<?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 Fahma Aulia Fadilla on Medium]]></title>
        <description><![CDATA[Stories by Fahma Aulia Fadilla on Medium]]></description>
        <link>https://medium.com/@fahma3703?source=rss-b31dc606a5d0------2</link>
        <image>
            <url>https://cdn-images-1.medium.com/fit/c/150/150/1*IexFqvZAovy48-pCuO-0wA.jpeg</url>
            <title>Stories by Fahma Aulia Fadilla on Medium</title>
            <link>https://medium.com/@fahma3703?source=rss-b31dc606a5d0------2</link>
        </image>
        <generator>Medium</generator>
        <lastBuildDate>Tue, 17 Nov 2026 05:44:45 GMT</lastBuildDate>
        <atom:link href="https://medium.com/@fahma3703/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[Jarkom Materi: Analisis Teknis Proses Pengiriman Data pada Aktivitas Upload File ke Google Drive…]]></title>
            <link>https://medium.com/@fahma3703/jarkom-materi-analisis-teknis-proses-pengiriman-data-pada-aktivitas-upload-file-ke-google-drive-2ce905c59602?source=rss-b31dc606a5d0------2</link>
            <guid isPermaLink="false">https://medium.com/p/2ce905c59602</guid>
            <dc:creator><![CDATA[Fahma Aulia Fadilla]]></dc:creator>
            <pubDate>Mon, 16 Nov 2026 09:44:49 GMT</pubDate>
            <atom:updated>2026-11-16T09:44:49.230Z</atom:updated>
            <content:encoded><![CDATA[<h3>Jarkom Materi: Analisis Teknis Proses Pengiriman Data pada Aktivitas Upload File ke Google Drive Berdasarkan Model OSI</h3><p>TUGAS KELOMPOK PENGGANTI KELAS JARINGAN KOMPUTER</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/879/1*YjEwLyAAt19ZN6UykY0yqQ.png" /></figure><p><strong>Nama Anggota:<br></strong>1. Ziffy Hilya (2505060008)<br>2. Fahma Aulia Fadilla (2505060015)</p><p>Pada blog kali ini, kami akan membahas salah satu materi pada materi jaringan komputer mengenai “ANALISIS PROTOKOL &amp; ALUR LAYER OSI PADA APLIKASI MODERN” dan disini kami memilih topik “Analisis Teknis Proses Pengiriman Data pada Aktivitas Upload File ke Google Drive Berdasarkan Model OSI”.</p><p><strong>A. Studi Kasus<br></strong>Aplikasi yang digunakan dalam analisis ini adalah Google Drive, yaitu layanan penyimpanan berbasis cloud yang memungkinkan pengguna menyimpan, mengelola, dan berbagi file secara online.</p><p>Fitur yang akan dianalisis adalah aktivitas mengunggah file (upload file) dari perangkat pengguna ke Google Drive. Proses ini dimulai ketika pengguna membuka Google Drive, memilih file dari perangkat, kemudian menekan tombol upload. Setelah itu, file dikirimkan melalui jaringan internet menuju server Google hingga proses pengunggahan selesai.</p><p>Dalam prosesnya, Google Drive menggunakan komunikasi berbasis HTTPS untuk menjaga keamanan pertukaran data. Google juga menyediakan metode resumable upload yang memungkinkan pengiriman file dapat dilanjutkan apabila terjadi gangguan koneksi.</p><p><strong>B. Service Name and Transport Protocol Port Number<br></strong>Dalam proses pengunggahan file di Google Drive, protokol utama yang digunakan adalah HTTP yang diamankan menggunakan TLS atau HTTPS. Protokol ini bertugas mengatur komunikasi antara perangkat pengguna dan server Google. Berikut merupakan protokol dan port yang digunakan :</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/802/0*mUti8Ce6rIDTs0Xk.png" /></figure><p>Berdasarkan standar IANA (Internet Assigned Numbers Authority), layanan HTTPS menggunakan port 443 pada TCP. IANA juga mendaftarkan HTTPS pada UDP port 443, yang dapat digunakan oleh HTTP/3 melalui QUIC. Namun, koneksi yang diamati pada perangkat dapat berbeda tergantung protokol yang digunakan browser. Dengan demikian, HTTPS melalui TCP port 443 merupakan jalur komunikasi yang dapat dijadikan acuan utama dalam analisis ini.</p><p><strong>C. Alur Kerja Tiap Layer OSI (Top-Down: Layer 7 ke Layer 1)<br></strong>Berikut merupakan proses pengiriman data saat pengguna mengunggah file ke Google Drive berdasarkan tujuh layer OSI.</p><p><strong>1. Layer 7 — Application<br></strong>Pada layer ini, pengguna berinteraksi langsung dengan aplikasi Google Drive melalui browser atau aplikasi. Pada saat pengguna memilih file dan menekan tombol upload, aplikasi membuat permintaan HTTP yang diamankan menggunkana TLS (HTTPS) Untuk mengirimkan file beserta informasi pendukungnya ke server Google.</p><p><strong>2. Layer 6 — Presentation<br></strong>Pada layer ini, data akan dipersiapkan agar dapat dipertukarkan dengan format yang sesuai. TLS digunakan untuk mengenkripsi komunikasi sehingga data yang dikirimkan terlindungi selama perjalanan melalui jaringan. Format file juga tetap dipertahankan sesuai jenis file yang akan diunggah.</p><p><strong>3. Layer 5 — Session<br></strong>Layer ini berperan dalam pengelolaan sesi komunikasi antara perangkat pengguna dan server. Sesi yang sudah terbentuk membantu mempertahankan komunikasi selama proses upload berlangsung. Pada mekanisme resumable upload, Google Drive juga menggunakan URI sesi agar proses pengiriman dapat dilanjutkan ketika terjadi gangguan. Mekanisme URI sesi pada resumable upload merupakan mekanisme pengelolaan sesi pada tingkat aplikasi dan bukan implementasi langsung Session Layer OSI. Namun, mekanisme tersebut dapat digunakan sebagai contoh pengelolaan kelanjutan sesi pengiriman data.</p><p><strong>4. Layer 4 — Transport<br></strong>Pada layer ini, pengiriman data dapat menggunakan protokol TCP dengan port tujuan 443 apabila koneksi menggunakan HTTPS melalui TCP. TCP memastikan data dikirim secara berurutan dan membantu menangani pengiriman ulang apabila terdapat data yang hilang selama proses transmisi. Apabila menggunakan HTTP/3, komunikasi dilakukan melalui QUIC dengan UDP port 443.</p><p><strong>5. Layer 3 — Network<br></strong>Data kemudian diberi alamat IP sumber dan tujuan agar dapat dikirimkan dari perangkat pengguna menuju server Google melalui jaringan internet. Router membantu menentukan jalur yang digunakan agar paket sampai ke tujuan.</p><p><strong>6. Layer 2 — Data Link<br></strong>Pada layer ini, paket data dari Network Layer dibungkus menjadi frame sebelum dikirim melalui jaringan lokal. Setiap frame memiliki informasi alamat MAC sumber dan alamat MAC tujuan yang digunakan untuk mengidentifikasi perangkat pada jaringan lokal.</p><p>Layer Data Link juga bertugas mengatur pengiriman frame melalui media jaringan serta mendeteksi kesalahan transmisi pada frame. Jika perangkat menggunakan Wi-Fi, frame dikirim melalui access point menuju jaringan berikutnya. Proses ini memungkinkan data diteruskan menuju tujuan melalui perangkat jaringan yang terhubung.</p><p><strong>7. Layer 1 — Physical</strong><br>Layer terakhir merupakan proses pengiriman data dalam bentuk sinyal fisik. Jika menggunakan Wi-Fi, data dikirim melalui gelombang radio, sedangkan jaringan kabel menggunakan sinyal listrik atau cahaya melalui media transmisi.</p><p>Setelah data sampai ke server Google, proses berlangsung secara terbalik hingga server memberikan respons kepada perangkat pengguna. Jika upload berhasil, Google Drive akan menampilkan file tersebut pada penyimpanan pengguna.</p><p><strong>D. Bukti Observasi Aplikasi dan pengecekan (web iana/netstat/dsb)<br>I. Developer Tools (Network)<br></strong>Untuk melakukan pengecekan dengab Developer Tools. Langkah pertama yang dilakuaan adalah dengan membuka Google Drive melalui Google Chrome.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*_jKFTA2g0McunsXH-6tLIQ.png" /></figure><p>Kemudian, tekan fn + F12 pada keboard kemudian pilih tab menu network.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/828/1*llgHABFxtXTH1uNcNdSVZg.png" /></figure><p>Selanjutnya, opsi Keep log diaktifkan agar daftar aktivitas jaringan tetap tersimpan selama proses pengamatan. Pada tahap ini, daftar request masih kosong karena proses pengunggahan file belum dilakukan.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/826/1*vbXDhdVpY7k74MgvR3guHQ.png" /></figure><p>Setelah persiapan selesai, pengguna dapat melanjutkan dengan memilih file yang akan diunggah ke Google Drive. Saat mengunggah file dama Gogle drive jangan tutup tab Networknya.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*9POAYkBa8XaldWqlUewJQQ.png" /></figure><p>Tampilan pada tab Network selama proses pengunggahan berlangsung, akan menampilkan berbagai aktivitas komunikasi antara komputer dan server Google Drive. Terlihat beberapa request, seperti items:list, items:get, dan items:upload dengan jenis request yang berbeda. Untuk mengamati proses pengunggahan file secara lebih spesifik, request items:upload dengan Type XHR dipilih, bukan yang bertipe preflight. Request tersebut kemudian digunakan untuk memeriksa detail komunikasi jaringan pada tahap berikutnya.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/826/1*nzZYYwwA7zc5khJcQDBrmg.png" /></figure><p>Setelah memilih request items:upload bertipe XHR pada tahap sebelumnya, selanjutnya tab Headers dibuka untuk melihat detail koneksi. Informasi yang ditampilkan meliputi Request URL, Request Method POST, Status Code 200 OK, dan Remote Address 74.125.200.95:443. Hasil tersebut menunjukkan bahwa request berhasil mendapatkan respons dari server Google Drive melalui port 443.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/829/1*GM6uE7MOOiH1dulKHyEBYA.png" /></figure><p><strong>II. Netstat (Koneksi Jaringan)<br></strong>Buka Google Drive melalui browser dan masuk ke akun masing-masing. Siapkan file yang akan diunggah, tetapi jangan mulai upload dahulu.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*_jKFTA2g0McunsXH-6tLIQ.png" /></figure><p>Buka CMD melalui pencarian Windows dengan mengetik CMD, kemudian tekan Enter.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*DKzv70aeSLq6oIbtChx-rQ.png" /></figure><p>Masukkan perintah netstat -ano 1 | findstr :443 dan tekan Enter untuk mulai memantau koneksi yang menggunakan port 443 secara berkala.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*qjlcap6NnnFC3UUxFBf7ZA.png" /></figure><p>Kembali ke halaman Google Drive, kemudian pilih file dan mulai proses upload. Biarkan CMD tetap berjalan selama proses pengunggahan berlangsung. Amati koneksi yang muncul pada CMD, terutama alamat IP tujuan, port, dan status koneksinya. Ambil screenshot sebagai bukti hasil pengamatan.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*SKhQxPhixXOHYgyI3t1PKw.png" /></figure><p>Setelah pengamatan selesai, tekan Ctrl + C pada CMD untuk menghentikan pemantauan.</p><p>penjelasan kode :<br><strong>a. TCP dan UDP</strong> menunjukkan protokol transport yang digunakan untuk komunikasi data melalui jaringan. TCP mendukung pengiriman data secara andal, sedangkan UDP dapat digunakan untuk komunikasi berbasis QUIC.<br><strong>b. 192.168.100.48</strong> merupakan alamat IP lokal komputer yang digunakan untuk melakukan pengamatan.<br><strong>c. Port sumber</strong>, seperti 49463, 52427, dan 54482, merupakan nomor port sementara yang digunakan komputer untuk membangun koneksi.<br><strong>d. Alamat IP tujuan</strong>, seperti 57.144.193.32 dan 104.18.39.21, menunjukkan alamat server tujuan yang dihubungi oleh komputer.<br><strong>e. Port 443</strong> merupakan port yang digunakan untuk layanan HTTPS, yaitu komunikasi web yang dilindungi menggunakan enkripsi TLS. Pada UDP port 443 juga dapat digunakan oleh QUIC.|<br><strong>f. ESTABLISHED</strong> menunjukkan bahwa koneksi TCP sedang aktif dan sudah terhubung dengan tujuan.<br><strong>g. TIME_WAIT</strong> menunjukkan bahwa koneksi TCP telah ditutup dan masih berada dalam masa tunggu sebelum status koneksinya dibersihkan.<br><strong>h. PID (Process ID)</strong> merupakan nomor identitas proses aplikasi yang menggunakan koneksi jaringan tersebut.</p><p><strong>III. NSLookup<br></strong>Buka CMD melalui pencarian Windows.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*DKzv70aeSLq6oIbtChx-rQ.png" /></figure><p>Ketik perintah nslookup drive.google.com, kemudian tekan Enter. Nantinya, CMD akan menampilkan informasi DNS Server dan alamat IP hasil penerjemahan domain drive.google.com.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/649/1*rYQYHMvC2uQAmQGyuQKJKA.png" /></figure><p>Pengujian NSLookup dilakukan untuk mengetahui alamat IP yang diperoleh dari penerjemahan nama domain drive.google.com melalui DNS. Hasil pengujian menampilkan informasi DNS Server serta alamat IP yang digunakan untuk mengakses layanan Google Drive.</p><p><strong>Catatan: </strong>IP yang muncul bisa lebih dari satu dan bisa berbeda dengan hasil Netstat. Itu normal karena keduanya melakukan pemeriksaan yang berbeda.</p><p><strong>Kesimpulan<br></strong>Berdasarkan hasil pengujian dan pengamatan yang telah dilakukan, proses upload file ke Google Drive melibatkan komunikasi jaringan yang menggunakan berbagai protokol. Melalui Developer Tools, dapat diamati aktivitas request antara browser dan server, sedangkan Netstat digunakan untuk melihat koneksi jaringan melalui alamat IP, port, dan status koneksi. Selain itu, NSLookup membantu mengetahui alamat IP dari proses penerjemahan nama domain melalui DNS. Dengan ketiga pengujian tersebut, proses komunikasi jaringan saat mengunggah file ke Google Drive dapat dipahami dengan lebih jelas berdasarkan fungsi masing-masing.</p><img src="https://medium.com/_/stat?event=post.clientViewed&referrerSource=full_rss&postId=2ce905c59602" width="1" height="1" alt="">]]></content:encoded>
