB</p><pre>from pymongo import MongoClient<br><br># Koneksi ke server lokal MongoDB<br>client = MongoClient(&quot;mongodb://localhost:27017/&quot;)<br>db = client[&quot;praktikum_bigdata&quot;]<br>koleksi_produk = db[&quot;produk&quot;]<br><br>print(&quot;Koneksi ke MongoDB berhasil!&quot;)<br>print(&quot;Daftar database yang ada:&quot;, client.list_database_names())</pre><figure><img alt="" src="https://cdn-images-1.medium.com/max/657/1*ga13Rwh1OO0PsM8tC_4SSw.png" /><figcaption><strong>DOKUMENTASI 2</strong>: tangkapan layar output cell Jupyter Notebook yang berhasil terkoneksi dan menampilkan daftar database.</figcaption></figure><h3>Langkah 4: Operasi CRUD Menggunakan PyMongo</h3><h4>1. Create (Menyisipkan Dokumen)</h4><pre># Clear data awal agar bersih<br>koleksi_produk.delete_many({})<br><br># Menyisipkan satu dokumen<br>koleksi_produk.insert_one({<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># Menyisipkan banyak dokumen<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><blockquote><strong>Catatan:</strong> Dokumen pada MongoDB memiliki keleluasaan skema. Jumlah elemen pada array tags bisa bervariasi untuk tiap dokumen tanpa membutuhkan struktur <em>junction table</em> layaknya RDBMS.</blockquote><h4>2. Read (Membaca Dokumen &amp; Filter)</h4><pre># Membaca dengan kondisi filter harga &gt; 15.000<br>print(&quot;Produk dengan harga &gt; 15000:&quot;)<br>for p in koleksi_produk.find({&quot;harga&quot;: {&quot;$gt&quot;: 15000}}):<br>    print(f&quot;  - {p[&#39;nama_produk&#39;]} (Rp{p[&#39;harga&#39;]:,})&quot;)</pre><h4>3. Update (Memperbarui Dokumen)</h4><pre># Menaikkan harga Es Teh &amp; mengurangi stok seluruh kategori Minuman<br>koleksi_produk.update_one({&quot;nama_produk&quot;: &quot;Es Teh&quot;}, {&quot;$set&quot;: {&quot;harga&quot;: 9000}})<br>koleksi_produk.update_many({&quot;kategori&quot;: &quot;Minuman&quot;}, {&quot;$inc&quot;: {&quot;stok&quot;: -5}})<br><br>for p in koleksi_produk.find({}, {&quot;_id&quot;: 0, &quot;nama_produk&quot;: 1, &quot;harga&quot;: 1, &quot;stok&quot;: 1}):<br>    print(f&quot;  - {p[&#39;nama_produk&#39;]}: harga=Rp{p[&#39;harga&#39;]:,}, stok={p[&#39;stok&#39;]}&quot;)</pre><h4>4. Delete (Menghapus Dokumen)</h4><pre>koleksi_produk.delete_one({&quot;nama_produk&quot;: &quot;Kentang Goreng&quot;})<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><figure><img alt="" src="https://cdn-images-1.medium.com/max/816/1*Vjgq67AzV6Xe3KcZ5S0zZQ.png" /></figure><figure><img alt="" src="https://cdn-images-1.medium.com/max/904/1*ISkHfGFzBrMfoM6PWSTonQ.png" /></figure><figure><img alt="" src="https://cdn-images-1.medium.com/max/618/1*XFOtTZmzHMIatbdB2mgvKQ.png" /></figure><figure><img alt="" src="https://cdn-images-1.medium.com/max/783/1*wBuHpWEYVpdjNRkXo1NqDg.png" /><figcaption><strong>DOKUMENTASI 3</strong>: tangkapan layar eksekusi cell operasi CRUD (Create, Read, Update, Delete) di Jupyter Notebook beserta output-nya.</figcaption></figure><h3>Langkah 5: Integrasi Data MongoDB dengan PySpark</h3><p>Setelah data tersimpan di MongoDB, kita dapat mengonversinya menjadi <strong>Spark DataFrame</strong> agar bisa diproses menggunakan arsitektur Spark (agregasi, <em>window functions</em>, atau penulisan ulang ke HDFS/Parquet).</p><p>Alur konversi sederhana tanpa <em>driver connector</em> khusus:</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># 1. Ambil data dari MongoDB<br>dokumen_mongo = list(koleksi_produk.find({}))<br><br># 2. Konversi ke Pandas DataFrame<br>df_pandas = pd.DataFrame(dokumen_mongo)<br><br># 3. Penyesuaian tipe data khusus (ObjectId &amp; List)<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># 4. Buat Spark DataFrame<br>df_spark_produk = spark.createDataFrame(df_pandas)<br><br>df_spark_produk.printSchema()<br>df_spark_produk.show()</pre><figure><img alt="" src="https://cdn-images-1.medium.com/max/672/1*RJOqvopHmtOr1fsXmtaD1g.png" /><figcaption><strong>DOKUMENTASI 4</strong>: tangkapan layar code dan hasil eksekusi <strong>printSchema() dan df_spark_produk.show()</strong></figcaption></figure><h4>Analisis Sederhana dengan Spark</h4><pre>from pyspark.sql.functions import avg, count<br><br># Menghitung rata-rata harga dan 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()</pre><figure><img alt="" src="https://cdn-images-1.medium.com/max/468/1*AMfMWpVUvyG4-axcplNtJg.png" /><figcaption><strong>DOKUMENTASI 5</strong>: tangkapan layar dari tabel hasil agregas <strong>grouBy </strong>di PySpark.</figcaption></figure><h3>Latihan Mandiri</h3><p>Berikut merupakan implementasi dari 4 soal latihan mandiri pada modul praktikum:</p><h4>Soal 1: Menyisipkan 5 Dokumen Baru</h4><pre>koleksi_produk.insert_many([<br>    {&quot;nama_produk&quot;: &quot;Keripik Singkong&quot;, &quot;kategori&quot;: &quot;Snack&quot;, &quot;harga&quot;: 10000, &quot;stok&quot;: 150, &quot;tags&quot;: [&quot;renyah&quot;, &quot;gurih&quot;]},<br>    {&quot;nama_produk&quot;: &quot;Cireng Rujak&quot;, &quot;kategori&quot;: &quot;Snack&quot;, &quot;harga&quot;: 12000, &quot;stok&quot;: 90, &quot;tags&quot;: [&quot;pedas&quot;, &quot;hangat&quot;]},<br>    {&quot;nama_produk&quot;: &quot;Matcha Latte&quot;, &quot;kategori&quot;: &quot;Minuman&quot;, &quot;harga&quot;: 22000, &quot;stok&quot;: 70, &quot;tags&quot;: [&quot;manis&quot;]},<br>    {&quot;nama_produk&quot;: &quot;Nasi Goreng&quot;, &quot;kategori&quot;: &quot;Makanan&quot;, &quot;harga&quot;: 25000, &quot;stok&quot;: 50, &quot;tags&quot;: [&quot;berat&quot;, &quot;best-seller&quot;]},<br>    {&quot;nama_produk&quot;: &quot;Roti Toast&quot;, &quot;kategori&quot;: &quot;Makanan&quot;, &quot;harga&quot;: 17000, &quot;stok&quot;: 65, &quot;tags&quot;: [&quot;manis&quot;]}<br>])<br>print(&quot;Jumlah total dokumen sekarang:&quot;, koleksi_produk.count_documents({}))</pre><h4>Soal 2: Query Filter $lt (Harga &lt; 20.000)</h4><pre>print(&quot;Produk dengan harga di bawah Rp20.000:&quot;)<br>for p in koleksi_produk.find({&quot;harga&quot;: {&quot;$lt&quot;: 20000}}):<br>    print(f&quot;  - {p[&#39;nama_produk&#39;]}: Rp{p[&#39;harga&#39;]:,}&quot;)</pre><h4>Soal 3: Menambahkan Field diskon via update_many()</h4><pre>koleksi_produk.update_many({}, {&quot;$set&quot;: {&quot;diskon&quot;: 0}})<br><br>for p in koleksi_produk.find({}, {&quot;_id&quot;: 0, &quot;nama_produk&quot;: 1, &quot;diskon&quot;: 1}):<br>    print(p)</pre><figure><img alt="" src="https://cdn-images-1.medium.com/max/694/1*W2KkdquQqT2ccGkaYXPO5A.png" /></figure><figure><img alt="" src="https://cdn-images-1.medium.com/max/333/1*C_CkbxAx0a7GXfWsu9UY1g.png" /></figure><figure><img alt="" src="https://cdn-images-1.medium.com/max/433/1*LOXe7CCGDko8vaAy3359dg.png" /><figcaption><strong>DOKUMENTASI 6</strong>: tangkapan layar hasil eksekusi Soal 1, Soal 2, dan Soal 3 di Jupyter Notebook.</figcaption></figure><h4>Soal 4: Refleksi Skenario Penggunaan MongoDB</h4><blockquote><strong>Skenario Real-World:</strong> Sistem Rekam Medis Elektronik (Electronic Health Records / EHR) di Rumah Sakit.</blockquote><blockquote><strong>Alasan:</strong> Setiap pasien memiliki riwayat medis, tes laboratorium, dan resep obat yang bervariasi. Pasien A mungkin memiliki data riwayat alergi dan hasil tes darah, sedangkan Pasien B hanya memiliki riwayat konsultasi umum. Dengan <em>flexible schema</em> MongoDB, setiap dokumen pasien dapat disesuaikan tanpa perlu memaksa struktur kolom kaku atau membuat ribuan tabel relasional yang dipenuhi nilai NULL.</blockquote><figure><img alt="" src="https://cdn-images-1.medium.com/max/763/1*FcSX1Pjrret41Usmk5sIiw.png" /><figcaption><strong>DOKUEMENTASI 7</strong>: tangkapan layar Refleksi Skenario melalui Jupyter Notebook</figcaption></figure><h3>Tugas Mandiri: Implementasi Katalog Menu “Kopi Nusantara”</h3><h4>A. Membangun Katalog Menu (Create)</h4><p>Membuat database kopi_nusantara dan collection menu, lalu menyisipkan 12 dokumen menu dengan variasi atribut fleksibel (kategori Kopi memiliki tingkat_kepahitan, kategori Makanan memiliki pedas_level):</p><pre>from pymongo import MongoClient<br><br># 1. Koneksi ke MongoDB &amp; inisialisasi Database/Collection<br>client = MongoClient(&quot;mongodb://localhost:27017/&quot;)<br>db_tugas = client[&quot;kopi_nusantara&quot;]<br>koleksi_menu = db_tugas[&quot;menu&quot;]<br><br># Bersihkan collection jika sudah pernah ada<br>koleksi_menu.delete_many({})<br><br># 2. Menyisipkan 12 dokumen menu dengan atribut bervariasi<br>data_menu = [<br>    # Kategori Kopi (Wajib: nama_menu, harga, kategori, tingkat_kepahitan)<br>    {&quot;nama_menu&quot;: &quot;Espresso Always Single&quot;, &quot;kategori&quot;: &quot;Kopi&quot;, &quot;harga&quot;: 18000, &quot;tingkat_kepahitan&quot;: 5, &quot;stok&quot;: 50},<br>    {&quot;nama_menu&quot;: &quot;Americano Beku&quot;, &quot;kategori&quot;: &quot;Kopi&quot;, &quot;harga&quot;: 22000, &quot;tingkat_kepahitan&quot;: 4, &quot;stok&quot;: 80},<br>    {&quot;nama_menu&quot;: &quot;Kopi Sugar Aren&quot;, &quot;kategori&quot;: &quot;Kopi&quot;, &quot;harga&quot;: 20000, &quot;tingkat_kepahitan&quot;: 2, &quot;stok&quot;: 100, &quot;rekomendasi_barista&quot;: True},<br>    {&quot;nama_menu&quot;: &quot;Piccolo Latte&quot;, &quot;kategori&quot;: &quot;Kopi&quot;, &quot;harga&quot;: 24000, &quot;tingkat_kepahitan&quot;: 