        </item>
        <item>
            <title><![CDATA[Big Data : Machine Learning dengan Spark MLlib: Feature Engineering & Regresi.]]></title>
            <link>https://medium.com/@fahma3703/big-data-machine-learning-dengan-spark-mllib-feature-engineering-regresi-ac2aae88dba7?source=rss-b31dc606a5d0------2</link>
            <guid isPermaLink="false">https://medium.com/p/ac2aae88dba7</guid>
            <dc:creator><![CDATA[Fahma Aulia Fadilla]]></dc:creator>
            <pubDate>Sun, 15 Nov 2026 12:12:39 GMT</pubDate>
            <atom:updated>2026-11-15T12:12:39.933Z</atom:updated>
            <content:encoded><![CDATA[<p>Laporan Praktikum ke — 11</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/892/1*aJH4l91f89TJWg_0W4IsxQ.png" /></figure><p><strong>Tujuan Praktikum</strong><br>1. Bisa menjelaskan mengapa pemrosesan Machine Learning skala besar membutuhkan pendekatan berbeda dari scikit-learn biasa.<br>2. Mampu menyiapkan data (feature engineering) menggunakan StringIndexer dan VectorAssembler.<br>3. Dapat melatih model regresi linear menggunakan Spark MLlib.<br>4. Bisa mengevaluasi performa model regresi menggunakan RMSE dan R².</p><p><strong>Alat dan Bahan</strong><br>- Laptop<br>- Jupyter Notebook<br>- Hadoop<br>- Apache Spark / PySpark</p><p><strong>Dasar Teori<br>1. Machine Learning<br></strong>Machine Learning merupakan salah satu cabang dari kecerdasan buatan (Artificial Intelligence) yang memungkinkan komputer mempelajari pola dari data untuk menghasilkan prediksi atau keputusan tanpa harus diprogram secara khusus untuk setiap permasalahan. Dalam penerapannya, Machine Learning membutuhkan algoritma yang dapat mengolah data, mengenali pola, serta menghasilkan informasi berdasarkan data yang diberikan. Teknologi ini banyak digunakan dalam pengolahan data, klasifikasi, prediksi, dan analisis informasi.</p><p><strong>2. Scikit-learn<br></strong>Scikit-learn merupakan library Python yang digunakan untuk menerapkan berbagai algoritma Machine Learning, baik supervised learning maupun unsupervised learning. Library ini menyediakan berbagai metode untuk melakukan klasifikasi, regresi, clustering, dan pengolahan data. Menurut Pedregosa et al. (2011), Scikit-learn dirancang agar mudah digunakan, memiliki performa yang baik, serta menyediakan antarmuka pemrograman (API) yang konsisten. Dalam penggunaannya, data biasanya diolah menggunakan NumPy array atau Pandas DataFrame. Scikit-learn umumnya digunakan untuk pengolahan data berukuran kecil hingga menengah yang dapat dimuat ke dalam memori satu komputer.</p><p><strong>3. Apache Spark MLlib<br></strong>Apache Spark MLlib merupakan library Machine Learning yang terdapat dalam ekosistem Apache Spark. MLlib dirancang untuk melakukan pemrosesan dan analisis data dalam skala besar dengan memanfaatkan sistem komputasi terdistribusi. Menurut Meng et al. (2016), MLlib menyediakan berbagai algoritma Machine Learning serta mendukung pembuatan alur kerja pengolahan data secara menyeluruh. Berbeda dengan Scikit-learn, Spark MLlib dapat memproses data menggunakan banyak komputer yang saling terhubung dalam sebuah cluster. Struktur data yang digunakan antara lain Spark DataFrame dengan kolom fitur (<em>features</em>) yang direpresentasikan dalam bentuk Vector.</p><p><strong>4. Perbandingan Scikit-learn dan Spark MLlib<br></strong>Scikit-learn dan Spark MLlib sama-sama digunakan untuk pengembangan Machine Learning, tetapi memiliki perbedaan dalam pengolahan data dan kebutuhan komputasinya. Scikit-learn lebih sesuai digunakan pada satu komputer dengan data yang dapat dimuat ke dalam RAM, sedangkan Spark MLlib mendukung pengolahan data terdistribusi menggunakan banyak komputer sekaligus. Dari segi paralelisasi, Scikit-learn umumnya memanfaatkan beberapa core dalam satu mesin, sementara Spark MLlib dapat membagi pekerjaan ke beberapa mesin dalam cluster. Keduanya juga memiliki konsep API yang cukup mirip, seperti penggunaan fit() untuk melatih model. Namun, Scikit-learn menggunakan predict() untuk menghasilkan prediksi, sedangkan Spark MLlib menggunakan transform() untuk menerapkan model pada data. Oleh karena itu, pemilihan keduanya perlu disesuaikan dengan ukuran data dan kebutuhan pengolahan yang dilakukan.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*_90PZOAOjCj821Tgady7Tg.png" /></figure><p><strong>Metode dan Hasil Analisis<br>I. Metode</strong><br>Langkah pertama pada praktikum kali ini adalah dengan masuk keterminal, lalu tuliskan perintah conda activate bigadata untuk mrngaktifkan lingkungan big data lalu dilanjut dengan perintah cd dan jupyter notebook.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/1014/1*jG5WVx_8omhsYRD6zerCNw.png" /></figure><p>Nyalakan SparkSession untuk menjlanakan kode melakukan praktikum selanjutnya.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/637/1*mLkRqHHC90-LZPdKS8fLTg.png" /></figure><p>Kemudian buat dataset penjualan secara acak menggunakan Pandas dan NumPy sebanyak 2.000 baris. Data berisi jumlah barang terjual, harga, kategori produk, kota, rating, dan pendapatan. Selanjutnya, dataset dimasukkan ke Spark DataFrame menggunakan spark.createDataFrame(), kemudian ditampilkan lima data pertama dan dihitung jumlah keseluruhan barisnya untuk memastikan data berhasil dibuat.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/639/1*Ws1mMrE1W2BM9dYWDBy2fA.png" /></figure><figure><img alt="" src="https://cdn-images-1.medium.com/max/639/1*no1ABFliSlc0R5NaMlz2rg.png" /></figure><p>Gunakan StringIndexer untuk mengubah data kategori produk dan kota yang awalnya berbentuk teks menjadi angka atau indeks numerik. Proses dilakukan dengan fit() untuk mempelajari kategori yang tersedia, kemudian transform() untuk mengubahnya menjadi angka. Hasilnya ditampilkan sebanyak delapan baris untuk melihat perubahan data sebelum dan sesudah proses encoding</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/637/1*Mkq7UfxX8vjWIhfIcDI3eg.png" /></figure><p>Setelah data kategori dan kota diubah menjadi angka, tahap selanjutnya adalah menggabungkan seluruh kolom yang dibutuhkan menggunakan VectorAssembler. Kolom tersebut meliputi jumlah barang terjual, harga satuan, kategori, kota, dan rating. Hasil penggabungan disimpan dalam kolom features yang nantinya digunakan sebagai input untuk melatih model prediksi pendapatan.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/640/1*zPkUBQZTYw9_mppoXKooZg.png" /></figure><p>Setelah seluruh fitur berhasil digabungkan, dataset dibagi menjadi dua bagian menggunakan randomSplit dengan perbandingan 80% untuk training dan 20% untuk testing. Data training digunakan untuk proses pembelajaran model, sedangkan data testing disiapkan untuk menguji kemampuan model dalam melakukan prediksi. Dari hasil pembagian, diperoleh 1.608 data training dan 392 data testing.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/637/1*5fr4rFMqYwPP_mow8HcS5w.png" /></figure><p>Tahap berikutnya adalah membangun model prediksi menggunakan algoritma Linear Regression. Model dilatih menggunakan data training dengan fit(), berdasarkan kolom features sebagai input dan pendapatan sebagai target yang akan diprediksi. Hasilnya menunjukkan bahwa model berhasil dilatih dan menghasilkan nilai koefisien serta intercept sebagai bagian dari perhitungan model.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/648/1*U761pcWDMQUGaNqy8oFeHA.png" /></figure><p>Pada tahap ini, dilakukan proses prediksi menggunakan data pengujian dengan perintah model.transform(test). Hasil prediksi tersebut disimpan ke dalam variabel predictionos. Selanjutnya, perintah select() digunakan untuk memilih kolom yang akan ditampilkan, yaitu unit terjual, harga satuan, kategori, kota, pendapatan, dan hasil prediksi. Perintah show() digunakan untuk menampilkan hasilnya dalam bentuk tabel. Dari tabel tersebut, dapat dilihat perbandingan antara nilai pendapatan sebenarnya dengan nilai yang diperkirakan oleh model.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*zMWYD2JWWZEEzQF3gGdA0Q.png" /></figure><p>Pada tahap ini, dilakukan penampilan hasil evaluasi model menggunakan perintah print(). Hasil evaluasi menunjukkan nilai RMSE sebesar Rp184.363, yang berarti terdapat kesalahan prediksi dengan rata-rata besaran tersebut. Sementara itu, nilai R-Squared (R²) sebesar 0,8593 atau 85,9% menunjukkan bahwa model mampu menjelaskan variasi data pendapatan sebesar 85,9%. Hasil tersebut menunjukkan bahwa model regresi memiliki kemampuan yang cukup baik dalam memprediksi pendapatan berdasarkan data yang digunakan.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/633/1*JDxCCP6qA-D3M4Ink1QyYQ.png" /></figure><p>Tutup SparkSession setelah digunkan.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/640/1*w0WH8kmR27jY5VE-A-DGxg.png" /></figure><p><strong>II. Hasil dan Analisis<br></strong>Berdasarkan hasil evaluasi yang diperoleh, model regresi menghasilkan nilai RMSE sebesar Rp184.363 dan nilai R-Squared sebesar 0,8593 atau 85,9%. Nilai RMSE menunjukkan bahwa terdapat kesalahan prediksi dengan besaran sekitar Rp184.363. Sementara itu, nilai R-Squared menunjukkan bahwa model mampu menjelaskan 85,9% variasi pendapatan berdasarkan data yang digunakan, sedangkan 14,1% sisanya dipengaruhi oleh faktor lain yang belum dijelaskan oleh model. Dengan demikian, dapat disimpulkan bahwa model regresi memiliki kemampuan yang cukup baik dalam memprediksi pendapatan, meskipun masih terdapat selisih antara nilai prediksi dengan nilai sebenarnya.</p><p><strong>Latihan Mandiri<br></strong>Sebelum mengedjakan tugas, kita perlu menyalakan SparkSessionya terlebih dahulu.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/646/1*nZvjqws-pyDEKDSg1FAyLA.png" /></figure><p><strong>Soal 1.</strong> Ulangi proses StringIndexer untuk kolom kategori dan kota, lalu buat VectorAssembler <strong>baru</strong> yang HANYA menggunakan tiga fitur: unit_terjual, harga_satuan, dan rating (tanpa kategori_idx/kota_idx). Beri nama kolom hasil features_sederhana.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/637/1*PTdYiAGdH5_SSfsGC7zdVg.png" /></figure><figure><img alt="" src="https://cdn-images-1.medium.com/max/636/1*PB1Qn3o1D-8qgDtTNkcCaQ.png" /></figure><p>Di bagian ini, saya mengubah data kategori dan kota yang awalnya berbentuk teks menjadi angka menggunakan StringIndexer. Setelah itu, saya menggabungkan tiga fitur yang digunakan ke dalam satu kolom dengan VectorAssembler agar bisa diproses oleh model.</p><p><strong>Soal 2.</strong> Latih model LinearRegression baru menggunakan features_sederhana dari Soal 1 (gunakan train/test split yang sama, seed=42). Bandingkan nilai <strong>R²</strong> model ini dengan model utama pada Sub-bab 11.4 yang menggunakan 5 fitur — apakah performanya lebih baik, sama, atau lebih buruk?