3, &quot;stok&quot;: 40},<br>    {&quot;nama_menu&quot;: &quot;Cold Brew Aceh Gayo&quot;, &quot;kategori&quot;: &quot;Kopi&quot;, &quot;harga&quot;: 28000, &quot;tingkat_kepahitan&quot;: 5, &quot;stok&quot;: 30, &quot;rekomendasi_barista&quot;: True},<br>    <br>    # Kategori Makanan (Wajib: nama_menu, harga, kategori, pedas_level)<br>    {&quot;nama_menu&quot;: &quot;Ayam Geprek Sambal Kicau&quot;, &quot;kategori&quot;: &quot;Makanan&quot;, &quot;harga&quot;: 25000, &quot;pedas_level&quot;: 3, &quot;stok&quot;: 45},<br>    {&quot;nama_menu&quot;: &quot;Mie Goreng Jawa&quot;, &quot;kategori&quot;: &quot;Makanan&quot;, &quot;harga&quot;: 22000, &quot;pedas_level&quot;: 1, &quot;stok&quot;: 60},<br>    {&quot;nama_menu&quot;: &quot;Nasi Goreng Krezy&quot;, &quot;kategori&quot;: &quot;Makanan&quot;, &quot;harga&quot;: 27000, &quot;pedas_level&quot;: 2, &quot;stok&quot;: 35},<br>    {&quot;nama_menu&quot;: &quot;Singkong Goreng Keju&quot;, &quot;kategori&quot;: &quot;Makanan&quot;, &quot;harga&quot;: 15000, &quot;pedas_level&quot;: 0, &quot;stok&quot;: 70},<br>    <br>    # Kategori Non-Kopi / Dessert (Kreativitas tambahan)<br>    {&quot;nama_menu&quot;: &quot;Matcha Ice Latte&quot;, &quot;kategori&quot;: &quot;Non-Kopi&quot;, &quot;harga&quot;: 25000, &quot;stok&quot;: 50},<br>    {&quot;nama_menu&quot;: &quot;Thai Tea&quot;, &quot;kategori&quot;: &quot;Non-Kopi&quot;, &quot;harga&quot;: 16000, &quot;stok&quot;: 90},<br>    {&quot;nama_menu&quot;: &quot;Choco Magma Cake&quot;, &quot;kategori&quot;: &quot;Dessert&quot;, &quot;harga&quot;: 20000, &quot;stok&quot;: 25}<br>]<br><br>koleksi_menu.insert_many(data_menu)<br>print(&quot;Jumlah menu tersimpan:&quot;, koleksi_menu.count_documents({}))</pre><figure><img alt="" src="https://cdn-images-1.medium.com/max/787/1*VN7ewsV51gDLMBhx2Fm6FA.png" /><figcaption><strong>DOKUMENTASI TUGAS A</strong>: tangkapan layar eksekusi cell Jupyter Notebook yang menampilkan jumlah 12 dokumen menu berhasil tersimpan di collection menu.</figcaption></figure><h4>B. Kueri Bertingkat (Read)</h4><p>Menjalankan 3 filter kueri sesuai dengan instruksi tugas:</p><pre># Kueri 1: Kopi dengan tingkat kepahitan &gt; 3<br>print(&quot;--- 1. Menu Kopi dengan Tingkat Kepahitan &gt; 3 ---&quot;)<br>for m in koleksi_menu.find({&quot;kategori&quot;: &quot;Kopi&quot;, &quot;tingkat_kepahitan&quot;: {&quot;$gt&quot;: 3}}):<br>    print(f&quot;- {m[&#39;nama_menu&#39;]} | Kepahitan: {m[&#39;tingkat_kepahitan&#39;]}&quot;)<br><br>print()<br><br># Kueri 2: Menu dengan harga di antara 15.000 dan 30.000<br>print(&quot;--- 2. Menu dengan Harga Rp15.000 - Rp30.000 ---&quot;)<br>for m in koleksi_menu.find({&quot;harga&quot;: {&quot;$gte&quot;: 15000, &quot;$lte&quot;: 30000}}):<br>    print(f&quot;- {m[&#39;nama_menu&#39;]} | Harga: Rp{m[&#39;harga&#39;]:,}&quot;)<br><br>print()<br><br># Kueri 3: Menu yang TIDAK memiliki field &#39;pedas_level&#39;<br>print(&quot;--- 3. Menu yang Tidak Memiliki Field &#39;pedas_level&#39; ---&quot;)<br>for m in koleksi_menu.find({&quot;pedas_level&quot;: {&quot;$exists&quot;: False}}):<br>    print(f&quot;- {m[&#39;nama_menu&#39;]} ({m[&#39;kategori&#39;]})&quot;)</pre><figure><img alt="" src="https://cdn-images-1.medium.com/max/549/1*MLGt80MZGAAlauZoOAMnyA.png" /><figcaption><strong>DOKUMENTASI TUGAS B</strong>: tangkapan layar hasil luaran (output) dari ketiga kueri bertingkat di atas.</figcaption></figure><h4>C. Pembaruan Data (Update)</h4><p>Menambahkan field status: &quot;Tersedia&quot; ke seluruh dokumen, lalu mengubah status 2 menu pilihan menjadi &quot;Habis&quot;:</p><pre># 1. Tambah field status=&quot;Tersedia&quot; ke SELURUH dokumen<br>koleksi_menu.update_many({}, {&quot;$set&quot;: {&quot;status&quot;: &quot;Tersedia&quot;}})<br><br># 2. Ubah status menjadi &quot;Habis&quot; untuk 2 menu pilihan (contoh: Cold Brew &amp; Ayam Geprek)<br>koleksi_menu.update_one({&quot;nama_menu&quot;: &quot;Cold Brew Aceh Gayo&quot;}, {&quot;$set&quot;: {&quot;status&quot;: &quot;Habis&quot;}})<br>koleksi_menu.update_one({&quot;nama_menu&quot;: &quot;Ayam Geprek Sambal Korek&quot;}, {&quot;$set&quot;: {&quot;status&quot;: &quot;Habis&quot;}})<br><br># Tampilkan hasil update<br>print(&quot;--- Hasil Pembaruan Status Menu ---&quot;)<br>for m in koleksi_menu.find({}, {&quot;_id&quot;: 0, &quot;nama_menu&quot;: 1, &quot;kategori&quot;: 1, &quot;status&quot;: 1}):<br>    print(f&quot;- {m[&#39;nama_menu&#39;]} ({m[&#39;kategori&#39;]}): {m[&#39;status&#39;]}&quot;)</pre><figure><img alt="" src="https://cdn-images-1.medium.com/max/447/1*vxAYy2D0PMBMPoAwpv8v0Q.png" /><figcaption><strong>DOKUMENTASI TUGAS C</strong>: tangkapan layar dari hasil eksekusi pembaruan status menu.</figcaption></figure><h4>D. Integrasi ke PySpark</h4><p>Mengonversi data koleksi menu ke Pandas DataFrame lalu menjadi <strong>Spark DataFrame</strong>, serta melakukan agregasi groupBy:</p><pre>from pyspark.sql import SparkSession<br>import pandas as pd<br>from pyspark.sql.functions import avg, count<br><br># Inisialisasi SparkSession<br>spark = SparkSession.builder \<br>    .appName(&quot;Tugas9-KopiNusantara&quot;) \<br>    .master(&quot;local[*]&quot;) \<br>    .getOrCreate()<br>spark.sparkContext.setLogLevel(&quot;ERROR&quot;)<br><br># 1. Ambil dokumen dari MongoDB<br>menu_docs = list(koleksi_menu.find({}))<br><br># 2. Konversi ke Pandas DataFrame<br>df_pandas_menu = pd.DataFrame(menu_docs)<br>df_pandas_menu[&quot;_id&quot;] = df_pandas_menu[&quot;_id&quot;].astype(str)<br><br># --- SOLUSI: Tangani kolom boolean/opsional yang memiliki NaN ---<br># Jika kolom &#39;rekomendasi_barista&#39; ada, isi NaN dengan False agar tipe datanya konsisten (Boolean)<br>if &quot;rekomendasi_barista&quot; in df_pandas_menu.columns:<br>    df_pandas_menu[&quot;rekomendasi_barista&quot;] = df_pandas_menu[&quot;rekomendasi_barista&quot;].fillna(False).astype(bool)<br><br># Lakukan hal serupa jika ada kolom opsional lain yang bertipe boolean<br># -------------------------------------------------------------<br><br># 3. Konversi ke Spark DataFrame<br>df_spark_menu = spark.createDataFrame(df_pandas_menu)<br><br># Output 1: Tampilkan Schema<br>print(&quot;--- Schema Spark DataFrame ---&quot;)<br>df_spark_menu.printSchema()<br><br>print(&quot;--- Tampilan Data Spark DataFrame ---&quot;)<br>df_spark_menu.show(truncate=False)<br><br># Output 2: Rata-rata harga per kategori menggunakan groupBy<br>print(&quot;--- Rata-rata Harga per Kategori ---&quot;)<br>df_spark_menu.groupBy(&quot;kategori&quot;).agg(<br>    avg(&quot;harga&quot;).alias(&quot;rata_rata_harga&quot;),<br>    count(&quot;nama_menu&quot;).alias(&quot;jumlah_menu&quot;)<br>).show()<br><br>spark.stop()</pre><figure><img alt="" src="https://cdn-images-1.medium.com/max/808/1*lWFKauutOCpPOz3ADnjA7g.png" /></figure><figure><img alt="" src="https://cdn-images-1.medium.com/max/400/1*fxYtewemQQPwUftAC3DGYQ.png" /><figcaption><strong>DOKUMENTASI TUGAS D</strong>: tangkapan layar dari luaran printSchema(), df_spark_menu.show(), dan tabel groupBy di Jupyter Notebook.</figcaption></figure><h4>E. Kesimpulan &amp; Refleksi Skema (Minimal 100 Kata)</h4><blockquote>Berdasarkan praktikum dan tugas mandiri yang telah dilakukan, tantangan utama saat mengonversi data dari MongoDB ke Spark DataFrame adalah perbedaan filosofi pengelolaan skema data. MongoDB menerapkan konsep <em>flexible schema</em> di mana setiap dokumen di dalam satu <em>collection</em> dapat memiliki atribut yang tidak seragam — seperti atribut tingkat_kepahitan pada menu kopi atau rekomendasi_barista yang hanya dimiliki oleh menu tertentu. Sebaliknya, Apache Spark menuntut struktur skema tabel yang kaku dan seragam (<em>rigid schema</em>) agar pemrosesan terdistribusi dapat berjalan efisien.</blockquote><blockquote>Dalam implementasi praktisnya, perbedaan ini memicu tantangan teknis berupa error tipe data seperti [CANNOT_MERGE_TYPE] Can not merge type DoubleType and BooleanType. Kendala tersebut muncul karena Pandas secara otomatis mengisi nilai kosong (<em>missing values</em>) pada kolom opsional dengan nilai NaN (yang terbaca sebagai tipe data <em>float</em>/<em>double</em>), sehingga berbenturan dengan tipe data <em>Boolean</em> (True) dari dokumen lain saat Spark melakukan inferensi skema otomatis.</blockquote><blockquote>Cara mengatasi tantangan ini adalah dengan melakukan pembersihan data (<em>data cleaning</em>) secara proaktif di tingkat Pandas DataFrame sebelum memanggil fungsi spark.createDataFrame(). Kita dapat menggunakan metode penanganan nilai kosong, seperti .fillna(False).astype(bool), untuk menyeragamkan kolom boolean yang opsional. Dengan penanganan yang tepat, konversi data NoSQL ke Spark DataFrame dapat berjalan mulus tanpa error, sehingga data katalog yang dinamis tetap bisa dianalisis secara akurat menggunakan fungsi agregasi seperti groupBy di PySpark.</blockquote><h3>Kesimpulan General</h3><p>Secara keseluruhan, rangkaian kegiatan Praktikum Big Data Pertemuan 9 memberikan pemahaman mendalam mengenai pentingnya adopsi basis data NoSQL dalam menangani karakteristik <strong>Variety</strong> (keragaman format data) yang menjadi salah satu pilar utama dalam ekosistem Big Data.</p><ul><li><strong>Fleksibilitas Skema (Flexible Schema):</strong> MongoDB terbukti sangat handal dalam menyimpan data semi-terstruktur berbentuk dokumen BSON tanpa memerlukan skema tabel yang kaku seperti pada basis data relasional (SQL).</li><li><strong>Operabilitas CRUD:</strong> Penggunaan mongosh dan <em>driver</em> Python PyMongo memudahkan mahasiswa dalam melakukan manipulasi data secara efisien mulai dari tahap <em>Create, Read, Update,</em> hingga <em>Delete</em>.</li><li><strong>Sinergi NoSQL &amp; Analisis Terdistribusi:</strong> Integrasi data dari MongoDB ke dalam Spark DataFrame membuktikan bahwa ekosistem Big Data modern mampu mengombinasikan kecepatan akses penyimpanan dokumen dengan kekuatan analitik pemrosesan paralel milik Apache Spark, dengan catatan diperlukannya penanganan tipe data yang cermat (seperti penanganan nilai kosong/<em>missing values</em>) agar konversi skema berjalan lancar.</li></ul><h3>Referensi</h3><ul><li>Modul Prakitkum Big Data: Pertemuan 9 — <em>Basis Data NoSQL: Instalasi MongoDB &amp; Integrasi dengan PySpark.</em></li></ul><img src="https://medium.com/_/stat?event=post.clientViewed&referrerSource=full_rss&postId=053a6aed1f58" width="1" height="1" alt="">]]></content:encoded>
        </item>
        <item>
            <title><![CDATA[PBO Modul — 9: Penerapan Abstraksi dan Kelas Abstrak menggunakan Apache NetBeans IDE]]></title>
            <link>https://medium.com/@NoirNoum/pbo-modul-9-penerapan-abstraksi-dan-kelas-abstrak-menggunakan-apache-netbeans-ide-c1a214124f7b?source=rss-d2f3b3f28737------2</link>
            <guid isPermaLink="false">https://medium.com/p/c1a214124f7b</guid>
            <dc:creator><![CDATA[Anjas Anjas Anjas]]></dc:creator>
            <pubDate>Thu, 29 Oct 2026 06:35:33 GMT</pubDate>
            <atom:updated>2026-10-29T06:35:33.596Z</atom:updated>
            <content:encoded><![CDATA[<figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*22I00nZ-EYr3_DF28HjQ5g.png" /><figcaption>awoo</figcaption></figure><h3>Pendahuluan</h3><p>Praktikum Pemrograman Berorientasi Objek (PBO) Modul 9 berfokus pada pemahaman serta implementasi konsep <strong>Abstraksi</strong> dan <strong>Kelas Abstrak (Abstract Class)</strong> dalam bahasa pemrograman Java. Praktikum ini bertujuan agar dapat:</p><ol><li>Menjelaskan konsep abstraksi dan kelas abstrak dalam PBO.</li><li>Mengimplementasikan kelas abstrak ke dalam program Java secara tepat.</li></ol><h3>Alat dan Bahan</h3><ul><li>Laptop / Komputer</li><li>Apache NetBeans IDE</li></ul><h3>Dasar Teori</h3><h4>1. Abstraksi</h4><p>Abstraksi merupakan salah satu pilar utama Pemrograman Berorientasi Objek yang berfungsi untuk menyembunyikan detail kompleksitas implementasi internal dan hanya menampilkan fungsionalitas utama. Dengan abstraksi, fokus pengembangan terletak pada <em>apa yang dilakukan oleh objek</em>, bukan <em>bagaimana cara objek mengerjakannya</em>.</p><p>Sebagai gambaran, pada objek kendaraan, pengemudi cukup mengetahui cara mengoperasikan kemudi dan pedal tanpa harus memahami seluruh mekanisme internal mesin.</p><h4>2. Kelas Abstrak</h4><p>Kelas abstrak (abstract class) adalah kelas cetak biru (blueprint) yang tidak dapat diinstansiasi secara langsung menjadi objek. Karakteristik utama kelas abstrak meliputi:</p><ul><li><strong>Tidak dapat dibuat objeknya secara langsung</strong>: Pembuatan objek baru menggunakan new pada kelas abstrak akan menghasilkan error kompilasi.</li><li><strong>Kombinasi metode</strong>: Dapat memiliki metode abstrak (tanpa body/implementasi) maupun metode biasa (dengan implementasi).</li><li><strong>Kewajiban Subclass</strong>: Setiap kelas turunan (<em>subclass</em>) wajib melakukan <em>override</em> dan mengimplementasikan seluruh metode abstrak yang diwarisinya.</li></ul><h3>Langkah Praktikum: Studi Kasus Kendaraan</h3><h4>1. Persiapan Proyek</h4><ol><li>Buka aplikasi NetBeans IDE.</li><li>Buat proyek Java baru dengan nama PraktikumPBO_9.</li><li>Buat package baru di dalamnya dengan nama praktikum9.</li></ol><figure><img alt="" src="https://cdn-images-1.medium.com/max/427/1*G1zES9HnwKw2nXEuDSnfSg.png" /><figcaption><strong>DOKUMENTASI 1</strong>: Struktur direktori/project tree di NetBeans yang menampilkan package praktikum9 beserta berkas-berkas .java di dalamnya.</figcaption></figure><h4>2. Pembuatan Kelas Abstrak Kendaraan</h4><p>Buat berkas Kendaraan.java yang mendefinisikan kelas abstrak dengan metode abstrak berjalan() dan metode biasa info():</p><pre>package praktikum9;<br><br>// Definisi kelas abstrak<br>abstract class Kendaraan {<br>    // Metode abstrak (tanpa implementasi)<br>    abstract void berjalan();<br>    <br>    // Metode dengan implementasi<br>    void info() {<br>        System.out.println(&quot;Ini adalah kendaraan.&quot;);<br>    }<br>}</pre><h4>3. Pembuatan Kelas Turunan (Mobil dan Sepeda)</h4><p>Buat berkas Mobil.java dan Sepeda.java yang mewarisi kelas Kendaraan serta mengimplementasikan metode berjalan():</p><pre>package praktikum9;<br><br>// Kelas turunan Mobil<br>class Mobil extends Kendaraan {<br>    @Override<br>    void berjalan() {<br>        System.out.println(&quot;Mobil sedang berjalan dengan cepat.&quot;);<br>    }<br>}<br><br>// Kelas turunan Sepeda<br>class Sepeda extends Kendaraan {<br>    @Override<br>    void berjalan() {<br>        System.out.println(&quot;Sepeda sedang berjalan dengan pelan.&quot;);<br>    }<br>}</pre><h4>4. Pembuatan Main Class dan Pengujian</h4><p>Buat kelas utama Main.java untuk menguji kelas turunan yang telah dibuat:</p><pre>package praktikum9;<br><br>public class Main {<br>    public static void main(String[] args) {<br>        Kendaraan mobil = new Mobil();<br>        Kendaraan sepeda = new Sepeda();<br>        <br>        mobil.berjalan();<br>        mobil.info();<br>        <br>        sepeda.berjalan();<br>        sepeda.info();<br>    }<br>}</pre><figure><img alt="" src="https://cdn-images-1.medium.com/max/625/1*X87kwuu6zZIPQGQVgoB2mw.png" /><figcaption><strong>DOKUMENTASI 2</strong>: Sertakan screenshot jendela Output di NetBeans saat program Main.java berhasil dijalankan.</figcaption></figure><h4>5. Analisis Percobaan Instansiasi Langsung Kendaraan</h4><p>Pada modul praktikum diajukan pertanyaan: <em>“Cobalah untuk membuat objek lain dari kelas kendaraan, apakah bisa?”</em></p><p>Jika ditambahkan baris kode berikut pada metode main:</p><pre>Kendaraan k = new Kendaraan(); // Mencoba instansiasi kelas abstrak</pre><p><strong>Hasil Kompilasi:</strong></p><p>Program mengalami <strong>Compile-Time Error</strong>:</p><p>Kendaraan is abstract; cannot be instantiated</p><p><strong>Analisis:</strong></p><p>Hal ini membuktikan bahwa kelas abstrak tidak dapat diinstansiasi secara langsung. Kelas abstrak berisi metode yang belum memiliki implementasi (berjalan()), sehingga Java mewajibkan instansiasi dilakukan melalui kelas turunan konkretnya (Mobil atau Sepeda).</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*cM38v70cEbWfTg7cSgE9Nw.png" /><figcaption><strong>DOKUMENTASI 3</strong>: Pesan error dari NetBeans ketika mencoba mengetik/menjalankan kode new Kendaraan().</figcaption></figure><h3>Tugas Modul 9: Studi Kasus Suara Hewan</h3><h4>Deskripsi Tugas</h4><ol><li>Buat kelas abstrak Hewan dengan metode abstrak suara().</li><li>Buat dua kelas turunan, yaitu Kucing dan Anjing, yang mengimplementasikan metode suara() sesuai dengan karakteristik suara hewan tersebut.</li><li>Tampilkan output yang sesuai dengan ketentuan modul.</li></ol><h4>Kode Program</h4><ol><li>Hewan.java</li></ol><pre>package praktikum9;<br><br>// Kelas abstrak Hewan<br>abstract class Hewan {<br>    // Metode abstrak<br>    abstract void suara();<br>    <br>    // Metode dengan implementasi<br>    void info() {<br>        System.out.println(&quot;Ini adalah Hewan.&quot;);<br>    }<br>}</pre><p><strong>2</strong>. Kucing.java</p><pre>package praktikum9;<br><br>// Kelas turunan Kucing<br>class Kucing extends Hewan {<br>    @Override<br>    void suara() {<br>        System.out.println(&quot;Kucing mengeluarkan suara: Meong&quot;);<br>    }<br>}</pre><p><strong>3</strong>. Anjing.java</p><pre>package praktikum9;<br><br>// Kelas turunan Anjing<br>class Anjing extends Hewan {<br>    @Override<br>    void suara() {<br>        System.out.println(&quot;Anjing mengeluarkan suara: Guk Guk&quot;);<br>    }<br>}</pre><p>4. Main.java</p><pre>package praktikum9;<br><br>public class MainTugas {<br>    public static void main(String[] args) {<br>        Hewan kucing = new Kucing();<br>        Hewan anjing = new Anjing();<br>        <br>        kucing.suara();<br>        kucing.info();<br><br>        anjing.suara();<br>        anjing.info();<br>    }<br>}</pre><h4>Output Program</h4><p>Tampilan konsol saat MainTugas.java dijalankan:</p><pre>Kucing mengeluarkan suara: Meong<br>Ini adalah Hewan.<br>Anjing mengeluarkan suara: Guk Guk<br>Ini adalah Hewan.</pre><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*Dmd9c_kg7qLEjVy22sh0Qw.png" /><figcaption><strong>DOKUMENTASI 4</strong>: Hasil running program MainTugas.java pada jendela Output NetBeans yang menampilkan keluaran suara Kucing dan Anjing.</figcaption></figure><h3>Kesimpulan</h3><p>Melalui praktikum Modul 9 ini, dapat disimpulkan bahwa:</p><ol><li><strong>Abstraksi</strong> menyembunyikan detail kompleksitas program dan hanya mengekspos metode fungsional penting.</li><li>abstract class bertindak sebagai kontrak/cetak biru yang mewajibkan seluruh kelas turunan untuk mengimplementasikan metode abstrak yang diwarisi.</li><li>Kelas abstrak <strong>tidak dapat diinstansiasi secara langsung</strong>. Instansiasi harus menggunakan kelas turunan konkretnya yang telah mengimplementasikan seluruh metode abstrak tersebut.</li></ol><h3>REFERENSI</h3><p>Modul Praktikum Pemrograman Berorientasi Objek — 9: <em>Abstraksi dan Kelas Abstrak</em></p><img src="https://medium.com/_/stat?event=post.clientViewed&referrerSource=full_rss&postId=c1a214124f7b" width="1" height="1" alt="">]]></content:encoded>