</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/639/1*-06sK8hvcCNh7YHJMI_Iuw.png" /></figure><figure><img alt="" src="https://cdn-images-1.medium.com/max/645/1*odnjM6_t8vSFtCgaczqKrg.png" /></figure><p>Pada bagian ini, saya membagi data menjadi 80% untuk training dan 20% untuk testing. Setelah model dilatih, saya menghitung nilai R² untuk melihat seberapa baik model memprediksi pendapatan, lalu membandingkannya dengan model utama.</p><p><strong>Soal 3.</strong> Menggunakan model utama (5 fitur) dari Sub-bab 11.4, tampilkan <strong>5 baris prediksi dengan selisih (</strong><strong>pendapatan - prediction) terbesar</strong> — yaitu prediksi yang paling meleset. (Petunjuk: tambahkan kolom baru berisi nilai absolut selisihnya, lalu urutkan.)</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/640/1*hYprsYVnicpedDPEtveONw.png" /></figure><figure><img alt="" src="https://cdn-images-1.medium.com/max/642/1*omJlA1wcXh4XQw3wW84Q1Q.png" /></figure><p>Di sini, saya mencari lima data yang memiliki selisih paling besar antara pendapatan sebenarnya dan hasil prediksi. Tujuannya supaya saya bisa mengetahui data mana yang paling sulit diprediksi oleh model.</p><p><strong>Soal 4 (Refleksi singkat).</strong> Dalam 2–3 kalimat: mengapa Spark MLlib mewajibkan kita menggabungkan seluruh fitur menjadi satu kolom Vector (melalui VectorAssembler), bukan menerima banyak kolom terpisah seperti kebiasaan di pandas/scikit-learn? Tulis jawaban pada markdown cell di bawah ini.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/643/1*o6IuuFUVS_HIYeNgkdWp_A.png" /></figure><p>Menurut saya, penggunaan Vector memudahkan Spark dalam menggabungkan beberapa fitur menjadi satu format yang bisa dibaca dan diproses oleh algoritma Machine Learning. Tutup sparksession setelah digunakn.</p><p><strong>Tugas Mandiri<br></strong>Buat dataset penjualan Kopi Nusantara sebanyak 2.500 data. Data tersebut berisi nama menu, cabang, waktu pemesanan, jumlah pesanan, dan harga satuan yang nantinya digunakan untuk memprediksi total penjualan.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/631/1*KvYE08mLZaQ2IalRAwKMGg.png" /></figure><figure><img alt="" src="https://cdn-images-1.medium.com/max/643/1*7rOOzL7_qAMUersdPn6kMA.png" /></figure><p>Buat dan nyalakan SparkSession sebagai tempat untuk menjalankan proses pengolahan data menggunakan PySpark. Setelah itu, dataset CSV dibaca agar bisa diproses lebih lanjut.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/642/1*C_KT-ESnElGDWIhlx5dm9g.png" /></figure><figure><img alt="" src="https://cdn-images-1.medium.com/max/606/1*rXFTegkV9H6wCyMITHUMxQ.png" /></figure><p><strong>A. Feature Engineering</strong> <em>(bobot 20%)<br></em>Gunakan StringIndexer untuk mengubah kolom nama_menu, cabang, dan waktu_pesan menjadi indeks numerik. Gabungkan seluruh fitur (qty, harga_satuan, dan ketiga kolom hasil indexing) menjadi satu kolom features menggunakan VectorAssembler.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/637/1*5aD7cRez8P90nwYTtD_Ngw.png" /></figure><figure><img alt="" src="https://cdn-images-1.medium.com/max/640/1*SzMHpB0Alg4RFDSFHOq_0g.png" /></figure><p>Ubah data berbentuk teks seperti nama menu, cabang, dan waktu pemesanan menjadi angka menggunakan StringIndexer. Kemudian, semua fitur digabungkan menggunakan VectorAssembler agar siap digunakan untuk pelatihan model.</p><p><strong>B. Train/Test Split &amp; Pelatihan Model</strong> <em>(bobot 20%)<br></em>Bagi data menjadi 75% training dan 25% testing (seed=101). Latih model LinearRegression dengan labelCol=&quot;total_penjualan&quot;.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/640/1*rgQEmNAj7pBTtC3TM6Y_6Q.png" /></figure><p>Bagi dataset menjadi 75% data training dan 25% data testing. Setelah itu, saya menggunakan Linear Regression untuk melatih model agar bisa mempelajari hubungan antara fitur penjualan dan total penjualan.</p><p><strong>C. Evaluasi Model</strong> <em>(bobot 20%)<br></em>Hitung dan tampilkan <strong>RMSE</strong> dan <strong>R²</strong> dari model pada data testing. Tulis 1–2 kalimat interpretasi: apakah model ini cukup baik untuk dipakai memprediksi omzet?</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/640/1*k0vy8HDwpbLPl3hryK4FLg.png" /></figure><p>Setelah model selesai dilatih, saya menguji hasil prediksinya menggunakan data testing. Saya menggunakan RMSE untuk melihat besar kesalahan prediksi dan R² untuk mengetahui seberapa baik model menjelaskan data penjualan.</p><p><strong>D. Eksperimen Perbandingan Fitur</strong> <em>(bobot 25%)<br></em>Latih <strong>model kedua</strong> yang HANYA menggunakan fitur qty dan harga_satuan (tanpa informasi menu/cabang/waktu). Bandingkan R² model kedua ini dengan model utama pada bagian C. Tulis kesimpulan: apakah menambahkan informasi menu/cabang/waktu benar-benar meningkatkan akurasi prediksi secara berarti?</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/637/1*B2_U2FIBCKNRx4jb5IaQxA.png" /></figure><figure><img alt="" src="https://cdn-images-1.medium.com/max/642/1*-1RqVjQUkCvnGiZw_TCgzA.png" /></figure><p>Buat model kedua yang hanya menggunakan fitur jumlah pesanan dan harga satuan. Kemudian, hasil R² dari kedua model dibandingkan untuk melihat apakah penambahan fitur menu, cabang, dan waktu pemesanan berpengaruh terhadap hasil prediksi.</p><p><strong>E. Prediksi Skenario Baru</strong> <em>(bobot 15%)<br></em>Buat sebuah DataFrame baru berisi <strong>3 skenario pesanan (data dummy)</strong> (boleh bebas kombinasi menu/cabang/waktu/qty/harga, namun harus melalui tahapan StringIndexer dan VectorAssembler yang sama seperti data training — perhatikan: gunakan model StringIndexer yang <strong>sama</strong> yang sudah di-fit() sebelumnya, jangan membuat StringIndexer baru). Tampilkan hasil prediksi total_penjualan untuk ketiga skenario tersebut.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/634/1*ja9uTuct6MS7n7lzbOWNWQ.png" /></figure><figure><img alt="" src="https://cdn-images-1.medium.com/max/643/1*z1tRGwIgE0C-oRolS5Euvg.png" /></figure><p>Di tahap terakhir, saya membuat tiga contoh pesanan baru dengan kombinasi menu dan cabang yang berbeda. Data tersebut diproses menggunakan model yang sudah dibuat sebelumnya untuk mendapatkan perkiraan total penjualannya.</p><p><strong>Explorasi<br></strong>Kode ini digunakan untuk mengevaluasi hasil prediksi penjualan dengan menghitung selisih antara nilai aktual dan hasil prediksi (residual), kemudian menentukan nilai kesalahan absolut. Selanjutnya, ditampilkan 10 data dengan kesalahan terbesar dan divisualisasikan menggunakan scatter plot. Terakhir, dihitung rata-rata kesalahan absolut (MAE) untuk mengetahui tingkat kesalahan model dalam memprediksi penjualan, dengan hasil sebesar Rp8.733,63.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/640/1*tYptv8AI9PH16rz8VwZuig.png" /></figure><figure><img alt="" src="https://cdn-images-1.medium.com/max/636/1*_x8ZtG5pf5PbhtiP4Dm9Uw.png" /></figure><figure><img alt="" src="https://cdn-images-1.medium.com/max/640/1*h_1TnjoJBr8Ax_8Yt1Ng9g.png" /></figure><p>Tutup SparkSession setelah melakukan praktikum.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/640/1*RbHqQKphynFiuXZxkp1RNA.png" /></figure><p><strong>Kesimpulan <br></strong>Berdasarkan praktikum Big Data Pertemuan 11, dapat disimpulkan bahwa Apache Spark MLlib dapat digunakan untuk membangun model Machine Learning dalam mengolah data dan melakukan prediksi. Melalui tahapan Feature Engineering, data kategorikal dapat diubah menjadi numerik dan digabungkan menggunakan VectorAssembler agar dapat diproses oleh model. Selanjutnya, metode Regresi Linear digunakan untuk memprediksi nilai penjualan berdasarkan fitur yang tersedia. Performa model dievaluasi menggunakan RMSE dan R² untuk mengetahui tingkat kesalahan dan kemampuan model dalam menghasilkan prediksi. Dengan praktikum ini, mahasiswa dapat memahami proses pembuatan, pengujian, dan evaluasi model Machine Learning menggunakan PySpark.</p><p><strong>Github</strong></p><ul><li><strong>Praktikum</strong></li></ul><p><a href="https://github.com/fahmaauliafadilla/Big-Data/blob/main/Modul_Praktikum_BigData_Pertemuan11.ipynb">Big-Data/Modul_Praktikum_BigData_Pertemuan11.ipynb at main · fahmaauliafadilla/Big-Data</a></p><ul><li><strong>Tugas</strong></li></ul><p><a href="https://github.com/fahmaauliafadilla/Big-Data/blob/main/Tugas11_2505060015_Fahma_Aulia_Fadilla.ipynb">Big-Data/Tugas11_2505060015_Fahma_Aulia_Fadilla.ipynb at main · fahmaauliafadilla/Big-Data</a></p><p><strong>Referensi</strong></p><ul><li>Apache Software Foundation. (2025). MLlib: Main Guide. Apache Spark Documentation.<a href="https://spark.apache.org/docs/latest/ml-guide.html?utm_source">https://spark.apache.org/docs/latest/ml-guide.html?utm_source</a></li><li>Modul Big data Pertemuan 11. Machine Learning dengan Spark MLlib: Feature Engineering &amp; Regresi.</li></ul><img src="https://medium.com/_/stat?event=post.clientViewed&referrerSource=full_rss&postId=ac2aae88dba7" width="1" height="1" alt="">]]></content:encoded>
        </item>
        <item>
            <title><![CDATA[JARKOM : DHCP Server & Client]]></title>
            <link>https://medium.com/@fahma3703/jarkom-dhcp-server-client-bd835a152fa0?source=rss-b31dc606a5d0------2</link>
            <guid isPermaLink="false">https://medium.com/p/bd835a152fa0</guid>
            <dc:creator><![CDATA[Fahma Aulia Fadilla]]></dc:creator>
            <pubDate>Tue, 10 Nov 2026 06:47:24 GMT</pubDate>
            <atom:updated>2026-11-10T06:47:24.324Z</atom:updated>
            <content:encoded><![CDATA[<p>Laporan Praktium ke — 11</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*-Z9IwXH5suSo4yQWrKoGQQ.jpeg" /></figure><p><strong>Nama Anggota:<br>1. </strong>Bunga Talenta Cindikia (2505060007)<br>2. Ziffy Hilya (2505060008)<br>3. Fahma Aulia Fadilla (2505060015)</p><p>Perkenalkan, kami dari kelompok DHCP Server &amp; Client mahasiswi prodi S1 Teknologi Informasi, Universitas Tidar. Pada pertemuan ke-sebelas mata kuliah praktikum Jaringan Komputer ini kami akan mempraktikan DHCP Server &amp; Client.</p><p><strong>Tujuan Praktikum:<br>1. </strong>Menjelaskan konsep dasar dan fungsi DHCP (Dynamic Host Configuration Protocol) dalam jaringan komputer.<br>2. Mengkonfigurasi DHCP Server pada Mikrotik RB951 menggunakan aplikasi Winbox.<br>3. Menghubungkan dan menguji perangkat klien (PC) agar memperoleh IP Address secara otomatis dari DHCP Server Mikrotik.<br>4. Menganalisis hasil konfigurasi dan memecahkan masalah terkait pembagian IP otomatis dalam jaringan lokal.<br>5. Menunjukkan sikap teliti, disiplin, dan bertanggung jawab dalam pelaksanaan konfigurasi jaringan.</p><p><strong>Alat dan Bahan:<br></strong>1. Kabel UTP<br>2. Aplikasi Winbox<br>3. Router Mikrotik RB951 P<br>4. Power Adapter Mikrotik Menyediakan suplai daya ke router Mikrotik RB951. Biasanya menggunakan tegangan 12V DC 1–2A.<br>5. Laptop/PC</p><p><strong>Dasar Teori<br>I. Pengertian DHCP<br></strong>Dynamic Host Configuration Protocol (DHCP) merupakan protokol jaringan yang digunakan untuk mendistribusikan alamat IP dan konfigurasi jaringan lain secara otomatis kepada setiap perangkat yang terhubung ke jaringan. Protokol ini bekerja menggunakan model client server, di mana DHCP Server menyediakan informasi jaringan, dan DHCP Client akan meminta dan menerima konfigurasi.</p><p>Dengan menggunakan DHCP, administrator tidak perlu. melakukan pengaturan IP secara manual pada setiap perangkat. Semua pengalamatan. seperti IP address, subnet mask, default gateway, DNS server, dan parameter jaringan lainnya dapat diberikan secara otomatis begitu perangkat tersambung ke jaringan. Hal ini sangat efektif, terutama untuk jaringan dengan banyak perangkat, seperti di sekolah, kantor, laboratorium komputer, atau perusahaan.</p><p>II. <strong>Fungsi DHCP<br></strong>DHCP memiliki beberapa fungsi sebagai berikut:<br>1. <strong>Otomatisasi Alokasi IP :</strong> DHCP secara dinamis menghubungkan setiap perangkat klien yang terhubung.<br>2. <strong>Menghindari konflik IP </strong>: Karena IP diberikan secara terpusat oleh server, jadi tidak ada dua perangkat yang memiliki IP address yang sama.