        </item>
        <item>
            <title><![CDATA[Jaringan Komputer Pertemuan — 9: Implementasi Virtual Local Area Network (VLAN) Menggunakan Cisco…]]></title>
            <link>https://medium.com/@NoirNoum/jaringan-konputer-pertemuan-9-implementasi-virtual-local-area-network-vlan-menggunakan-cisco-40b5e5d5acc2?source=rss-d2f3b3f28737------2</link>
            <guid isPermaLink="false">https://medium.com/p/40b5e5d5acc2</guid>
            <dc:creator><![CDATA[Anjas Anjas Anjas]]></dc:creator>
            <pubDate>Wed, 28 Oct 2026 03:52:12 GMT</pubDate>
            <atom:updated>2026-10-28T04:00:37.650Z</atom:updated>
            <content:encoded><![CDATA[<h3>Jaringan Komputer Pertemuan — 9: Implementasi Virtual Local Area Network (VLAN) Menggunakan Cisco Packet Tracer</h3><figure><img alt="" src="https://cdn-images-1.medium.com/max/783/0*kgD2clwDS1chSs1B" /></figure><h3>Pendahuluan</h3><p>Perkembangan infrastruktur jaringan komputer pada skala organisasi modern menuntut efisiensi pengelolaan lalu lintas data serta keamanan antardepartemen. Penggunaan Local Area Network (LAN) tradisional sering kali menghadapi kendala akibat luasnya ruang lingkup <em>broadcast domain</em>. Setiap paket data yang dikirimkan secara <em>broadcast</em> akan diterima oleh seluruh perangkat dalam satu jaringan, yang berpotensi menurunkan kinerja jaringan dan menimbulkan celah keamanan.</p><p>Virtual Local Area Network (VLAN) hadir sebagai solusi untuk membagi satu jaringan fisik menjadi beberapa jaringan logis yang terisolasi. Dengan VLAN, pembatasan lalu lintas data tidak lagi terikat pada lokasi fisik perangkat, melainkan pada kelompok fungsional atau divisi. Penggunaan VLAN memberikan beberapa keuntungan utama, seperti fleksibilitas pengaturan segmen jaringan, kontrol lalu lintas data yang lebih ketat, peningkatan keamanan, serta penghematan biaya <em>bandwidth</em> dan infrastruktur.</p><p>Praktikum ini bertujuan untuk:</p><ol><li>Memahami konsep dasar, fungsi, dan mekanisme kerja VLAN pada jaringan komputer.</li><li>Mengimplementasikan konfigurasi VLAN berbasis port pada Cisco Switch menggunakan Cisco Packet Tracer.</li><li>Menganalisis perbedaan isolasi trafik data antar-VLAN berdasarkan hasil pengujian konektivitas (ping).</li></ol><h3>Metodologi</h3><h4>Alat dan Bahan</h4><p>Praktikum ini dilaksanakan menggunakan perangkat lunak dan lingkungan kerja berikut:</p><ol><li><strong>Cisco Packet Tracer</strong>: Digunakan untuk simulasi dan konfigurasi dasar VLAN pada perangkat Cisco Switch.</li><li><strong>Komputer / Laptop</strong>: Perangkat kerja utama untuk menjalankan lingkungan simulasi.</li></ol><h4>Prosedur Kerja</h4><ul><li><strong>Pembuatan Topologi</strong>: Membuat topologi jaringan yang terdiri dari 1 unit Cisco Switch (2960) dan 4 unit PC.</li><li><strong>Pengabelan</strong>: Menghubungkan setiap PC ke switch menggunakan kabel Straight-Through:</li></ul><ol><li>PC-PT-0 ke port FastEthernet 0/1</li><li>PC-PT-1 ke port FastEthernet 0/2</li><li>PC-PT-2 ke port FastEthernet 0/3</li><li>PC-PT-3 ke port FastEthernet 0/4</li></ol><ul><li><strong>Konfigurasi IP Address</strong>: Mengalokasikan IP Address statis pada masing-masing PC:</li></ul><ol><li>PC-PT-0: 192.168.61.0</li><li>PC-PT-1: 192.168.61.1</li><li>PC-PT-2: 192.168.61.10</li><li>PC-PT-3: 192.168.61.11</li></ol><ul><li><strong>Konfigurasi Switch via CLI</strong>:</li></ul><ol><li>Membuat ID VLAN 10 dengan nama vlan10.</li><li>Membuat ID VLAN 20 dengan nama vlan20.</li><li>Memasukkan port FastEthernet 0/1–0/2 ke dalam VLAN 10 dengan mode <em>access</em>.</li><li>Memasukkan port FastEthernet 0/3–0/4 ke dalam VLAN 20 dengan mode <em>access</em>.</li></ol><ul><li><strong>Verifikasi dan Pengujian</strong>:</li></ul><ol><li>Memeriksa tabel VLAN pada switch menggunakan perintah show vlan brief.</li><li>Melakukan pengujian konektivitas (ping) antar-PC dalam segmen VLAN yang sama dan antar-VLAN yang berbeda.</li></ol><h3>Hasil dan Analisis</h3><h4>1. Topologi Jaringan dan Alokasi IP Address</h4><p>Topologi fisik dibentuk dengan menghubungkan 4 unit PC ke 1 unit Cisco Switch. Setiap PC dikelompokkan ke dalam divisi kerja masing-masing.</p><p><strong>Tabel Alokasi Port dan IP Address</strong></p><pre>Nama Perangkat | Antarmuka Switch | IP Address  | Subnet Mask   | Kelompok VLAN  |  ID VLAN<br>===============================================================================================<br>PC-PT-0        | FastEthernet 0/1 | 10.10.61.0  | 255.255.255.0 | vlan10         |  10<br>PC-PT-1        | FastEthernet 0/2 | 10.10.61.1  | 255.255.255.0 | vlan10         |  10<br>PC-PT-2        | FastEthernet 0/3 | 20.20.61.10 | 255.255.255.0 | vlan20         |  20<br>PC-PT-3        | FastEthernet 0/4 | 20.20.61.11 | 255.255.255.0 | vlan20         |  20</pre><figure><img alt="" src="https://cdn-images-1.medium.com/max/826/1*yBM6wycqTWbFgZPiwtTgvA.png" /><figcaption><strong>DOKUMENTASI 1</strong>: Screenshot Topologi Jaringan di Cisco Packet Tracer</figcaption></figure><h4>2. Konfigurasi VLAN pada Cisco Switch</h4><p>Proses pembuatan VLAN dan pengalokasian port dilakukan melalui Command Line Interface (CLI) switch dengan perintah berikut:</p><pre>Switch# configure terminal<br>Switch(config)# vlan 10<br>Switch(config-vlan)# name FINANCE<br>Switch(config-vlan)# exit<br><br>Switch(config)# vlan 20<br>Switch(config-vlan)# name MANAGER<br>Switch(config-vlan)# exit<br><br>Switch(config)# interface range fa0/1 - 2<br>Switch(config-if-range)# switchport mode access<br>Switch(config-if-range)# switchport access vlan 10<br>Switch(config-if-range)# exit<br><br>Switch(config)# interface range fa0/3 - 4<br>Switch(config-if-range)# switchport mode access<br>Switch(config-if-range)# switchport access vlan 20<br>Switch(config-if-range)# exit</pre><p>Setelah konfigurasi diterapkan, verifikasi dilakukan dengan menjalankan perintah show vlan brief pada mode Privileged EXEC untuk memastikan port telah terdaftar pada VLAN yang tepat.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/927/1*1c2U9c_-y-C08grAZr6VJw.png" /><figcaption><strong>DOKUMENTASI 2</strong>: Screenshot Hasil Perintah show vlan brief</figcaption></figure><h4>3. Pengujian Konektivitas dan Analisis</h4><p>Pengujian dilakukan menggunakan perintah ping dari Command Prompt masing-masing PC untuk menguji isolasi trafik Layer 2.</p><p><strong>Tabel Hasil Pengujian Ping</strong></p><pre>Perangkat Asal | Perangkat Tujuan | IP Tujuan    | Status Ping       | Analisis / Keterangan<br>================================================================================================================<br>PC-PT-0        | PC-PT-1          | 10.10.61.1   | Reply             | Berada dalam segmen yang sama (VLAN 10)<br>PC-PT-0        | PC-PT-2          | 20.20.61.10  | Request Timed Out | Berbeda segmen VLAN (VLAN 10 vs VLAN 20)<br>PC-PT-2        | PC-PT-3          | 20.20.61.11  | Reply             | Berada dalam segmen yang sama (VLAN 20)<br>PC-PT-2        | PC-PT-1          | 10.10.61.1   | Request Timed Out | Berbeda segmen VLAN (VLAN 20 vs VLAN 10)</pre><figure><img alt="" src="https://cdn-images-1.medium.com/max/784/1*s7HgCDJdTME2WAyhiKY4lw.png" /><figcaption><strong>DOKUMENTASI 3</strong>: Screenshot Hasil Pengujian Ping di Command Prompt</figcaption></figure><p><strong>Analisis Hasil Pengujian:</strong></p><ol><li><strong>Komunikasi Intra-VLAN</strong>: Pengujian paket ping antar-PC dalam satu VLAN (misalnya PC-Finance-1 ke PC-Finance-2) menghasilkan <em>Reply</em>. Hal ini membuktikan bahwa port yang berada dalam ID VLAN yang sama berbagi <em>broadcast domain</em> logis yang sama, sehingga lalu lintas data dapat diteruskan secara langsung oleh switch.</li><li><strong>Isolasi Inter-VLAN</strong>: Pengujian paket ping antar-PC yang berada pada VLAN berbeda (misalnya PC-Finance-1 ke PC-Manager-1) menghasilkan <em>Request Timed Out</em>. Hal ini membuktikan bahwa switch secara tegas memblokir pengiriman frame Layer 2 antar-VLAN yang terpisah.</li><li><strong>Persyaratan Routing</strong>: Agar segmen VLAN 10 dan VLAN 20 dapat saling berkomunikasi di masa mendatang, diperlukan perangkat Layer 3 (seperti Router atau Switch Layer 3) yang dikonfigurasi dengan teknik <em>Inter-VLAN Routing</em> (seperti <em>Router-on-a-Stick</em> atau <em>Switch Virtual Interface</em>).</li></ol><h3>Kesimpulan</h3><p>Berdasarkan praktikum yang telah dilakukan pada Cisco Packet Tracer, dapat disimpulkan bahwa:</p><ol><li>Virtual Local Area Network (VLAN) berhasil membagi satu switch fisik menjadi beberapa <em>broadcast domain</em> logis yang terisolasi secara Layer 2.</li><li>Konfigurasi mode <em>access</em> pada port FastEthernet 0/1–0/2 (VLAN 10) dan FastEthernet 0/3–0/4 (VLAN 20) efektif membatasi lalu lintas data hanya pada masing-masing kelompok divisi.</li><li>Pengujian konektivitas membuktikan bahwa perangkat yang berada pada VLAN berbeda tidak dapat saling berkomunikasi secara langsung tanpa adanya proses <em>routing</em> tambahan, sehingga meningkatkan keamanan dan efisiensi jaringan.</li></ol><h3>REFERENSI</h3><ul><li>Modul Praktikum Jaringan Komputer — Pertemuan 9: <em>Virtual Local Area Network (VLAN).</em></li></ul><img src="https://medium.com/_/stat?event=post.clientViewed&referrerSource=full_rss&postId=40b5e5d5acc2" width="1" height="1" alt="">]]></content:encoded>
        </item>
        <item>
            <title><![CDATA[Big Data Week-7: Membangun Pipeline Big Data End-to-End dengan HDFS, PySpark, dan Parquet — Studi…]]></title>
            <link>https://medium.com/@NoirNoum/big-data-week-7-membangun-pipeline-big-data-end-to-end-dengan-hdfs-pyspark-dan-parquet-studi-808d1c7ca23d?source=rss-d2f3b3f28737------2</link>
            <guid isPermaLink="false">https://medium.com/p/808d1c7ca23d</guid>
            <dc:creator><![CDATA[Anjas Anjas Anjas]]></dc:creator>
            <pubDate>Fri, 09 Oct 2026 07:01:24 GMT</pubDate>
            <atom:updated>2026-10-09T07:01:24.702Z</atom:updated>
            <content:encoded><![CDATA[<h3>Big Data Week-7: Membangun Pipeline Big Data End-to-End dengan HDFS, PySpark, dan Parquet — Studi Kasus Analisis Penjualan Retail</h3><figure><img alt="" src="https://cdn-images-1.medium.com/max/678/0*0Jxy6jHhcYsOQjxE" /></figure><p>Dalam era <em>Data-Driven Decision Making</em>, pemrosesan data berskala besar tidak lagi cukup hanya mengandalkan <em>database</em> relasional konvensional atau pustaka analisis data tunggal di <em>local memory</em>. Ketika volume data transaksi mencapai jutaan baris dan tersebar di berbagai format data (CSV, JSON, RDBMS), kita memerlukan infrastruktur <strong>Big Data</strong> terintegrasi.</p><p>Pada Pertemuan 7 Praktikum Big Data ini, kita melakukan penggabungan seluruh materi yang telah dipelajari dari Pertemuan 3 hingga 6. Kita membangun sebuah <strong>Pipeline ETL (Extract, Transform, Load) End-to-End</strong> berbasis studi kasus dunia nyata: <strong>Laporan Kinerja Triwulan Jaringan Toko Retail</strong>.</p><h3>Arsitektur &amp; Teknologi yang Digunakan</h3><p>Pipeline yang kita bangun mengintegrasikan tiga pilar utama ekosistem Big Data:</p><ol><li><strong>HDFS (Hadoop Distributed File System):</strong> Bertindak sebagai <em>distributed storage</em> untuk menyimpan data mentah (<em>raw data</em>) serta data hasil olahan (<em>processed data</em>) dengan prinsip <em>fault tolerance.</em></li><li><strong>Apache Spark (PySpark):</strong> Mesin pemrosesan data terdistribusi berbasis <em>in-memory computation</em> yang mengeksekusi transformasi data, <em>join</em>, <em>window function</em>, hingga kueri SQL.</li><li><strong>Apache Parquet:</strong> Format penyimpanan <em>columnar storage</em> terkompresi yang diorganisir secara terpartisi (<em>partitioned</em>) untuk mengoptimalkan efisiensi pembacaan data.</li></ol><h3>Langkah 1: Persiapan SparkSession &amp; Pembuatan Dataset</h3><p>Langkah awal dimulai dengan menginisialisasi SparkSession sebagai pintu masuk (<em>entry point</em>) utama aplikasi PySpark, dilanjutkan dengan membuat tiga sumber data mentah yang berbeda format:</p><ul><li><strong>Data Toko (</strong><strong>data_toko.json):</strong> Tabel referensi lokasi toko dan manajer cabang.</li><li><strong>Data Produk (</strong><strong>data_produk.csv):</strong> Tabel master katalog produk, kategori, dan harga.</li><li><strong>Data Transaksi (</strong><strong>data_transaksi_triwulan.csv):</strong> Data transaksi berukuran besar.</li></ul><pre>from pyspark.sql import SparkSession<br>from pyspark.sql.functions import col, sum as spark_sum, avg, count, row_number<br>from pyspark.sql.window import Window<br>import numpy as np<br>import pandas as pd<br>import json<br><br># Inisialisasi SparkSession<br>spark = SparkSession.builder \<br>    .appName(&quot;Pertemuan7-StudiKasusTerintegrasi&quot;) \<br>    .master(&quot;local[*]&quot;) \<br>    .getOrCreate()<br>spark.sparkContext.setLogLevel(&quot;ERROR&quot;)<br><br>print(&quot;SparkSession berhasil diinisialisasi. Versi Spark:&quot;, spark.version)</pre><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*Sj1KUwgbrzCSOXKzs6mQNQ.png" /><figcaption><strong>DOKUMENTASI 1</strong>: Hasil implementasi kode di atas, di Jupyte Notebook.</figcaption></figure><figure><img alt="" src="https://cdn-images-1.medium.com/max/885/1*_YC_oOjQPJR3MqBW0P1YHA.png" /><figcaption><strong>DOKUMENTASI 2</strong>: Screenshot Inisialisasi SparkSession dan Output Kode Pembuatan File data_toko.json, data_produk.csv, dan data_transaksi_triwulan.csv.</figcaption></figure><h3>Langkah 2: Menyimpan Data Mentah ke HDFS</h3><p>Konsisten dengan praktik Big Data, seluruh data mentah diunggah ke dalam sistem berkas terdistribusi HDFS pada direktori /user/mahasiswa/pertemuan7/raw.</p><pre># Perintah CLI HDFS<br>!hdfs dfs -mkdir -p /user/mahasiswa/pertemuan7/raw<br>!hdfs dfs -put -f data_transaksi_triwulan.csv /user/mahasiswa/pertemuan7/raw/<br>!hdfs dfs -put -f data_toko.json /user/mahasiswa/pertemuan7/raw/<br>!hdfs dfs -put -f data_produk.csv /user/mahasiswa/pertemuan7/raw/<br>!hdfs dfs -ls /user/mahasiswa/pertemuan7/raw</pre><figure><img alt="" src="https://cdn-images-1.medium.com/max/1015/1*UWzmf8IHGCjKAncncW08Cw.png" /><figcaption><strong>DOKUMENTASI 3</strong>: Screenshot Terminal / Execution Cell Perintah HDFS (!hdfs dfs -ls /user/mahasiswa/pertemuan7/raw) yang Memperlihatkan Ketiga File Berhasil Diunggah.</figcaption></figure><h3>Langkah 3: Tahap EXTRACT — Membaca Data dari HDFS</h3><p>Data mentah dibaca langsung dari HDFS ke dalam bentuk Spark DataFrame. PySpark secara otomatis menyesuaikan skema data JSON dan melakukan inferensi skema (<em>inferSchema</em>) pada CSV.</p><pre>df_transaksi = spark.read.csv(<br>    &quot;hdfs://localhost:9000/user/mahasiswa/pertemuan7/raw/data_transaksi_triwulan.csv&quot;,<br>    header=True, inferSchema=True<br>)<br>df_toko = spark.read.json(&quot;hdfs://localhost:9000/user/mahasiswa/pertemuan7/raw/data_toko.json&quot;)<br>df_produk = spark.read.csv(<br>    &quot;hdfs://localhost:9000/user/mahasiswa/pertemuan7/raw/data_produk.csv&quot;,<br>    header=True, inferSchema=True<br>)<br><br>print(f&quot;Total Transaksi: {df_transaksi.count()} | Toko: {df_toko.count()} | Produk: {df_produk.count()}&quot;)</pre><figure><img alt="" src="https://cdn-images-1.medium.com/max/1005/1*QcuBWuUWYvBfHVrvVg5Asw.png" /><figcaption><strong>DOKUMENTASI 4</strong>: Screenshot Output Tahap Extract yang Menampilkan Jumlah Baris dari Ketiga Dataframe.</figcaption></figure><h3>Langkah 4: Tahap TRANSFORM — Analisis &amp; Pengolahan Data</h3><h4>4.1. Penggabungan Data (Join) &amp; Kalkulasi Pendapatan</h4><p>Ketiga DataFrame digabungkan menggunakan inner join berdasarkan kunci relasi toko_id dan product_id, kemudian ditambahkan kolom turunan total_penjualan (qty * harga).</p><pre>df_gabungan = df_transaksi.join(df_toko, on=&quot;toko_id&quot;, how=&quot;inner&quot;) \<br>                           .join(df_produk, on=&quot;product_id&quot;, how=&quot;inner&quot;)<br><br>df_gabungan = df_gabungan.withColumn(&quot;total_penjualan&quot;, col(&quot;qty&quot;) * col(&quot;harga&quot;))<br>df_gabungan.show(5)</pre><figure><img alt="" src="https://cdn-images-1.medium.com/max/873/1*C8QSZrYnbZXTG2OHwgdSvA.png" /><figcaption><strong>DOKUMENTASI 5</strong>: Screenshot Hasil df_gabungan.show(5) Menampilkan Schema Lengkap dan Kolom total_penjualan.</figcaption></figure><h4>4.2. Window Function — Top 3 Produk Terlaris per Toko</h4><p>Untuk menemukan produk unggulan di setiap cabang toko, kita memanfaatkan <strong>Window Function</strong> dengan mempartisi data berdasarkan nama_toko dan melakukan urutan (<em>ranking</em>) menggunakan row_number().</p><pre>ringkasan_produk_toko = df_gabungan.groupBy(&quot;nama_toko&quot;, &quot;nama_produk&quot;).agg(<br>    spark_sum(&quot;total_penjualan&quot;).alias(&quot;total_penjualan&quot;)<br>)<br><br># Menentukan Window Specification<br>window_toko = Window.partitionBy(&quot;nama_toko&quot;).orderBy(col(&quot;total_penjualan&quot;).desc())<br><br>top3_produk = ringkasan_produk_toko.withColumn(&quot;peringkat&quot;, row_number().over(window_toko)) \<br>                                    .filter(col(&quot;peringkat&quot;) &lt;= 3)<br><br>top3_produk.orderBy(&quot;nama_toko&quot;, &quot;peringkat&quot;).show(20)</pre><figure><img alt="" src="https://cdn-images-1.medium.com/max/1002/1*IabQDLRK7H-279E7QQJaeg.png" /><figcaption><strong>DOKUMENTASI 6</strong>: Screenshot Output Tabel Top-3 Produk Terlaris per Toko Menggunakan Window Function.</figcaption></figure><h4>4.3. Spark SQL — Kontribusi per Manajer Cabang</h4><p>Selain menggunakan DataFrame API, kita juga menggunakan <strong>Spark SQL murni</strong> dengan terlebih dahulu mereduksi DataFrame menjadi <em>Temporary View</em>.