<br>3. <strong>Manajemen Terpusat</strong> : Administrator dapat dengan mudah mengubah / memperbarui konfigurasi jaringan dari satu titik/server<br>4. <strong>Efisiensi </strong>: DHCP mendukung perubahan jumlah perangkat dalam jaringan tanpa perlu konfigurasi manual.</p><p><strong>Arsitektur DHCP<br>DHCP terdiri dari 2 komponen utama :<br></strong>1. <strong>DHCP server </strong>: Perangkat yang menyediakan layanan DHCP untuk mendistribusi alamat IP dan parameter jaringan untuk klien.<br>2. <strong>DHCP Client</strong> : Perangkat pengguna yang meminta alamat IP dari DHCP server.<br>3. <strong>Parameter konfigurasi DHCP<br></strong>Untuk parameter dalam konfigurasi DHCP nya sebagai berikut :</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*bGVgPnoZGFAteVQtpCpS-A.png" /></figure><p><strong>Metode dan Hasil Analisis<br>I. Metode<br></strong>Langkah pertama, siapkan laptop atau PC yang sudah terinstal aplikasi WinBox. Selanjutnya, siapkan perangkat dan penyusun topologi (MikroTik RB951, adaptor daya, dan kabel UTP). Setelah semua perangkat tersedia, hubungkan port Ether 1 pada MikroTik dengan kabel modem/internet dan port Ether 2 pada MikroTik dihubungkan dengan laptop/pc.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/400/1*Ka_yu-y22FpVksnv4S8QHw.png" /></figure><p>Selanjutnya, buka aplikasi WinBox pada laptop. Aplikasi WinBox akan menampilkan daftar perangkat MikroTik yang terdeteksi secara otomatis melalui MAC Address (jangan lupa di refersh dulu) . Pilih perangkat MikroTik yang ingin digunakan dan login dengan mengetikkan <strong>“admin” </strong>sesuai arahan modul, kemudian klik tombol Connect untuk mulai mengakses dan melakukan konfigurasi router.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*8dmpj97VNEODsW3-p9Ioig.png" /></figure><p>Sebelum konfigurasi dilakukan, MikroTik di-reset terlebih dahulu agar pengaturan lama terhapus dan perangkat kembali ke kondisi awal. Setelah itu, masuk ke menu System → Users untuk membuat akun penguna baru dengan mengisi nama penguna dan memilih grub (full).Setelah data diisi, klik Apply dan Ok agar akun baru tersimpan.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*q9RCrbEJj_BSna7WaSWJUg.png" /></figure><p>Langkah berikutnya pilih menu IP → DHCP Client.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/378/1*L3i97QLNfRGeAVsW0FtkTg.png" /></figure><p>Masuk ke menu IP → DHCP Client untuk menambahkan DHCP Client pada interface ether1. Opsi Use Peer DNS dan Use Peer NTP dicentang, sedangkan Add Default Route diatur menjadi yes.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*dD9jFrzFdoNfWMlhtvMPyg.png" /></figure><p>Kemudian, klik menu Status untuk melakukan konfigurasi penambahan IP Address. Alamat IP diisi dengan 192.168.20.1/24, Network 192.168.20.0, dan Interface ether2. Pengaturan ini bertujuan menjadikan ether2 sebagai jalur jaringan lokal yang terhubung ke PC.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*UnOwIrjmAVD-o8dFF16IeA.png" /></figure><p>Berikutnya pilih menu IP → DHCP Server dan pilih fitur DHCP Setup. Pada tahap awal, interface ether2 dipilih sebagai DHCP Server Interface, lalu klik Next untuk melanjutkan pengaturan.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*tbV4Q9WwhaZ98wq797RbDg.png" /></figure><p>Setelah memilih interface ether2, klik Next hingga muncul tampilan pengaturan DHCP Address Space. Pada bagian ini terlihat alamat jaringan 192.168.20.0/24, kemudian klik Next.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/562/1*2RNPuk4GNWqovjriOf-goA.jpeg" /></figure><p>Selanjutnya, muncul pengaturan Gateway for DHCP Network dengan alamat 192.168.20.1. Klik Next untuk melanjutkan.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/562/1*xmVTbNOeTyRVXj6nGA46DQ.jpeg" /></figure><p>Pada tampilan berikutnya, terlihat rentang alamat IP 192.168.20.2–192.168.20.254. Kemudian klik Next.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/565/1*HhgeACzre1iH-rP0x2fSqg.jpeg" /></figure><p>Selanjutnya, muncul pengaturan DNS Server dengan alamat 103.108.191.111 dan 103.108.191.112. Klik Next.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/565/1*xylMY5Z0kzIRE6g06rrb-g.jpeg" /></figure><p>Pada tahap terakhir pengaturan, terlihat Lease Time sebesar 00:10:00 atau 10 menit. Kemudian klik Next hingga proses DHCP Setup selesai.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/565/1*UTR7ryQV7RmK-K7XUA7grQ.jpeg" /></figure><p>Setelah itu, buka menu control panel pada Laptop lalu pilih opsi Network and Internet.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*1aXVBYnn-G2pEm2tDL04SQ.jpeg" /></figure><p>Kemudian, klik Change adapter setting untuk menampilkan daftar adapter jaringan yang tersedia pada Laptop.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*8_L4sOrltHGMkNrWr84NpA.jpeg" /></figure><p>Pada daftar jaringan, klik kana pada Etherner 2, kemudian pilih Properties untuk membuka pengaturan koneksi Ethernet 2. Selanjutnya, klik poperties dan pilih Internet Protocol Version 4 (TCP/IPv4) untuk mengatur alamat IP dan DNS.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*QJd_UJv3QHk86AtuipsuRA.jpeg" /></figure><p>Pada jendela pengaturan IPv4, pilih Obtain an IP address automatically dan Obtain DNS server address automatically. Setelah itu, klik OK agar PC dapat menerima alamat IP dan DNS secara otomatis dari DHCP Server MikroTik</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/488/1*o1dCncQMe15nwxUrQH3Xow.jpeg" /></figure><p>Berikutnya, buka Command Prompt (CMD), kemudian ketik perintah ipconfig untuk memeriksa alamat IP yang diterima PC. Berdasarkan hasil pengujian, PC memperoleh alamat IP 192.168.20.254 dengan Default Gateway 192.168.20.1.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*H905c4YJ-KisvzDBoKRfyg.jpeg" /></figure><p>Setelah alamat IP berhasil diperoleh, lakukan pengujian koneksi menggunakan perintah ping pada CMD. Pengujian ini dilakukan untuk mengetahui apakah PC sudah dapat berkomunikasi dengan perangkat tujuan melalui jaringan yang telah dikonfigurasi.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*ukLTXmQRf0uxakkkVG_QIQ.jpeg" /></figure><p>Setelah pengujian koneksi, buka Winbox dan pilih menu IP → DHCP Server → Leases. Pada tampilan ini, terlihat daftar perangkat yang telah mendapatkan alamat IP dari DHCP Server, termasuk IP Address dan MAC Address perangkat. Pemeriksaan ini dilakukan untuk memastikan PC telah terdaftar sebagai perangkat yang menerima IP secara otomatis dari MikroTik.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/988/1*gt3F6QtRLoXtVsGJv9Hudw.jpeg" /></figure><p><strong>II. Hasil dan Analisis<br></strong>Berdasarkan praktikum yang telah dilakukan, MikroTik berhasil dikonfigurasi menggunakan DHCP Client pada ether1 dan DHCP Server pada ether2. IP Address 192.168.20.1/24 ditambahkan sebagai alamat jaringan lokal. Selanjutnya, DHCP Server diatur agar dapat membagikan alamat IP secara otomatis kepada PC.</p><p>Pada PC, pengaturan IP dan DNS diubah menjadi otomatis. Kemudian dilakukan pengujian menggunakan ipconfig, ping, serta pemeriksaan DHCP Leases untuk melihat alamat IP yang diperoleh dan memastikan koneksi antara PC dengan MikroTik.</p><p><strong>Kesimpulan</strong><br>Berdasarkan praktikum yang telah dilakukan, dapat disimpulkan bahwa DHCP Client dan DHCP Server pada MikroTik berfungsi untuk menerima dan membagikan alamat IP secara otomatis. Dengan konfigurasi yang tepat, perangkat PC dapat memperoleh alamat IP tanpa pengaturan manual dan terhubung ke MikroTik melalui jaringan lokal.</p><p><strong>Referensi</strong></p><ul><li>Modul Praktikum Jaringan Komputer (Pak Maksum)</li><li>Modul Praktikum Jaringan Komputer (Pak Nugroho)</li></ul><img src="https://medium.com/_/stat?event=post.clientViewed&referrerSource=full_rss&postId=bd835a152fa0" width="1" height="1" alt="">]]></content:encoded>
        </item>
        <item>
            <title><![CDATA[Big Data : Pemrosesan Data Streaming dengan Spark Structured Streaming]]></title>
            <link>https://medium.com/@fahma3703/big-data-pemrosesan-data-streaming-dengan-spark-structured-streaming-11f8e1b99290?source=rss-b31dc606a5d0------2</link>
            <guid isPermaLink="false">https://medium.com/p/11f8e1b99290</guid>
            <dc:creator><![CDATA[Fahma Aulia Fadilla]]></dc:creator>
            <pubDate>Sat, 07 Nov 2026 12:10:17 GMT</pubDate>
            <atom:updated>2026-11-07T12:10:17.705Z</atom:updated>
            <content:encoded><![CDATA[<p>Laporan praktikum pertemuan ke — 10</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*-45fiJbf7508FWeVKBDOeg.jpeg" /></figure><p><strong>Tujan Praktikum<br></strong>1. Mengetahui perbedaan antara pemrosesan batch dan streaming<em>.<br></em>2.<em> </em>Memahami konsep dasar Spark Structured Streaming: input <em>source,</em> trigger<em>,</em> output <em>sink,</em> output <em>mode.<br></em>3. Bisa membuat sebuah streaming query sederhana yang membaca data secara inkremental dan melakukan agregasi.<br>4. Menerapkan agregasi berbasis window waktu pada data streaming<em>.</em></p><p><strong>Alat dan Bahan<br></strong>- Laptop<strong><br>- </strong>Jupyter Notebook<br>- Hadoop<br>- Apache Spark / PySpark</p><p><strong>Dasar Teori<br>1. Pemrosesan Data Batch (Batch Processing)<br></strong>Pemrosesan batch merupakan metode pengolahan data yang dilakukan dengan mengumpulkan sejumlah data terlebih dahulu, kemudian memprosesnya secara bersamaan dalam satu waktu. Data yang digunakan biasanya sudah tersimpan secara lengkap dalam media penyimpanan seperti CSV, Parquet, HDFS, atau MongoDB sebelum proses dijalankan. Pengolahan ini umumnya dilakukan secara berkala atau sesuai jadwal tertentu. Contohnya adalah pembuatan laporan keuangan bulanan, perhitungan gaji karyawan, dan pengolahan data historis.</p><p><strong>2. Pemrosesan Data Streaming (Stream Processing)</strong><br>Pemrosesan streaming merupakan metode pengolahan data yang dilakukan secara terus-menerus ketika data baru masuk. Berbeda dengan batch processing, metode ini tidak perlu menunggu seluruh data terkumpul karena setiap data dapat langsung diproses. Data streaming memiliki karakteristik yang terus bertambah, bergerak secara dinamis, dan membutuhkan waktu pemrosesan yang cepat. Contoh penerapannya adalah pemantauan sensor IoT, pendeteksian transaksi mencurigakan, serta pemantauan aktivitas pengguna pada aplikasi belanja online.</p><p><strong>3. Perbedaan Batch Processing dan Stream Processing|<br></strong>Batch processing dan stream processing memiliki perbedaan pada cara serta waktu pengolahan datanya. Batch processing mengolah data yang sudah terkumpul secara sekaligus dalam waktu tertentu sehingga membutuhkan waktu pemrosesan yang relatif lebih lama. Sementara itu, stream processing mengolah data secara bertahap ketika data diterima sehingga hasilnya dapat diperoleh dengan lebih cepat. Batch processing lebih cocok untuk pengolahan data dalam jumlah besar yang tidak membutuhkan hasil langsung, sedangkan stream processing digunakan untuk kebutuhan yang memerlukan informasi secara real-time atau hampir real-time.</p><p><strong>4. Spark Structured Streaming dan Agregasi Window<br></strong>Spark Structured Streaming merupakan bagian dari Apache Spark yang digunakan untuk memproses data streaming dengan memanfaatkan DataFrame dan Spark SQL. Sistem ini menggunakan metode micro-batch, yaitu membagi aliran data menjadi kelompok-kelompok kecil untuk diproses secara berkala. Spark juga mampu menyimpan informasi hasil pengolahan sebelumnya agar dapat digabungkan dengan data baru yang masuk. Dalam pemrosesan streaming, struktur data harus ditentukan terlebih dahulu menggunakan `StructType` karena data belum tersedia secara lengkap ketika proses dimulai. Selain itu, terdapat window operation yang digunakan untuk mengelompokkan dan menghitung data berdasarkan rentang waktu tertentu, misalnya menghitung total transaksi setiap satu menit.</p><p><strong>Metode dan Hasil Analisis<br>I. Metode<br>Langkah pertama pada praktikum kali ini adalah dengan masuk keterminal, lalu tuliskan perintah conda activate bigadata untuk mrngaktifkan lingkungan big data lalu dilanjut dengan perintah cd dan jupyter notebook.