</p><pre>df_gabungan.createOrReplaceTempView(&quot;gabungan&quot;)<br><br>kontribusi_manager = spark.sql(&#39;&#39;&#39;<br>    SELECT kota, manager, SUM(total_penjualan) AS total_penjualan<br>    FROM gabungan<br>    GROUP BY kota, manager<br>    ORDER BY total_penjualan DESC<br>&#39;&#39;&#39;)<br>kontribusi_manager.show()</pre><figure><img alt="" src="https://cdn-images-1.medium.com/max/813/1*D_QDh0GQMjQgfCNnfjPosA.png" /><figcaption>DOKUMENTASI 7: Screenshot Hasil Eksekusi Kueri Spark SQL Kontribusi Manajer Cabang.</figcaption></figure><h3>Langkah 5: Tahap LOAD — Menyimpan Data Parquet Terpartisi ke HDFS</h3><p>Hasil akhir pengolahan disimpan kembali ke HDFS menggunakan format <strong>Parquet</strong> dengan strategi <em>partitioning</em> berdasarkan kategori_menu / kategori. Format Parquet menghemat ruang penyimpanan secara signifikan dan mempercepat <em>querying</em> di masa mendatang berkat teknik <em>column pruning</em>.</p><pre>!hdfs dfs -mkdir -p /user/mahasiswa/pertemuan7/processed<br><br>df_gabungan.write.mode(&quot;overwrite&quot;).partitionBy(&quot;kategori&quot;).parquet(<br>    &quot;hdfs://localhost:9000/user/mahasiswa/pertemuan7/processed/laporan_triwulan&quot;<br>)<br><br># Verifikasi struktur direktori terpartisi di HDFS<br>!hdfs dfs -ls /user/mahasiswa/pertemuan7/processed/laporan_triwulan</pre><figure><img alt="" src="https://cdn-images-1.medium.com/max/1006/1*bREk9yWKDC5htvc7tiSOrw.png" /><figcaption><strong>DOKUMENTASI 8</strong>: Screenshot Hasil Verifikasi HDFS yang Memperlihatkan Folder Parquet Terpartisi per Kategori (kategori=Elektronik, dll)</figcaption></figure><h3>Langkah 6: Verifikasi Akhir — Executive Summary</h3><p>Sebagai bentuk penyampaian laporan kepada manajemen, dibuat tabel ringkasan eksekutif (<em>Executive Summary</em>) yang menyajikan akumulasi total omset, jumlah transaksi, serta rata-rata nilai transaksi per toko.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/999/1*HcMz36X-7WkBJH_KWWQ1fA.png" /><figcaption><strong>DOKUMENTASI 9</strong>: Screenshot Output Ringkasan Eksekutif Akhir di Jupyter Notebook</figcaption></figure><h3>Penyelesaian Latihan Mandiri (Soal 1–4)</h3><h4>Soal 1: Kategori Produk dengan Total Qty Terbanyak (Spark SQL)</h4><blockquote><strong>Instruksi:</strong> Menggunakan Spark SQL, tampilkan kategori produk dengan total qty (jumlah unit terjual) tertinggi secara keseluruhan.</blockquote><pre># Mendaftarkan Temporary View untuk Spark SQL<br>df_gabungan.createOrReplaceTempView(&quot;gabungan&quot;)<br><br>soal1_df = spark.sql(&quot;&quot;&quot;<br>    SELECT kategori, SUM(qty) AS total_unit_terjual<br>    FROM gabungan<br>    GROUP BY kategori<br>    ORDER BY total_unit_terjual DESC<br>&quot;&quot;&quot;)<br><br>soal1_df.show()</pre><figure><img alt="" src="https://cdn-images-1.medium.com/max/999/1*RyGVvjbn71s-M_BcjXzBOg.png" /><figcaption><strong>DOKUMENTASI 10</strong>: Screenshot Hasil Eksekusi Kode Soal 1 (Spark SQL Kategori Produk Terlaris berdasarkan Qty).</figcaption></figure><h4>Soal 2: Toko Penjualan Tertinggi per Kategori (Window Function Top 1)</h4><blockquote><strong><em>Instruksi:</em></strong><em> Menggunakan window function, tentukan toko dengan penjualan tertinggi untuk masing-masing kategori produk (</em><em>row_number()).</em></blockquote><pre># 1. Agregasi total penjualan per kombinasi kategori dan toko<br>ringkasan_kategori_toko = df_gabungan.groupBy(&quot;kategori&quot;, &quot;nama_toko&quot;).agg(<br>    spark_sum(&quot;total_penjualan&quot;).alias(&quot;total_penjualan&quot;)<br>)<br><br># 2. Definisikan Window Partition berdasarkan kategori<br>window_kategori = Window.partitionBy(&quot;kategori&quot;).orderBy(col(&quot;total_penjualan&quot;).desc())<br><br># 3. Beri nomor urut dan ambil peringkat 1<br>top1_toko_per_kategori = ringkasan_kategori_toko.withColumn(&quot;peringkat&quot;, row_number().over(window_kategori)) \<br>                                                .filter(col(&quot;peringkat&quot;) == 1)<br><br>top1_toko_per_kategori.orderBy(&quot;kategori&quot;).show()</pre><figure><img alt="" src="https://cdn-images-1.medium.com/max/1017/1*624uLemexHkYyZ3iIR7Jjw.png" /><figcaption><strong>DOKUMENTASI 11</strong>: Screenshot Hasil Eksekusi Kode Soal 2 (Top-1 Toko per Kategori Produk dengan Window Function).</figcaption></figure><h4>Soal 3: Menyimpan Ringkasan Eksekutif ke HDFS tanpa Partisi</h4><blockquote><strong><em>Instruksi:</em></strong><em> Simpan hasil </em><em>ringkasan_eksekutif ke HDFS sebagai Parquet tanpa partisi pada path </em><em>/user/mahasiswa/latihan7/ringkasan_eksekutif.</em></blockquote><pre># Buat DataFrame ringkasan_eksekutif<br>ringkasan_eksekutif = df_gabungan.groupBy(&quot;nama_toko&quot;, &quot;kota&quot;, &quot;manager&quot;).agg(<br>    spark_sum(&quot;total_penjualan&quot;).alias(&quot;total_penjualan_triwulan&quot;),<br>    count(&quot;trx_id&quot;).alias(&quot;jumlah_transaksi&quot;),<br>    avg(&quot;total_penjualan&quot;).alias(&quot;rata_rata_nilai_transaksi&quot;)<br>).orderBy(col(&quot;total_penjualan_triwulan&quot;).desc())<br><br># Simpan ke HDFS dalam format Parquet tanpa partisi<br>path_latihan3 = &quot;hdfs://localhost:9000/user/mahasiswa/latihan7/ringkasan_eksekutif&quot;<br>ringkasan_eksekutif.write.mode(&quot;overwrite&quot;).parquet(path_latihan3)<br><br>print(&quot;Ringkasan Eksekutif Latihan 3 Berhasil Disimpan ke HDFS!&quot;)</pre><figure><img alt="" src="https://cdn-images-1.medium.com/max/1009/1*JdtSDueZBpb_2tzDZFZ8cg.png" /><figcaption><strong>DOKUMENTASI 12</strong>: Screenshot Hasil Eksekusi Kode Soal 3 dan Verifikasi Perintah !hdfs dfs -ls /user/mahasiswa/latihan7/ringkasan_eksekutif.</figcaption></figure><h4>Soal 4: Refleksi Menyeluruh Persiapan UTS</h4><blockquote><strong><em>Instruksi:</em></strong><em> Jelaskan dalam 4–5 kalimat bagaimana HDFS, Spark, dan format Parquet saling melengkapi dalam satu ekosistem Big Data.</em></blockquote><p><strong>Jawaban Refleksi:</strong></p><pre>Dalam ekosistem Big Data, HDFS bertindak sebagai fondasi distributed <br>storage yang mampu menyimpan kumpulan data mentah berukuran sangat besar <br>secara terdistribusi pada kluster dengan keandalan fault tolerance. <br>Apache Spark melengkapinya sebagai mesin pemrosesan utama yang memanfaatkan <br>komputasi in-memory processing untuk mengeksekusi transformasi data <br>(ETL, Join, Window Function) secara jauh lebih cepat dibanding komputasi <br>berbasis disk. Sementara itu, format Parquet menyempurnakan penyimpanan <br>melalui struktur columnar format terkompresi serta mendukung partitioning <br>yang menghemat memori dan mempercepat pembacaan data melalui teknik column <br>pruning dan predicate pushdown. Sinergi ketiganya menciptakan pipeline Big <br>Data yang andal: HDFS menjamin skala penyimpanan, Spark memberikan kecepatan <br>komputasi, dan Parquet mengoptimalkan I/O penyimpanan.</pre><h3>Penyelesaian Tugas Mandiri — “Kopi Nusantara”</h3><p>Berikut adalah penyelesaian lengkap Tugas Mandiri individu untuk skenario jaringan kedai kopi <strong>“Kopi Nusantara”</strong>.</p><h4>Kode Persiapan Dataset Tugas Mandiri</h4><pre>import numpy as np<br>import pandas as pd<br>import json<br><br>np.random.seed(123)<br><br># 1. Data Cabang (JSON)<br>cabang_list = [&quot;Kopi Nusantara Magelang&quot;, &quot;Kopi Nusantara Yogyakarta&quot;, &quot;Kopi Nusantara Semarang&quot;]<br>data_cabang = [<br>    {&quot;cabang_id&quot;: i + 1, &quot;nama_cabang&quot;: c, &quot;kota&quot;: c.split()[-1],<br>     &quot;kepala_barista&quot;: np.random.choice([&quot;Wulan&quot;, &quot;Reza&quot;, &quot;Nadia&quot;])}<br>    for i, c in enumerate(cabang_list)<br>]<br>with open(&quot;tugas7_cabang.json&quot;, &quot;w&quot;) as f:<br>    for c in data_cabang:<br>        f.write(json.dumps(c) + &quot;\n&quot;)<br><br># 2. Data Menu (CSV)<br>menu_list = [<br>    {&quot;menu_id&quot;: i, &quot;nama_menu&quot;: f&quot;Menu-{i}&quot;,<br>     &quot;kategori_menu&quot;: np.random.choice([&quot;Kopi&quot;, &quot;Non-Kopi&quot;, &quot;Makanan Ringan&quot;]),<br>     &quot;harga&quot;: int(np.random.choice([18000, 22000, 25000, 30000, 35000]))}<br>    for i in range(1, 16)<br>]<br>pd.DataFrame(menu_list).to_csv(&quot;tugas7_menu.csv&quot;, index=False)<br><br># 3. Data Transaksi (CSV)<br>n = 4000<br>data_transaksi_tugas7 = pd.DataFrame({<br>    &quot;trx_id&quot;: [f&quot;KN{i}&quot; for i in range(n)],<br>    &quot;cabang_id&quot;: np.random.randint(1, 4, size=n),<br>    &quot;menu_id&quot;: np.random.randint(1, 16, size=n),<br>    &quot;qty&quot;: np.random.randint(1, 5, size=n),<br>})<br>data_transaksi_tugas7.to_csv(&quot;tugas7_transaksi.csv&quot;, index=False)<br><br># Upload ke HDFS<br>!hdfs dfs -mkdir -p /user/mahasiswa/tugas7/raw<br>!hdfs dfs -put -f tugas7_transaksi.csv /user/aramsamsam/tugas7/raw/<br>!hdfs dfs -put -f tugas7_cabang.json /user/aramsamsam/tugas7/raw/<br>!hdfs dfs -put -f tugas7_menu.csv /user/aramsamsam/tugas7/raw/</pre><h4>Bagian A: EXTRACT</h4><blockquote><strong><em>Instruksi:</em></strong><em> Baca ketiga sumber data dari HDFS menjadi 3 Spark DataFrame.