</strong></p><figure><img alt="" src="https://cdn-images-1.medium.com/max/714/1*FpS1sCOKOllkG6tgvHAx8A.png" /></figure><p><strong>1.Persiapan: SparkSession &amp; Folder Simulasi Streaming<br></strong>Selanjutnya, bukamodul 10 dan jalankan SparkSession terlebih dahulu sebelum menjalankan perintah-perintah lain setelahnya.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*00kqrGxNpebkzMEwNLzL5Q.png" /></figure><p>Kemudian, buat sebuah folder kosong yang nantinya digunakan sebagai sumber data streaming. Selain itu, folder chekpoint lama juga dihapus agar proses praktikum dapat dimulai dari kondisi bersih.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/639/1*vw2CjfzpuvC7-t8ZEvhC6w.png" /></figure><p>Buat skema (schema_transaksi) untuk menentukan stuktur data yang akan dibaca oleh Spark. Skema terdiri dari emapat kolom, meliputi trx_id, kota, kategori dan pendapatan. Setiap kolom ditentukan tipe datanya agar Spark dapat membaca data denfan benar.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/654/1*JoHkkhwkrU3xpyyc5pot8Q.png" /></figure><p><strong>2.Membangun Streaming Query Pertama<br>Tahap 1: Mendefinisikan Input Source (</strong><strong>readStream)<br></strong>Pada tahap ini, fungsi spark. readStreamdigunakan untuk membaca data secara streaming dari folder yang telah disiapkan sebelumnya. Gunakan format data CVS, kemudian terapkan skema transaksi dan opsi harder=True agar baris pertama dibaca sebagai nama kolom.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/646/1*zcHfpHRAkDfjrQn3yWEh4g.png" /></figure><p>Hasil df_stream.isStreaming bernilai True, yang menunjukkan bahwa DataFrame berhasil dikenali sebagai DataFrame streaming.</p><p><strong>Tahap 2: Mendefinisikan Transformasi (Sama Persis Seperti DataFrame Biasa!)<br></strong>Kelompokan data berdasatkanberdasarkan kolom kota menggunakan fungsi groupBy(). Kemudian gunakan fungsi agg() untuk menghitung total pendapatan dari setiap kota menggunakan sum() dan menghitung jumlah transaksi menggunakan count().</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/643/1*QKM6lJ4poVY5z35aS8CZug.png" /></figure><p>Hasil transformasi ini nantinya akan digunakan untuk menampilkan ringkasan data transaksi.</p><p><strong>Tahap 3: Mendefinisikan Output Sink (</strong><strong>writeStream) &amp; Memulai Query<br></strong>Pada tahap ini digunakan fungsi writeStream untuk menentukan keluaran dari proses streaming. Mode complete digunakan agar seluruh hasil agregasi ditampilkan setiap kali terdapat pembaruan data. Format memory digunakan agar hasil dapat diakses melalui query SQL, sedangkan queryName memberikan nama tabel sementara yaitu hasil_agregasi. Fungsi start() digunakan untuk menjalankan proses streaming.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/643/1*UnCIf0S0pUhfbYV0sAsqQA.png" /></figure><p><strong>Tahap 4: Mengalirkan “Data Baru” dan Mengamati Hasilnya<br></strong>Masukkan data transaksi pertama ke dalam folder streaming dalam format CSV. Setelah data dikirim, Spark memprosesnya dan menampilkan hasil agregasi berdasarkan kota. Hasilnya menunjukkan Magelang memiliki total pendapatan 225.000 dengan 2 transaksi dan Solo sebesar 200.000 dengan 1 transaksi.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/636/1*ksVGgMFrX1poJpNpMsOILg.png" /></figure><p>Pada bacth ke dua. Masukkan batch data kedua yang berisi transaksi baru ke dalam folder streaming. Spark kemudian memproses data tersebut dan memperbarui hasil agregasi. Hasilnya menunjukkan Magelang memiliki total pendapatan 525.000 dengan 3 transaksi, Yogyakarta sebesar 500.000 dengan 1 transaksi, dan Solo sebesar 200.000 dengan 1 transaksi.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/645/1*h3j-0_45Jf_kKZUJ6E_hsg.png" /></figure><p><strong>Tahap 5: Menghentikan Streaming Query<br></strong>Pada tahap ini digunakan perintah query.stop() untuk menghentikan proses streaming yang sedang berjalan. Kemudian dilakukan pemeriksaan menggunakan query.isActive untuk mengetahui status query. Hasil menunjukkan nilai False, yang berarti proses streaming sudah berhasil dihentikan.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/643/1*YNWetRLjjUwJTpiljZdV_A.png" /></figure><p><strong>3. Agregasi Berbasis Window Waktu<br></strong>Buat skema data yang terdiri dari trx_id, kota, pendapatan, dan waktu_transaksi. Kolom waktu_transaksi menggunakan tipe data TimestampType untuk menyimpan waktu terjadinya transaksi. Selanjutnya, dibuat folder simulasi baru dan data dibaca menggunakan fungsi readStream. Data kemudian dikelompokkan berdasarkan window waktu selama 1 menit menggunakan fungsi window()</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/643/1*z7BwtI89_bvaI6dDcFQpfg.png" /></figure><p>Kemudian, hasil pengelompokan data berdasarkan window waktu dihubungkan dengan writeStream. Mode complete digunakan agar seluruh hasil agregasi ditampilkan setiap kali terjadi pembaruan. Format memory digunakan agar hasil dapat diakses melalui query SQL, sedangkan queryName memberikan nama tabel sementara hasil_window. Fungsi start() digunakan untuk menjalankan streaming query.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/643/1*-1ePM2y7HNdjS9IYr7o4pA.png" /></figure><p>Selanjutnya dikirim dua data transaksi dengan waktu saat ini menggunakan datetime.now(). Kedua transaksi memiliki pendapatan masing-masing Rp120.000 dan Rp180.000. Setelah data diproses oleh Spark, hasil agregasi ditampilkan menggunakan query SQL yang mengambil waktu mulai (start), waktu selesai (end), total pendapatan, dan jumlah transaksi.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/637/1*F4tlihXpClD85z1U7yzq4Q.png" /></figure><p>Hentikan proses streaming dan tutup SparkSession setelah menggunakannya.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/642/1*clxLfp-i1j6p4CtnvTfl1g.png" /></figure><p><strong>II. Hasil dan Analisis<br></strong>Berdasarkan seluruh praktikum, Spark Structured Streaming dapat digunakan untuk membaca dan memproses data transaksi secara bertahap melalui readStream. Data kemudian diolah menggunakan transformasi agregasi untuk menghitung total pendapatan dan jumlah transaksi berdasarkan kota maupun rentang waktu menggunakan window operation. Hasil pengolahan dapat ditampilkan melalui writeStream dan query SQL. Praktikum ini menunjukkan bahwa Spark mampu mengolah data streaming secara terstruktur, mulai dari persiapan sumber data hingga penghentian proses streaming.</p><p>Latihan Mandiri<br>Nyalakan SparkSession kembali sebelum mengerjakan tugas yang ada dimodul.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/643/1*bFFTvUC3iaLkPnvTnJDhrQ.png" /></figure><p><strong>Soal 1.</strong> Definisikan readStream dari folder latihan10_stream menggunakan skema_latihan, lalu buat agregasi groupBy(&quot;kategori&quot;) yang menghitung <strong>rata-rata</strong> pendapatan (gunakan avg, bukan sum). Jalankan query dengan queryName=&quot;latihan_agg&quot;.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/633/1*GYgdiBLzjIiP92XX-xj44g.png" /></figure><p>Perintah readStream digunakan untuk membaca data yang masuk secara streaming. Kemudian groupBy() mengelompokkan data berdasarkan kategori, sedangkan avg() menghitung rata-rata pendapatannya. Hasilnya dijalankan dan disimpan sementara menggunakan writeStream dengan nama latihan_agg.</p><p><strong>Soal 2.</strong> Kirim (tulis) sebuah berkas CSV berisi minimal 3 baris data ke folder latihan10_stream, tunggu beberapa detik, lalu tampilkan isi tabel latihan_agg menggunakan spark.sql().</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/639/1*FaWagMXBrmUBOrCwMeQhLQ.png" /></figure><p>pd.DataFrame() digunakan untuk membuat data transaksi, lalu to_csv() menyimpannya ke folder streaming. Setelah menunggu 6 detik menggunakan time.sleep(), hasil pengolahan ditampilkan dengan spark.sql() dan show()</p><p><strong>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 latihan_agg. Amati: apakah nilai rata-ratanya berubah sesuai perhitungan gabungan kedua batch?</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/639/1*OLs1QYg9RRjrUOT1Lx3CDA.png" /></figure><p>Data transaksi tambahan dibuat menggunakan pd.DataFrame() dan disimpan sebagai file CSV kedua. Setelah diproses oleh Spark, spark.sql() digunakan untuk menampilkan hasil terbaru sehingga perubahan rata-rata pendapatan dapat diketahui.</p><p><strong>Soal 4 (Refleksi singkat).</strong> Dalam 2–3 kalimat: mengapa Spark Structured Streaming <strong>mewajibkan</strong> skema didefinisikan secara eksplisit (StructType), sementara pemrosesan batch pada Pertemuan 4 bisa memakai inferSchema=True? Tulis jawaban pada markdown cell di bawah ini.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/643/1*ze2BO7lfAwPgU_ETwP_W-A.png" /></figure><p>Hentikan proses streaming dan tutup SparkSession setelah menggunakannya.</p><p><strong>Tugas Mandiri<br>Konteks / Skenario</strong><br>Manajemen “Kopi Nusantara” (skenario yang sama dari Pertemuan 7 &amp; 9) ingin membangun <strong>dashboard pemantauan pesanan real-time</strong> untuk mengetahui performa tiap cabang setiap saat, bukan hanya laporan bulanan seperti sebelumnya. Anda ditugaskan membangun purwarupa (<em>prototype</em>) pipeline streaming yang mensimulasikan kebutuhan ini.</p><p><strong>Instruksi Pengerjaan<br></strong>Buat notebook baru <strong>Tugas10_[NPM]_[Nama Lengkap].ipynb</strong>, buat SparkSession (jangan lupa spark.conf.set(&quot;spark.sql.shuffle.partitions&quot;, &quot;4&quot;)), lalu kerjakan bagian <strong>A sampai E</strong> berikut:</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/268/1*4JVZ_to0l8VdDXifSPLNXQ.png" /></figure><figure><img alt="" src="https://cdn-images-1.medium.com/max/636/1*QTMca8bNcgtOt7tw5BWbMg.png" /></figure><figure><img alt="" src="https://cdn-images-1.medium.com/max/640/1*_VA2QVyOhmc9gdfOnvYkSg.png" /></figure><p><strong>A. Menyiapkan Streaming Source <em>(bobot 15%)</em></strong><em><br></em>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><figure><img alt="" src="https://cdn-images-1.medium.com/max/637/1*M9uX90EkZ4XBD4VlCcbk-g.png" /></figure><figure><img alt="" src="https://cdn-images-1.medium.com/max/637/1*rXT9D8DkI4XghTEu8gxARw.png" /></figure><p>Kode StructType digunakan untuk menentukan struktur data pesanan. Folder tugas10_stream dibuat sebagai tempat penyimpanan data, kemudian readStream digunakan untuk membaca data CSV secara streaming. Hasil menunjukkan folder berhasil dibuat dan status streaming bernilai True.</p><p><strong>B. Agregasi per Cabang <em>(bobot 20%)</em></strong><em><br></em>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><figure><img alt="" src="https://cdn-images-1.medium.com/max/643/1*tr2qL1BanS38_DPEHUa3iw.png" /></figure><p>Perintah withColumn() digunakan untuk menambahkan kolom total harga dari hasil perkalian jumlah dan harga satuan. Selanjutnya, groupBy() mengelompokkan data berdasarkan cabang, sum() menghitung total pendapatan, dan count() menghitung jumlah pesanan.</p><p><strong>C. Agregasi Berbasis Window Waktu <em>(bobot 20%)</em></strong><em><br></em>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><figure><img alt="" src="https://cdn-images-1.medium.com/max/637/1*_d4uOAGmSRhfHHRIht4wcA.png" /></figure><figure><img alt="" src="https://cdn-images-1.medium.com/max/640/1*ZqRkc6xc6MnIhH4pw6GtOg.png" /></figure><p>Perintah window() digunakan untuk mengelompokkan transaksi berdasarkan rentang waktu 2 menit. Kemudian sum() menghitung total pendapatan dalam setiap rentang waktu. Hasilnya dijalankan menggunakan memory sink dengan nama agregasi_waktu.</p><p><strong>D. Menguji dengan Data Simulasi <em>(bobot 25%)</em></strong><em><br></em>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><figure><img alt="" src="https://cdn-images-1.medium.com/max/646/1*mfKdfmZPoHaCiqJimN16vQ.png" /></figure><p>Mengirim Batch 1: datetime.now() digunakan untuk mengambil waktu saat ini. Data pesanan dibuat menggunakan pd.DataFrame() dan disimpan ke CSV dengan to_csv(). Hasil agregasi menunjukkan Magelang memiliki pendapatan Rp102.000 dan Solo Rp15.000.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/631/1*n6T0B7tzKNKE6S7RFCcO_g.png" /></figure><p>Mengirim Batch 2 : Data pesanan tambahan dibuat dan disimpan sebagai CSV kedua. Setelah diproses, hasil agregasi diperbarui. Magelang memperoleh Rp127.000, Yogyakarta Rp32.000, dan Solo Rp55.000.</p><p><strong>E. Sink Berbasis Berkas (Tantangan)</strong> <em>(bobot 20%)<br></em>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><figure><img alt="" src="https://cdn-images-1.medium.com/max/636/1*zGUfJcBsOe-cOrOHD8G8hQ.png" /></figure><p>Perintah writeStream digunakan untuk menyimpan hasil streaming ke format Parquet. path menentukan lokasi penyimpanan, checkpointLocation menyimpan informasi proses streaming, sedangkan mode append menambahkan data baru.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/639/1*d5ww03z4xCA-2c-mAz2IvA.png" /></figure><p>Data pesanan P010 dan P011 dibuat menggunakan pd.DataFrame() lalu disimpan ke file CSV. Perintah time.sleep(8) memberikan waktu bagi Spark untuk memproses data tersebut.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/639/1*S1PSBZJGbbRyF-3ekSiOUQ.png" /></figure><p>Perintah !ls tugas10_output digunakan untuk menampilkan daftar file yang tersimpan dalam folder output Parquet, termasuk file data dan metadata.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/636/1*TiU1aZD7cTiJv30COH3Ijg.png" /></figure><p>Perintah spark.read.parquet() digunakan untuk membaca kembali data yang telah disimpan. Selanjutnya, show(truncate=False) menampilkan seluruh isi data tanpa memotong teks.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/636/1*TiVn-iEF9VsA6TltXK50pg.png" /></figure><p>Hentikan proses streaming dan tutup SparkSession setelah menggunakannya.</p><p><strong>Explorasi</strong><br>Nyalakan SparkSession sebelum melakukan praktikum.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/637/1*ErMiurN6piaPfcYXd2kYWA.png" /></figure><p>Pada program eksplorasi, saya menambahkan beberapa perintah untuk melakukan analisis terhadap data pesanan kopi yang telah disimpan dalam format Parquet. Eksplorasi ini bertujuan untuk mengetahui total pendapatan dan jumlah pesanan pada setiap cabang, serta mencari menu yang paling banyak terjual. Hasil analisis kemudian diurutkan berdasarkan nilai terbesar sehingga dapat diketahui cabang dengan pendapatan tertinggi dan menu yang paling diminati pelanggan.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/643/1*jXpd8xG4dkaw7TpBQxACsw.png" /></figure><figure><img alt="" src="https://cdn-images-1.medium.com/max/636/1*PjKLe9ffbewrEhj21IYwFw.png" /></figure><p>Matikan SparkSession setelah selesai explorasi.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/636/1*i2MorLrd_9Mcrywgt0O1OQ.png" /></figure><p><strong>Kesimpulan<br></strong>Berdasarkan praktikum yang telah dilakukan, dapat disimpulkan bahwa Spark Structured Streaming mampu mengolah data secara real-time dengan memanfaatkan proses streaming dan window operation. Melalui praktikum ini, dapat dipahami cara membaca, mengelompokkan, menghitung, dan menampilkan data transaksi berdasarkan kota maupun rentang waktu. Dengan demikian, Spark Structured Streaming membantu proses pengolahan data menjadi lebih terstruktur dan efisien.</p><p><strong>Github</strong></p><ul><li><strong>Praktikum</strong></li></ul><p><a href="https://github.com/fahmaauliafadilla/Big-Data/blob/main/Modul_Praktikum_BigData_Pertemuan10.ipynb">Big-Data/Modul_Praktikum_BigData_Pertemuan10.ipynb at main · fahmaauliafadilla/Big-Data</a></p><ul><li><strong>Tugas</strong></li></ul><p><a href="https://github.com/fahmaauliafadilla/Big-Data/blob/main/Modul_Praktikum_BigData_Pertemuan10.ipynb">Big-Data/Modul_Praktikum_BigData_Pertemuan10.ipynb at main · fahmaauliafadilla/Big-Data</a></p><p><strong>Refernsi</strong></p><ul><li>Modul Big Data Pertemuan ke 10. Pemrosesan Data Streaming dengan Spark Structured Streaming</li><li><a href="https://www.ibm.com/id-id/think/topics/batch-jobs">IBM. (2024). Apa itu pekerjaan batch? IBM Think. https://www.ibm.com/id-id/think/topics/batch-jobs</a></li><li><a href="https://www.ibm.com/id-id/think/topics/streaming-data">IBM. (2025). Apa itu Streaming Data? IBM Think. https://www.ibm.com/id-id/think/topics/streaming-data</a></li></ul><img src="https://medium.com/_/stat?event=post.clientViewed&referrerSource=full_rss&postId=11f8e1b99290" width="1" height="1" alt="">]]></content:encoded>
        </item>
        <item>
            <title><![CDATA[PBO : Inerface]]></title>
            <link>https://medium.com/@fahma3703/pbo-inerface-721713edb287?source=rss-b31dc606a5d0------2</link>
            <guid isPermaLink="false">https://medium.com/p/721713edb287</guid>
            <dc:creator><![CDATA[Fahma Aulia Fadilla]]></dc:creator>
            <pubDate>Thu, 05 Nov 2026 02:19:35 GMT</pubDate>
            <atom:updated>2026-11-05T02:19:35.008Z</atom:updated>
            <content:encoded><![CDATA[<p>Laporan praktikum ke — 10</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/889/1*bnMA7Oob7mGKAW_FjUQNpw.png" /></figure><p><strong>Tujuan Praktikum<br></strong>1. Mampu memahami konsep dan tujuan penggunaan interface dalam PBO.<br>2. Dapat membuat dan mengimplementasikan interface pada kelas Java<br>3. Bisa menggunakan interface untuk menciptakan abtrasksi yang dapat diterapkan pada berbagai kelas.</p><p><strong>Alat dan Bahan<br></strong>1. Seperangkat komputer lengkap/Laptop dengan koneksi internet<br>2. Web Browser (Chrome/Firefox/Opera/Edge/Safari/dll)<br>3. Aplikasi Kantor (Microsoft Office/Libre Office/WPS Office/etc)<br>4. JDK<br>5. Netbeans</p><p><strong>Dasar Teori<br>I. Interface<br></strong>Interface merupakan salah satukonsep dalam pemrograman berorientasi objek pada bahasa pemrograman Javayang digunakan untuk mrnentukan kumpulan metode yang harus dimiliki oleh satu kelas. Interface berfungsi sebagai pedoman maupun kontrak bagi kelas yang mmenggunakannya. Dengan interface, beberapa kelasa dapat memiliki metide yang sama, tetap menjalankan fungsi dengan cara yang berbeda. Penggunaan ineterface juga membantu menerapkan konsep abstraksi dan polimorfisme dalam Java.</p><p><strong>II. Implementasi Interface</strong><br>Implementasi interface dalam Java dilakukan dengan membuat interface menggunakan kata kunci interface untuk membuat interface dan implements untuk menghubungkannya dengan suatu kelas. Kelas yang mengimplementasikan interface class interface diperklukan isi dari metode yang telah dideklarasikan di dalam interface tersebut. Dengan demikian, interface dapat membuat stuktur program menjadi lebih teratur, flrksibel, dan mudah dikembangkan.</p><p><strong>Metode dan Hasil Analisis<br>I. Metode<br></strong>Langkah pertama dalam praktikum kali ini adalah membuat file projek baru bernama PraktikumPBO_10.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*fAVCtTESjH8BgU6C4ahf4g.png" /></figure><p>Kemudian, buat package baru bernamakan praktikum10 untuk melakukan praktikum kali ini.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*GQUOAZh1SIXas-DnHqk7SQ.png" /></figure><p>Buat class baru dengan nama Operasi Hitung. Class ini nantinya digunakan sebagai interface yang berfungsi untuk mendeklarasikan method perhitungan yang akan diterapkan pada class lain. Setelah pengaturan selesai, klik Finish untuk membuat file tersebut.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*h-XQQTZG4OYGP7pgMCjXtA.png" /></figure><p>Setelah file berhasil dibuat, kode program diubah menjadi public inteface OperasiHitung. Di dalam interface tersebut terdapat method int hitung (int a, int b); yang digunakan untuk mendeklarasikan operasi perhitungan dengan dua parameter bertipe integer dan menghasilkan nilai integer. Method ini belum memiliki isi karena nantinya akan diimplementasikan oleh class lain.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*EhZOb28DG_Iw-2fcMszQOQ.png" /></figure><p>Setelah membuat interface OperasiHitung, langkah selanjutnya adalah membuat class baru dengan nama Penjumlahan yang digunakan untuk mengimplementasikan interface tersebut.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*iasRrDwvaeGpOIFY1-fydg.png" /></figure><p>Pada kode program tersebut, class Penjumlahan dibuat dengan menggunakan keyword implements OperasiHitung yang berarti class tersebut menerapkan interface OperasiHitung. Kemudian, terdapat @Overried yang menandakan bahwa method hitung() merupakan implementasi dari method yang sudah dideklarasikan pada interface. Method int hitung (int a, int b) menerima dua parameter berupa bilangan integer, kemudian perintah return a + b digunakan untuk menjumlahkan kedua bilangan dan mengembalikan hasil penjumlahannya. Dengan demikian, class Penjumlahan berfungsi untuk menjalankan operasi penjumlahan sesuai dengan method yang telah ditentukan dalam interface OperasiHitung.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*dVDPIOs7CxiGDqydqk4W2A.png" /></figure><p>Selanjutnya, dibuat class baru dengan nama Penguranggan untuk mengimplementasikan interface OperasiHitung.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*whSrz9FllfYTI2RPt44Ueg.png" /></figure><p>Pada kode program tersebut, class Pengangguran dibuatkodenya sama dengan class Penjumlahan. Namun, bedaannya pada bagian perintah return, yaitu operator penjumlahan (+) diganti menjadi operator pengurangan (-). Class ini juga menggunakan implements OperasiHitung untuk menerapkan interface yang sama, sehingga method hitung()dapat digunakan untuk melakukan operasi pengurangan antara dua bilangan integer.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*KG3SXMVSVogJDAm7IkA6WQ.png" /></figure><p>Kemudian, buat class Main untuk menjalankan seluruh program yang telah di tuliskan pada setiap class.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*6iC6YxIYi57G8Eah9c2XHw.png" /></figure><p>Class Main digunakan sebagai tempat utama untuk menjalankan program melalui method main(). Variabel tambah dibuat dengan menggunakan interface OperasiHItung yang objeknya berasal dari class Penjumlahan, sedangkan variabel kurang menggunakan objek dari class Pengurangan. Selanjutnya, method hitung() dipanggil untuk melakukan operasi penjumlahan dan pengurangan dengan angka 10 dan 5. Perintah System.out.println() digunakan untuk menampilkan hasil perhitungan ke layar. Dengan demikian, class Main berfungsi untuk menjalankan sekaligus menguji kedua operasi yang telah dibuat sebelumnya.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*mS9CvLQaYWEkucsz4Fsd9Q.png" /></figure><p>Hasil outputnya akan memperlihatkan hasil pentumlahan dan pengurangan.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*cE1WnJsR88QWAnabxBEixg.png" /></figure><p><strong>Tugas<br>Langkah pertama untuk membuat tugas, buat package baru bernamakan tugas10 pada file project PraktikumPBO_10.</strong></p><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*Syj6odu7aEvNF1QPd5Pc0Q.png" /></figure><p>Buat class baru dengan nama Pembayaran. Class ini nantinya digunakan sebagai interface yang berfungsi untuk mendeklarasikan method perhitungan yang akan diterapkan pada class lain. Setelah pengaturan selesai, klik Finish untuk membuat file tersebut.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*ULlWMtXBquddFEskuySz9w.png" /></figure><p>Setelah interface berhasil dibuat, tambahkan metode hitungPajak() dengan parameter harga bertipe double dan nilai kembalian bertipe double. Metode ini digunakan sebagai aturan perhitungan pajak yang nantinya akan diterapkan oleh kelas lain.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*ZXFdgkq3Gtvcxp-aIIpc3Q.png" /></figure><p>Selanjutnya, buat kelas baru bernama Elektronik melalui menu New Java Class. Gunakan proyek PraktikumPBO_10 dan package tugas10, kemudian klik Finish untuk membuat kelas.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*hDXR60BEnTNl3ZLNeB795w.png" /></figure><p>Pada kelas Elektronik, tambahkan kata kunci implements Pembayaran untuk menghubungkan kelas dengan interface yang telah dibuat. Kemudian, implementasikan metode hitungPajak() dengan rumus harga * 0.10, sehingga pajak barang elektronik dihitung sebesar 10% dari harga barang.