</em></blockquote><pre># Membaca data dari HDFS<br>df_transaksi_tugas = spark.read.csv(&quot;hdfs://localhost:9000/user/aramsamsam/tugas7/raw/tugas7_transaksi.csv&quot;, header=True, inferSchema=True)<br>df_cabang_tugas = spark.read.json(&quot;hdfs://localhost:9000/user/aramsamsam/tugas7/raw/tugas7_cabang.json&quot;)<br>df_menu_tugas = spark.read.csv(&quot;hdfs://localhost:9000/user/aramsamsam/tugas7/raw/tugas7_menu.csv&quot;, header=True, inferSchema=True)<br><br>print(&quot;Verifikasi Extract Tugas Mandiri:&quot;)<br>print(f&quot;Total Transaksi: {df_transaksi_tugas.count()} | Cabang: {df_cabang_tugas.count()} | Menu: {df_menu_tugas.count()}&quot;)</pre><figure><img alt="" src="https://cdn-images-1.medium.com/max/1002/1*VGVEvgRq92s5mX8FZ8OVBQ.png" /><figcaption><strong>DOKUMENTASI 13</strong>: Screnshot Output Extract Tugas Mandiri.</figcaption></figure><h4>Bagian B: TRANSFORM — Join &amp; Kolom Turunan</h4><blockquote><strong><em>Instruksi:</em></strong><em> Gabungkan ketiga tabel, tambahkan kolom </em><em>total_penjualan (</em><em>qty x harga).</em></blockquote><pre># Join ketiga DataFrame<br>df_gabungan_tugas = df_transaksi_tugas.join(df_cabang_tugas, on=&quot;cabang_id&quot;, how=&quot;inner&quot;) \<br>                                      .join(df_menu_tugas, on=&quot;menu_id&quot;, how=&quot;inner&quot;)<br><br># Menambahkan kolom total_penjualan<br>df_gabungan_tugas = df_gabungan_tugas.withColumn(&quot;total_penjualan&quot;, col(&quot;qty&quot;) * col(&quot;harga&quot;))<br>df_gabungan_tugas.show(5)</pre><figure><img alt="" src="https://cdn-images-1.medium.com/max/957/1*jMCSXz0jSjKUhRx-Ba7s5A.png" /><figcaption><strong>DOKUMENTASI 14</strong>: Screenshot Output Transfor — Join Dataframe (df_gabungan_tugas.show(5) ).</figcaption></figure><h4>Bagian C: TRANSFORM — Window Function</h4><blockquote><strong><em>Instruksi:</em></strong><em> Tentukan </em><strong><em>top-2 menu terlaris</em></strong><em> (berdasarkan </em><em>total_penjualan) di setiap cabang menggunakan </em><em>row_number().</em></blockquote><pre># 1. Agregasi total penjualan per kombinasi cabang dan menu<br>ringkasan_menu_cabang = df_gabungan_tugas.groupBy(&quot;nama_cabang&quot;, &quot;nama_menu&quot;).agg(<br>    spark_sum(&quot;total_penjualan&quot;).alias(&quot;total_penjualan&quot;)<br>)<br><br># 2. Window specification dipartisi per nama_cabang<br>window_cabang = Window.partitionBy(&quot;nama_cabang&quot;).orderBy(col(&quot;total_penjualan&quot;).desc())<br><br># 3. Filter top-2 menu<br>top2_menu_per_cabang = ringkasan_menu_cabang.withColumn(&quot;peringkat&quot;, row_number().over(window_cabang)) \<br>                                            .filter(col(&quot;peringkat&quot;) &lt;= 2)<br><br>top2_menu_per_cabang.orderBy(&quot;nama_cabang&quot;, &quot;peringkat&quot;).show()</pre><figure><img alt="" src="https://cdn-images-1.medium.com/max/811/1*28jdfiwjQBYwt_TFS8vLdw.png" /><figcaption><strong>DOKUMENTASI 15</strong>: Screenshot Output Top-2 Menu Terlaris per Cabang Kopi Nusantara (Window Function).</figcaption></figure><h4>Bagian D: TRANSFORM — Spark SQL</h4><blockquote><strong><em>Instruksi:</em></strong><em> Menggunakan Spark SQL murni, tampilkan total penjualan per </em><em>kepala_barista, diurutkan dari tertinggi.</em></blockquote><pre># Buat Temporary View<br>df_gabungan_tugas.createOrReplaceTempView(&quot;kopi_nusantara&quot;)<br><br># Kueri SQL Murni<br>barista_kontribusi = spark.sql(&quot;&quot;&quot;<br>    SELECT kepala_barista, SUM(total_penjualan) AS total_penjualan<br>    FROM kopi_nusantara<br>    GROUP BY kepala_barista<br>    ORDER BY total_penjualan DESC<br>&quot;&quot;&quot;)<br><br>barista_kontribusi.show()</pre><figure><img alt="" src="https://cdn-images-1.medium.com/max/709/1*1H12lSqP438kHMUQPexM5Q.png" /><figcaption><strong>DOKUMENTASI 16</strong>: Screenshot Output Spark SQL Kontribusi Penjualan per Kepala Barista.</figcaption></figure><h4>Bagian E: LOAD</h4><blockquote><strong><em>Instruksi:</em></strong><em> Simpan data gabungan ke HDFS sebagai Parquet dipartisi berdasarkan </em><em>kategori_menu di path </em><em>/user/[username]/tugas7/processed/laporan, lalu verifikasi dengan membaca kembali data tersebut.</em></blockquote><pre>output_path_tugas = &quot;hdfs://localhost:9000/user/aramsamsam/tugas7/processed/laporan&quot;<br><br># Write ke Parquet dengan partisi kategori_menu<br>df_gabungan_tugas.write.mode(&quot;overwrite&quot;).partitionBy(&quot;kategori_menu&quot;).parquet(output_path_tugas)<br><br># Verifikasi pembacaan kembali<br>df_verifikasi_tugas = spark.read.parquet(output_path_tugas)<br>print(&quot;Verifikasi Load Berhasil!&quot;)<br>print(&quot;Jumlah total baris yang dibaca dari Parquet:&quot;, df_verifikasi_tugas.count())</pre><figure><img alt="" src="https://cdn-images-1.medium.com/max/975/1*N0Zir0yBgiWDJ1JIVK1rhQ.png" /><figcaption><strong>DOKUMENTASI 17</strong>: Screenshot Hasil Verifikasi Load Parquet Terpartisi di HDFS untuk Tugas Mandiri.</figcaption></figure><h4>Bagian F: Ringkasan Eksekutif &amp; Rekomendasi Bisnis</h4><p><strong>Tabel Ringkasan Eksekutif</strong></p><pre>ringkasan_eksekutif_tugas = df_gabungan_tugas.groupBy(&quot;nama_cabang&quot;, &quot;kota&quot;, &quot;kepala_barista&quot;).agg(<br>    spark_sum(&quot;total_penjualan&quot;).alias(&quot;total_penjualan&quot;),<br>    count(&quot;trx_id&quot;).alias(&quot;jumlah_transaksi&quot;),<br>    avg(&quot;total_penjualan&quot;).alias(&quot;rata_rata_nilai_transaksi&quot;)<br>).orderBy(col(&quot;total_penjualan&quot;).desc())<br><br>ringkasan_eksekutif_tugas.show()</pre><p><strong>Narasi Rekomendasi Bisnis (&gt;120 Kata)</strong></p><blockquote><strong>Laporan Rekomendasi Bisnis dan Evaluasi Performa “Kopi Nusantara”</strong></blockquote><blockquote>Berdasarkan hasil analisis pipeline Big Data menggunakan PySpark, diperoleh gambaran komprehensif mengenai performa setiap cabang jaringan kedai <strong>Kopi Nusantara</strong>. Cabang dengan kinerja pendapatan terbaik diraih oleh <strong>Kopi Nusantara Semarang</strong> (atau cabang teratas pada tabel ringkasan), yang berhasil mencatatkan akumulasi omset dan rata-rata nilai transaksi tertinggi. Tingginya volume transaksi di cabang ini didorong oleh dominasi penjualan pada kategori minuman kopi utama serta efisiensi manajemen layanan dari Kepala Barista terkait.</blockquote><blockquote>Sebaliknya, cabang dengan kinerja paling lemah teridentifikasi pada cabang dengan total omset paling rendah. Guna meningkatkan omset cabang terlemah tersebut, manajemen disarankan untuk memfokuskan strategi pemasaran pada <strong>top-2 menu terlaris</strong> yang telah teridentifikasi pada analisis Window Function Bagian C. Menu-menu terfavorit tersebut terbukti memiliki minat pasar yang sangat kuat, sehingga skema promosi seperti paket <em>bundling</em> hemat (penggabungan minuman favorit dengan makanan ringan) serta kampanye promosi lokal akan sangat efektif untuk menarik pelanggan baru. Selain itu, perlu dilakukan program pertukaran atau pelatihan standar penyajian (<em>barista training</em>) bersama Kepala Barista dari cabang terbaik guna menjamin konsistensi kualitas produk dan kecepatan layanan di seluruh cabang Kopi Nusantara.</blockquote><figure><img alt="" src="https://cdn-images-1.medium.com/max/918/1*opLSbWmdldK2AbwPW0_6dQ.png" /><figcaption><strong>DOKUMENTASI 18</strong>: Screenshot Tabek Ringkasan Eksekutif Kopi Nusantara dan Narasi Rekomendasi Bisnis di Jupyter Notebook.</figcaption></figure><h3>Kesimpulan</h3><p>Praktikum Pertemuan 7 ini berhasil membuktikan keandalan integrasi <strong>HDFS, PySpark, dan Parquet</strong> dalam menangani studi kasus Big Data secara <em>end-to-end</em>. Dengan menggabungkan <em>distributed storage</em>, komputasi <em>in-memory</em>, <em>window ranking</em>, serta format terkompresi terpartisi, kita tidak hanya dapat mengolah jutaan baris data secara cepat, tetapi juga mampu memproduksi <em>Executive Summary</em> dan rekomendasi bisnis yang bernilai tinggi bagi manajemen.</p><h3>Referensi</h3><ul><li>Modul Praktikum Big Data Pertemuan 7 —<em> Studi Ksus Terintegrasi: Analisis Big Data End-to-End</em></li></ul><h3>Link GitHub Tugas 7</h3><ul><li><a href="https://github.com/aramsamsamo/Praktikum-Big-Data/blob/main/Tugas7_2505060061_Pardede%20Putra%20Anjasmara.ipynb">https://github.com/aramsamsamo/Praktikum-Big-Data/blob/main/Tugas7_2505060061_Pardede%20Putra%20Anjasmara.ipynb</a></li></ul><img src="https://medium.com/_/stat?event=post.clientViewed&referrerSource=full_rss&postId=808d1c7ca23d" width="1" height="1" alt="">]]></content:encoded>
        </item>
        <item>
            <title><![CDATA[Pra — Responsi Jaringan Komputer: Simulasi Arsitektur Jaringan Inside-Outside dan Konfigurasi NAT…]]></title>
            <link>https://medium.com/@NoirNoum/pra-responsi-jaringan-komputer-simulasi-arsitektur-jaringan-inside-outside-dan-konfigurasi-nat-0254248a43df?source=rss-d2f3b3f28737------2</link>
            <guid isPermaLink="false">https://medium.com/p/0254248a43df</guid>
            <dc:creator><![CDATA[Anjas Anjas Anjas]]></dc:creator>
            <pubDate>Wed, 07 Oct 2026 13:46:41 GMT</pubDate>
            <atom:updated>2026-10-07T13:46:41.136Z</atom:updated>
            <content:encoded><![CDATA[<h3>Pra — Responsi Jaringan Komputer: Simulasi Arsitektur Jaringan Inside-Outside dan Konfigurasi NAT Menggunakan Cisco Packet Tracer</h3><h3>Pendahuluan</h3><h4>Latar Belakang</h4><p>Dalam arsitektur jaringan komputer modern, pemisahan antara segmen jaringan lokal (<em>Inside</em>) dan jaringan luar/internet (<em>Outside</em>) merupakan standar keamanan dan manajemen jaringan. Jaringan <em>Inside</em> menggunakan pengalamatan IP Privat (seperti 192.168.x.x) yang tidak dapat dirouting langsung di jaringan internet publik. Sebaliknya, jaringan <em>Outside</em> beroperasi menggunakan alamat IP Publik.</p><p>Keterbatasan jumlah alokasi IPv4 menuntut penggunaan <strong>Network Address Translation (NAT)</strong>, khususnya teknik <em>Port Address Translation (PAT)</em> atau <em>NAT Overload</em>. Dengan NAT, seluruh perangkat pada segmen lokal dapat saling berkomunikasi dan mengakses sumber daya di internet (seperti Server Publik) hanya dengan menggunakan satu atau beberapa alamat IP Publik.</p><h4>Maksud dan Tujuan Praktikum</h4><p>Praktikum ini bertujuan untuk:</p><ol><li>Merancang dan membangun arsitektur jaringan <strong>Inside (Lokal)</strong> yang menghubungkan Router Utama (Gateway), Switch, Wireless Router (AP), serta <em>End Devices</em> (kabel dan nirkabel).</li><li>Merancang arsitektur jaringan <strong>Outside (Internet)</strong> yang terdiri dari Router ISP dan Server Publik.</li><li>Mengonfigurasi layanan <strong>DHCP Server</strong> untuk alokasi IP otomatis serta pengamanan nirkabel <strong>WPA2-PSK</strong> pada segmen <em>Inside</em>.</li><li>Mengimplementasikan fitur <strong>NAT Overload</strong> pada Router Utama agar perangkat <em>Inside</em> dapat terhubung ke Server Publik di jaringan <em>Outside</em>.</li></ol><h3>Metodologi</h3><h4>Perangkat dan Perangkat Lunak</h4><ul><li><strong>Software Simulasi:</strong> Cisco Packet Tracer</li><li><strong>Perangkat Jaringan yang Digunakan:</strong></li></ul><ol><li><strong>Router Utama &amp; Router ISP:</strong> 2x Router-PT / Cisco Router</li><li><strong>Switch:</strong> 1x Cisco Switch 2950–24</li><li><strong>Wireless Router:</strong> 1x Linksys WRT300N</li><li><strong>Server Publik:</strong> 1x Server-PT</li><li><strong>End Devices:</strong> PC, Laptop, Smartphone, Printer</li></ol><h4>Desain Topologi Jaringan</h4><p>Topologi dirancang menjadi dua wilayah utama:</p><ol><li><strong>Segmen Inside (Lokal):</strong> Menghubungkan Router Utama ke Switch, lalu dari Switch ke Wireless Router serta <em>end device</em> kabel. Perangkat nirkabel terhubung ke Wireless Router via Wi-Fi.</li><li><strong>Segmen Outside (Internet):</strong> Router ISP terhubung langsung ke Server Publik. Jalur antara Router Utama dan Router ISP dihubungkan menggunakan koneksi Serial WAN.</li></ol><figure><img alt="" src="https://cdn-images-1.medium.com/max/898/1*bs4QLzH-FIn40toob_ZD_A.png" /><figcaption><strong>GAMBAR 1</strong>: Sreenshot tampilan topologi jaringan di Cisco Packet Tracer secara utuh (memperlihatkan area Inside dan Outside dengan seluruh indikator port berwarna hijau).</figcaption></figure><h4>Skema Pengalamatan IP (IP Addressing Table)</h4><pre>Segemen  | Perangkat       | Interface       | IP Address/Subnet Mask | Peran / Keterangan<br>============================================================================================================<br>Outside  | Server Publik   | FastEthernet0   | 200.1.1.1 /24          | Web / DNS Server   <br>Outside  | Router2         | FastEthernet0/0 | 200.1.1.1 /24          | Gateway Server Publik   <br>Outside  | Router2         | Serial0/0/0     | 36.0.0.1 /8            | Link WAN ISP (IP Publik)   <br>Inside   | Router1         | Serial0/0/0     | 36.0.0.2 /8            | Interface NAT Outside   <br>Inside   | Router1         | FastEthernet0/0 | 192.168.61.2 /24       | Interface NAT Inside &amp; Gateway LAN   <br>Inside   | Wireless Router0| Internet / WAN  | DHCP / Static          | Access Point (WPA2-PSK)   <br>                                             | 192.168.61.1           |<br>Inside   | End Devices     | Cable / Wireless| DHCP                   | Laptop0, PC0, Printer0, Smartphone0   <br>                                             | (192.168.61.X /24)     |</pre><h4>Langkah Kerja Konfigurasi</h4><p><strong>A. Konfigurasi Router Utama (NAT &amp; DHCP Server)</strong></p><pre>Router&gt; enable<br>Router# configure terminal<br><br>! 1. Setting Interface LAN (NAT Inside)<br>Router(config)# interface FastEthernet0/0<br>Router(config-if)# ip address 192.168.61.1 255.255.255.0<br>Router(config-if)# ip nat inside<br>Router(config-if)# no shutdown<br>Router(config-if)# exit<br><br>! 2. Setting Interface WAN (NAT Outside)<br>Router(config)# interface Serial2/0<br>Router(config-if)# ip address 36.0.0.2 255.0.0.0<br>Router(config-if)# ip nat outside<br>Router(config-if)# no shutdown<br>Router(config-if)# exit<br><br>! 3. Konfigurasi Access List &amp; NAT Overload<br>Router(config)# access-list 1 permit 192.168.61.0 0.0.0.255<br>Router(config)# ip nat inside source list 1 interface Serial0/0/0 overload<br>Router(config)# ip route 0.0.0.0 0.0.0.0 192.168.1.1</pre><p><strong>B. Konfigurasi Router ISP (Outside)</strong></p><pre>Router&gt; enable<br>Router# configure terminal<br><br>Router(config)# interface Serial0/0/0<br>Router(config-if)# ip address 192.168.1.1 255.255.255.252<br>Router(config-if)# clock rate 64000<br>Router(config-if)# no shutdown<br>Router(config-if)# exit<br><br>Router(config)# interface FastEthernet0/0<br>Router(config-if)# ip address 10.10.10.1 255.255.255.0<br>Router(config-if)# no shutdown</pre><h3>Hasil dan Analisis</h3><h4>Verifikasi Fitur Inside (DHCP &amp; WPA2-PSK)</h4><p>Pada Wireless Router, dilakukan pengaturan SSID dan pengamanan nirkabel menggunakan <strong>WPA2-PSK (AES)</strong>. Perangkat nirkabel seperti Laptop dan Smartphone dapat terhubung setelah memasukkan passphrase yang sesuai.</p><p>Seluruh perangkat <em>client</em> diatur pada opsi <strong>DHCP Client</strong>. Hasil verifikasi menunjukkan perangkat berhasil memperoleh IP Address secara otomatis dalam rentang 192.168.61.X/24 dengan Default Gateway 192.168.61.1 dan DNS Server 200.1.1.10.</p><h4>Analisis Pengujian Konektivitas (Ping)</h4><p>Pengujian dilakukan dengan mengirimkan paket ICMP (Ping) dari perangkat <em>Inside</em> (Smartphone0/Laptop0) ke IP Server Publik (10.10.10.2) di segmen <em>Outside</em>.</p><pre>C:\&gt; ping 200.1.1.10<br><br>Pinging 200.1.1.10 with 32 bytes of data:<br>Reply from 200.1.1.10: bytes=32 time=2ms TTL=126<br>Reply from 200.1.1.10: bytes=32 time=1ms TTL=126<br>Reply from 200.1.1.10: bytes=32 time=1ms TTL=126<br>Reply from 200.1.1.10: bytes=32 time=1ms TTL=126<br><br>Ping statistics for 200.1.1.10:<br>    Packets: Sent = 4, Received = 4, Lost = 0 (0% loss),</pre><blockquote><strong>Analisis:</strong> Pengujian berhasil dengan <em>0% packet loss</em>. Hal ini membuktikan bahwa jalur pengerataan data dari segmen <em>Inside</em> melintasi Router Utama, melewati link WAN ke Router ISP, hingga mencapai Server Publik telah terhubung secara sempurna.</blockquote><h4>Analisis Tabel Translasi NAT (show ip nat translations)</h4><p>Untuk memverifikasi kerja fitur NAT, perintah show ip nat translations dijalankan pada Router Utama saat <em>client</em> melakukan komunikasi data ke luar network.</p><pre>Router1# show ip nat translations<br>Pro   inside global      inside local       outside local      outside global<br>icmp   36.0.0.2:1        192.168.61.4:1     200.1.1.10:1       200.1.1.10:1</pre><p><strong>Analisis Operasional NAT:</strong></p><ol><li><strong>Inside Local (</strong><strong>192.168.10.2):</strong> Alamat IP privat milik client di jaringan lokal.</li><li><strong>Inside Global (</strong><strong>192.168.1.2):</strong> Alamat IP publik pada interface WAN Router Utama yang digunakan untuk mewakili client saat berada di luar jaringan lokal.</li><li><strong>Outside Local &amp; Global (</strong><strong>10.10.10.2):</strong> Alamat IP tujuan di jaringan publik (Server0).</li></ol><p>Mekanisme NAT Overload memanfaatkan nomor port untuk membedakan sesi komunikasi dari setiap <em>client</em>, sehingga banyak perangkat <em>Inside</em> dapat berbagi satu IP Publik WAN secara bersamaan.</p><h3>Kesimpulan</h3><p>Berdasarkan praktikum simulasi arsitektur jaringan yang telah dilaksanakan, dapat disimpulkan bahwa:</p><ol><li>Pemisahan arsitektur jaringan <strong>Inside</strong> dan <strong>Outside</strong> berhasil diimplementasikan dengan struktur topologi yang rapi dan tersegmen.</li><li>Layanan <strong>DHCP</strong> berhasil mempermudah manajemen pengalamatan IP bagi <em>end device</em> secara dinamis, sementara pengamanan <strong>WPA2-PSK</strong> mengamankan titik akses nirkabel dari akses tanpa izin.</li><li>Fitur <strong>NAT Overload (PAT)</strong> pada Router Utama terbukti bekerja dengan baik dalam mentranslasikan IP Privat lokal (192.168.10.0/24) menjadi IP Publik (192.168.1.2), sehingga seluruh perangkat <em>Inside</em> dapat mengakses Server Publik di jaringan <em>Outside</em> secara aman dan efisien.</li></ol><h3>Referensi</h3><ul><li>MODUL Praktikum Jaringan Komputer Pertemuan 4 — <em>DHCP dan NAT</em></li><li>MODUL Praktikum Jaringan Komputer Pertemuan 5 — <em>Wireless Network</em></li></ul><img src="https://medium.com/_/stat?event=post.clientViewed&referrerSource=full_rss&postId=0254248a43df" width="1" height="1" alt="">]]></content:encoded>
        </item>
    </channel>
</rss>