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*SgGQ2ifVRFlJc3NLer7lxA.png" /></figure><p>Berikutnya, buat kelas baru bernama Makanan menggunakan menu New Java Class.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*lGEYF5FlJSxQS24WfS7JLw.png" /></figure><p>Sama seperti kelas Elektronik, kelas Makanan juga mengimplementasikan interface Pembayaran menggunakan kata kunci implements. Perbedaannya terletak pada rumus perhitungan pajak, yaitu harga * 0.05, sehingga pajak makanan dihitung sebesar 5% dari harga barang.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*-wwFVAOVyX9hyFy793cXhw.png" /></figure><p>Setelah kedua kelas selesai dibuat, langkah selanjutnya adalah membuat kelas Main yang digunakan sebagai tempat menjalankan program. Kelas ini akan menghubungkan objek dari kelas Elektronik dan Makanan untuk melakukan perhitungan pajak.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*mP9sOP__S7ny90CZwYoz6w.png" /></figure><p>Pada kelas Main, dibuat objek Elektronik dan Makanan. Kemudian, ditentukan harga barang elektronik sebesar Rp500.000 dan harga makanan sebesar Rp20.000. Selanjutnya, program memanggil metode hitungPajak() dari masing-masing objek dan menampilkan harga serta hasil perhitungan pajaknya menggunakan System.out.println().</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*Mwo8QQdW4Ok-wOTZzLhgGg.png" /></figure><p>Setelah seluruh kode selesai ditulis, jalankan program untuk melihat hasil perhitungan pajak. Hasilnya menunjukkan pajak elektronik sebesar Rp50.000 dan pajak makanan sebesar Rp1.000. Keterangan BUILD SUCCESS menandakan bahwa program berhasil dikompilasi dan dijalankan tanpa kesalahan.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*yNnoiFWHh3hzYMqkbPBPTw.png" /></figure><p><strong>II. Hasil dan Analisis</strong><br>Berdasarkan praktikum yang telah dilakukan, pembuatan program menggunakan konsep interface pada Java berhasil dilakukan. Praktikum dimulai dengan membuat interface yang berisi deklarasi metode, kemudian membuat class yang mengimplementasikan interface tersebut menggunakan kata kunci implements. Selanjutnya, metode yang telah dideklarasikan di dalam interface diisi pada class implementasi dan dibuat objek untuk menjalankan program. Dari kegiatan tersebut, dapat diketahui bahwa interface digunakan sebagai kerangka atau aturan yang harus diterapkan oleh class yang mengimplementasikannya.</p><p><strong>Kesimpulan</strong><br>Berdasarkan praktikum PBO pertemuan 10, dapat disimpulkan bahwa interface merupakan salah satu konsep dalam pemrograman berorientasi objek yang digunakan untuk menentukan metode yang harus dimiliki oleh suatu class. Dengan menggunakan interface, struktur program menjadi lebih teratur dan memudahkan penerapan konsep abstraksi serta fleksibilitas dalam pengembangan program Java.</p><p><strong>Github</strong></p><p><a href="https://github.com/fahmaauliafadilla/Pemrogramana-Berorientasi-Objek/tree/main/PraktikumPBO_10">Pemrogramana-Berorientasi-Objek/PraktikumPBO_10 at main · fahmaauliafadilla/Pemrogramana-Berorientasi-Objek</a></p><p>Referensi</p><ul><li>Simplilearn.<strong>Apa itu Interface di Java? Kuasai Teknik Abstraksi </strong><a href="https://www.simplilearn.com/tutorials/java-tutorial/java-interface">https://www.simplilearn.com/tutorials/java-tutorial/java-interface</a></li><li>Modul Praktikum Pemrograman Berorientasi Objek (PBO), Modul 10: Interface.</li></ul><img src="https://medium.com/_/stat?event=post.clientViewed&referrerSource=full_rss&postId=721713edb287" width="1" height="1" alt="">]]></content:encoded>
        </item>
        <item>
            <title><![CDATA[JARKOM : Pengenalan Mikrotik]]></title>
            <link>https://medium.com/@fahma3703/jarkom-mikrotik-6d1ad21ae6c7?source=rss-b31dc606a5d0------2</link>
            <guid isPermaLink="false">https://medium.com/p/6d1ad21ae6c7</guid>
            <dc:creator><![CDATA[Fahma Aulia Fadilla]]></dc:creator>
            <pubDate>Wed, 04 Nov 2026 04:00:08 GMT</pubDate>
            <atom:updated>2026-11-04T04:00:40.894Z</atom:updated>
            <content:encoded><![CDATA[<p>Laporan Praktikum pertemuan ke — 10</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/883/1*4i4hd6-D71jE-jXutyplGw.png" /></figure><p>Nama Anggota:<br>1. Bunga Talenta Cindikia(2505060007)<br>2. Ziffy Hilya (2505060008)<br>3.Fahma Aulia Fadilla (2505060015)</p><p>Perkenalkan, kami dari kelompok Mikrotik dari Universitas Tidar Magelang, Jurusan Teknologi Informasi, Fakultas Teknik.<br>Pada blog kali ini, kami akan membahas salah satu materi pada materi praktikum jaringan komputer mengenai “ Mikrotik RB951”.</p><p><strong>Tujuan Praktikum<br></strong>Praktikum MikroTik bertujuan untuk memberikan pengetahuan dan pengalaman kepada mahasiswa dalam mengatur serta mengelola jaringan komputer menggunakan perangkat atau simulator MikroTik. Melalui praktikum ini, mahasiswa diharapkan dapat memahami fungsi dasar router, mengenal fitur-fitur yang tersedia pada MikroTik, dan mampu melakukan konfigurasi jaringan sesuai kebutuhan.</p><p>Selain itu, mahasiswa juga diharapkan dapat mempraktikkan pengaturan alamat IP, menghubungkan beberapa jaringan, mengatur akses internet, serta memahami cara kerja perangkat MikroTik dalam membangun sebuah jaringan komputer.</p><p><strong>Alat dan Bahan<br></strong>1. Kabel UTP<br>2. Aplikasi Winbox<br>3. Router Mikrotik RB951 P<br>4. Power Adapter Mikrotik Menyediakan suplai daya ke router Mikrotik RB951. Biasanya menggunakan tegangan 12V DC 1–2A.<br>5. Laptop/PC</p><p><strong>Dasar Teori<br>I. Pengertian MikroTik<br></strong>MikroTik merupakan perusahaan teknologi yang berasal dari Latvia dan bergerak di bidang pengembangan perangkat jaringan komputer. Salah satu produk utamanya adalah RouterOS, yaitu sistem operasi berbasis Linux yang digunakan untuk mengatur, mengelola, dan menjaga keamanan jaringan. RouterOS dapat digunakan pada perangkat router MikroTik yang dikenal sebagai RouterBOARD, maupun pada komputer biasa.</p><p>MikroTik banyak digunakan oleh teknisi jaringan, penyedia layanan internet (ISP), sekolah, kampus, instansi pemerintah, hingga pengguna rumahan. Hal ini karena MikroTik memiliki berbagai fitur yang cukup lengkap, seperti routing, firewall, hotspot, pengaturan bandwidth, VPN, dan jaringan wireless. Selain itu, MikroTik juga memiliki harga yang relatif terjangkau, kinerja yang stabil, serta menyediakan beberapa aplikasi untuk melakukan konfigurasi, seperti WinBox, WebFig, dan Terminal.</p><p>Secara umum, MikroTik merupakan perangkat jaringan yang dapat membantu pengguna dalam mengelola jaringan komputer, baik untuk kebutuhan sederhana maupun jaringan dengan skala yang lebih besar.</p><p><strong>II. Fungsi MikroTik<br></strong>Berikut beberapa fungsi utama MikroTik:<br><strong>1. Routing</strong><br>Digunakan untuk menghubungkan beberapa jaringan dan menentukan jalur pengiriman data agar komunikasi jaringan berjalan dengan baik.</p><p><strong>2. Hotspot Gateway</strong><br>Digunakan untuk menyediakan akses internet melalui halaman login sehingga pengguna harus memasukkan username dan password sebelum terhubung ke internet.</p><p><strong>3. Firewall dan NAT</strong><br>Berfungsi untuk mengatur serta membatasi lalu lintas data yang masuk dan keluar jaringan. NAT juga digunakan untuk menghubungkan jaringan lokal ke internet.</p><p><strong>4. VPN (Virtual Private Network)</strong><br>Digunakan untuk membuat koneksi antarjaringan secara lebih aman melalui jaringan internet.</p><p><strong>Metode Praktikum<br></strong>Pertama, siapkan laptop atau PC yang sudah terinstal aplikasi WinBox. Selanjutnya, siapkan perangkat MikroTik RB951, adaptor daya, dan kabel UTP yang telah dibuat pada pertemuan sebelumnya. Setelah semua perangkat tersedia, hubungkan port Ether 1 pada MikroTik ke port LAN yang terdapat pada laptop atau PC menggunakan kabel UTP.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*uV_98KFnlCgNlWRhDrE2Bg.jpeg" /></figure><p>Selanjutnya, buka aplikasi WinBox pada laptop. Aplikasi WinBox akan menampilkan daftar perangkat MikroTik yang terdeteksi secara otomatis melalui MAC Address (jangan lupa di refersh dulu) . Pilih perangkat MikroTik yang ingin digunakan dan login dengan mengetikkan <strong>“admin” </strong>sesuai arahan modul, kemudian klik tombol Connect untuk mulai mengakses dan melakukan konfigurasi router.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/0*NWlFNLf8VnGg_LEy.png" /></figure><p>menggunakan foto yang sebelumnya, karena lupa screnshoot</p><p>Setelah berhasil login, akan muncul tampilan utama Winbox yang berisi berbagai menu untuk mengola dan mengatur perangkat Mikrotik.</p><p>Press enter or click to view image in full size</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/0*CQXXNKSXSmTyqYc0.png" /></figure><p>Langkah selanjutnya, buka menu interface untuk melihat daftar port Ethernet dan wireless.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/0*EiArxbk-x3TITWZ_.png" /></figure><p>4. Klik menu Quick Set untuk menampilkan pengaturan dasar jaringan pada MikroTik. Selanjutnya, buka menu System, lalu pilih Identity untuk mengubah nama router sesuai dengan identitas atau nama yang diinginkan.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/0*Big2nTTy4TbQtplG.png" /></figure><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/0*K1_Agv7dt4VbCZwQ.png" /></figure><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/0*lMXlPyNTMukzO3Au.png" /></figure><p>Setelah nama router berhasil diubah, klik Apply, kemudian pilih OK untuk menyimpan pengaturan. Selanjutnya, masuk ke menu System dan pilih menu Users untuk membuka pengaturan akun pengguna yang digunakan untuk login ke dalam MikroTik.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/0*Llu2YrSYEZ1VdGkU.png" /></figure><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/0*oY9Ic4d5ACfCGQvF.png" /></figure><p>Kemudian tambahkan user baru dengan format :</p><ul><li>nama : adminjarkom</li><li>group : full</li><li>password : praktikum123</li></ul><p>Setelah user baru berhasil ditambahkan, buka menu IP dan pilih Addresses untuk melihat alamat IP yang sudah terpasang pada MikroTik. Catat alamat IP default jika tersedia. Namun, jika belum terdapat alamat IP, tambahkan secara manual, misalnya 192.168.10.1/24 pada interface Ether 1.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/0*o1jgpTLsvUuG3AXt.png" /></figure><p>Uji koneksi pada komputer dalam subnet yang sama dengan cara membuka menu setting pada Windows &gt; Network &amp; Internet &gt; Ethernet &gt; Ubuah dari pilihan dari Automatic (DHCP) menjadi manual &gt; Aktifkan pilihan IPv4 &gt; isi konfigurasi sesuai dengan IP Mikrotik kita, misal :</p><ul><li>IP address: 192.168.10.2</li><li>Subnet mask: 255.255.255.0</li><li>Gateway: 192.168.10.1</li><li>Preferred DNS : 8.8.8.8</li><li>DNS over HTTPS: On (automatic template)</li></ul><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/0*-_UsmaTcNKNWmr6y.png" /></figure><p>Nah, jika sudah nantinya akan muncul seperti ini di Network &amp; internet.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/0*dXSX0yWmnzi_Om4x.png" /></figure><p>Kemudian kita uji ping test ke Command Prompt</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/0*z7ctBJ1VBA1K4NCr.png" /></figure><p>Pada percobaan pertama ping terjadi Request timed out dikarenakan belum kita ubah ke enther 1. Oleh karena itu, sebelum uji ping test lagi kita perlu mengubah dari ether2 ke ether1 .</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/518/0*23xgOkwfl8hvb59h.png" /></figure><p>Uji ping kembali, jika pada command prompt muncul pesan Replay from maka uji ping akan dianggap berhasil. Selesaiiii!!!</p><p><strong>Pertanyaan Analisis<br>1. Apa perbedaan antara koneksi menggunakan IP Address dan MAC Address di Winbox?</strong><br>Koneksi menggunakan IP Address dan MAC Address di Winbox memiliki beberapa perbedaan. Koneksi melalui MAC Address menggunakan alamat fisik yang dimiliki oleh Network Interface Card (NIC) pada perangkat dan bekerja pada Layer 2 (Data Link Layer). Koneksi ini tidak memerlukan konfigurasi IP Address sehingga dapat digunakan untuk mengakses MikroTik meskipun belum dilakukan pengaturan IP atau masih dalam kondisi reset. Namun, koneksi MAC umumnya hanya dapat dilakukan dalam jaringan lokal yang sama.</p><p>Sedangkan koneksi menggunakan IP Address menggunakan alamat logis yang bekerja pada Layer 3 (Network Layer). Koneksi ini membutuhkan konfigurasi IP Address yang benar agar komputer dan MikroTik dapat saling berkomunikasi. Keunggulannya, koneksi IP dapat digunakan untuk mengakses dan mengelola MikroTik melalui jaringan lokal maupun jaringan lain selama jalur routing dan pengaturan firewall mengizinkannya. Jadi, MAC Address lebih sering digunakan untuk akses awal atau konfigurasi dasar, sedangkan IP Address digunakan untuk pengelolaan jaringan sehari-hari.</p><p><strong>2. Mengapa konfigurasi IP dasar penting sebelum melakukan manajemen jaringan lebih lanjut?<br></strong>Konfigurasi IP dasar penting karena menjadi langkah awal dalam membangun komunikasi antarperangkat di dalam jaringan. Setiap perangkat harus memiliki IP Address yang sesuai agar dapat dikenali dan saling bertukar data. Dalam konfigurasi ini, diperlukan pengaturan seperti IP Address, subnet mask, dan gateway agar komunikasi jaringan dapat berjalan dengan baik.</p><p>Selain itu, konfigurasi IP dasar memudahkan administrator dalam melakukan pengujian konektivitas menggunakan perintah ping, mengatur routing, menghubungkan jaringan lokal dengan internet melalui gateway, serta menerapkan layanan jaringan lainnya seperti DHCP Server dan Hotspot. Jika konfigurasi IP belum benar, perangkat dapat mengalami kesulitan berkomunikasi sehingga proses pengelolaan jaringan selanjutnya tidak dapat berjalan secara optimal.</p><p><strong>Kesimpulan<br></strong>Berdasarkan praktikum MikroTik yang telah dilakukan, dapat disimpulkan bahwa pengujian ping bertujuan untuk mengetahui apakah perangkat MikroTik dan komputer sudah saling terhubung dengan baik. Melalui pengujian ini, kita dapat memastikan bahwa konfigurasi alamat IP sudah sesuai dan koneksi jaringan dapat berjalan.</p><p>Jika hasil ping menunjukkan Reply, berarti koneksi antara kedua perangkat berhasil. Sebaliknya, jika muncul Request Timed Out, kemungkinan terdapat kesalahan pada konfigurasi IP atau koneksi kabel jaringan. Dengan demikian, pengujian ping sangat membantu dalam memastikan jaringan berfungsi sebelum melakukan konfigurasi lebih lanjut.</p><p><strong>Referensi</strong></p><ul><li>Modul Praktikum Jaringan Komputer (Pak Maksum)</li><li>Modul Praktikum Jaringan Komputer (Pak Nugroho)</li></ul><img src="https://medium.com/_/stat?event=post.clientViewed&referrerSource=full_rss&postId=6d1ad21ae6c7" width="1" height="1" alt="">]]></content:encoded>
        </item>
        <item>
            <title><![CDATA[Big Data : Basis Data NoSQL: Instalasi MongoDB & Integrasi dengan PySpark]]></title>
            <link>https://medium.com/@fahma3703/big-data-basis-data-nosql-instalasi-mongodb-integrasi-dengan-pyspark-f6f73e29e749?source=rss-b31dc606a5d0------2</link>
            <guid isPermaLink="false">https://medium.com/p/f6f73e29e749</guid>
            <dc:creator><![CDATA[Fahma Aulia Fadilla]]></dc:creator>
            <pubDate>Wed, 04 Nov 2026 00:56:22 GMT</pubDate>
            <atom:updated>2026-11-04T00:56:22.834Z</atom:updated>
            <content:encoded><![CDATA[<p>Laporan Praktikum Ke — 9</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*sRFvlvXqfrAckb9jTWD1Xw.jpeg" /></figure><p><strong>Tujuan Praktikum</strong><br>1. Mampu menginstall MongoDB Community Server di Ubuntu<em>.<br></em>2<em>.</em> Bisa melakukan operasi CRUD (*Create, Read, Update, Delete*) menggunakan `mongosh` dan PyMongo<em>.<br></em>3. Dapat mengintegrasikan data dari MongoDB ke dalam Spark DataFrame untuk dianalisis lebih lanjut<em>.</em></p><p><strong>Alat dan Bahan</strong><br>- Laptop<strong><br>- </strong>Jupyter Notebook<br>- Hadoop<br>- Apache Spark / PySpark</p><p><strong>Dasar Teori<br>1. Big Data dan Variety</strong><br>Big Data merupakan kumpulan data yang memiliki ukuran besar dan terus bertambah seiring berjalannya waktu. Big Data memiliki lima karakteristik yang dikenal dengan istilah 5V, yaitu Volume, Velocity, Variety, Veracity, dan Value. Salah satu karakteristik yang berkaitan dengan materi praktikum ini adalah Variety. Variety menjelaskan bahwa data memiliki bentuk dan jenis yang bermacam-macam, seperti data terstruktur, semi-terstruktur, dan tidak terstruktur. Contohnya, data dalam bentuk tabel, file JSON, gambar, hingga video. Karena bentuk data yang beragam tersebut, dibutuhkan sistem penyimpanan yang lebih fleksibel agar berbagai jenis data dapat dikelola dengan baik.</p><p><strong>2. Database NoSQL dan MongoDB<br></strong>NoSQL merupakan jenis database yang memiliki cara penyimpanan data lebih fleksibel dibandingkan database relasional. Pada database SQL, data disusun dalam bentuk tabel dengan kolom yang sudah ditentukan. Sedangkan NoSQL memungkinkan data disimpan dengan struktur yang berbeda sesuai kebutuhan. Salah satu contoh database NoSQL adalah MongoDB. MongoDB menggunakan model penyimpanan berbentuk dokumen dengan format BSON yang mirip dengan JSON. Dalam MongoDB, data disusun ke dalam database, collection, dan document. Struktur tersebut membuat MongoDB dapat mengelola data yang memiliki atribut berbeda dalam satu collection.</p><p><strong>3. PyMongo dan Integrasi dengan PySpark<br></strong>PyMongo merupakan library Python yang digunakan untuk menghubungkan program Python dengan database MongoDB. Dengan PyMongo, pengguna dapat melakukan pengelolaan data, seperti menambahkan, membaca, memperbarui, dan menghapus data. Selanjutnya, data dari MongoDB dapat diolah menggunakan PySpark. PySpark merupakan antarmuka Python untuk Apache Spark yang menyediakan DataFrame sebagai tempat mengatur dan mengolah data dalam bentuk baris dan kolom. Melalui DataFrame, data dapat diproses lebih lanjut, misalnya dengan melakukan pengelompokan dan perhitungan untuk kebutuhan analisis data.</p><p><strong>Metode dan Hasil Analisis<br>I. Metode</strong><br>Langkah pertama pada praktikum kali ini adalah dengan mebuka terminal pada VM, lalu tuliskan perintah conda activate bigdata untuk mengaktifkan environment (lingkungan kerja) bernama bigdata di Anaconda.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*_5jWjPS4ZrfnPovE_FoVRw.png" /></figure><p>Setelah berhasil mengatifkan envitorment, tuliskan perintah lsb_realease -a untuk mengecek versi ubuntu yang kita punya.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*kFoFW06rFZe6r2VvpR4ekA.png" /></figure><p>Selanjutnya, perintah sudo apt update digunakan untuk memperbarui daftar paket Ubuntu, lalu sudo apt install curl -y dijalankan untuk menginstal CURL agar bisa digunakan untuk mengunduh data dari UR.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*O1EcE8pPcLfj8SMOA7clIg.png" /></figure><p><strong>1.Instalasi MongoDB Community Server 8.0</strong><br>Untuk mengunduh MongoDB Community Server 8.0, pertama-tama kunci GPG resimi dari MongoDB diimpor mengunkana perintah curl -fsSL dan sudo gpg -o.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*AmZiS9kEv5PCApdCPpYmnQ.png" /></figure><p>Langkah berikutnya, tambahkan repository MongoDBnya sesuai dengan verisi Ubuntu yang kita miliki. Nah, karena versi Ubuntu saya 24.04 (Noble) saya akan mengunakna perintah seperti yang terlihat pada gamabr dibawah.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*jFP9rN3rd5K-MWIuABmDuQ.png" /></figure><p>Selanjutnya, perbarui daftar paket menggunakan perintah sudo apt update untuk mendapatkan informasi paket terbaru dari repository.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*XWs_dhyKkQ61QPbrzaaP2w.png" /></figure><p>Setelah daftar paket berhasil diperbarui, instal MongoDB besertakomponen-komponen pedukungnya kedalam Ubuntuk menggunakan perintah sudo apt install -y mongodb-org.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*5JXYvpDLKNx32-JEbE7Jww.png" /></figure><p>Kemudian, layanan MongoDB akan dijalankan menggunakan service dan mengaturnya agar dapat berjalan otomatis saat Ubuntu dinyalakan.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*ROmvWDxyxsnW65WhaFddmQ.png" /></figure><p>Restart mongod untuk memulai ulang layanan MongoDB agar perubahan konfigurasi dapat diterapkan. Setelah merestart jalankan perintah sudo systemctl status mongod untuk mengecek apakah status layanan MongoDB sedang berjalan dengan baik atau mengalami masalah.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*fuVaQTPsBtoHL0QqaNflKA.png" /></figure><p>Verifikasi versi MongoDB yang telah kita instal dengan menggunakan perintah mongod — version untuk melihat versi MongoDB yang telah di instal pada Ubuntu.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*kpfHHOpCe8gD7wUrXWB9qQ.png" /></figure><p><strong>2. Operasi Dasar denga mongosh (MongoDB Shell)</strong><br>Langkah pertama dalam opertasi dasar dengan mongosh adalah menjalankan MongoDB Shell dengan perintah mongosh. Perintah ini digunakna untuk masuk kedalam mongoDB Shell agar penggunak dapat menjalankan perintah dan mengelola database.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*QeCVxQVapmOGDLko1qmdAA.png" /></figure><p>Selanjutnya, tulis perintah use praktikum_bigdata untuk memilih database praktikum_bigdata.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*MvdCDbp5d0FwqhrgbH9qSQ.png" /></figure><p>Tambahkan data produk baru ke dalam collection produk. Disini sayan memisalkan produk barunya yaitu Macha Latte beserta kategori, harga serta stonya.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*6rnrsQW4eXQupd81oEZKRQ.png" /></figure><p>Tampilkan seluruh data produk yang telah dimasukkan dalam format yang lebih rapi dan mudah dibaca dengan perintah db.produk.find().pretty().</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*R5cAiARYkZda4o5vGgDP5Q.png" /></figure><p>Setelah seluruh proses dalam mongosh berhasil dijalankan, keluar dari mongosh dengan perintah exit.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*Q5CazPYOmkgHrvfkpr2sag.png" /></figure><p><strong>3. Melanjutkan di Jupyter NoteBook</strong><br>Sebelum melanjutkan praktikum di jupyter, kita akan mengistal library PyMongo agar Python dapat terhubung dan berinteraksi dengan MongdoDB. PyMonggo ini akan diinstall menggunkan perintah pip install pymongo.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*PhBJpksVeDKR15MKTVB1Dg.png" /></figure><p>Setelah PyMongo berhasil diinstall, cek versi PyMongo yang sudah diinstal mengunkan perintah berikut.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/1015/1*DigOAeu11S5OwGf2-UXNbg.png" /></figure><p>Selanjutnya, masuk ke Jupyter notebook dan jalnkan langkah-langkah praktikum setelahnya pada jupyter notebook.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*arerGxKvzxJqSGTHp5GlnA.png" /></figure><p><strong>4. Koneksi ke MongoDB dari Python</strong><br>Hubungkan Python dengan MongoDB menggunakan PyMongo, kemudian memilih database dan collection yang akan digunakan. Hasilnya menunjukkan koneksi berhasil.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*XyEhjnK9IjTXjyk-1pE4sg.png" /></figure><p><strong>5. Operasi CRUD dengan PyMongo<br>5.1. Create — Menyisipkan Dokumen</strong><br>Tambahkan data produk ke dalan collection MongoDB mengunakan perintah insert. insert_one() untuk menambahkan satu data, sedangkan insert_many() untuk menambahkan beberapa data sekaligus.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*8bjrTT5GsKQjVvInCFtWSw.png" /></figure><p><strong>5.2. Read — Membaca Dokumen<br></strong>Kemudian baca dan tampilkan data produk dari MongoDB berdasarkan kategori maupun harga yang telah ditentukan. Perintag find_one() digunakan untuk mengambil satu data produk, sedangkan find() digunakan untuk menampilkan beberapa data sesuai kondisi yang ditentukan. for dijalankan untuk menampilkan data satu per satu dan $gt nya untuk mencari harga yang lebih dari Rp15.000. Hasilnya, data berhasil ditampilkan berdasarkan kategori dan harga.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*frk8ogy0_z3rPbECHWHngw.png" /></figure><p><strong>5.3 Update — Memperbarui Dokumen<br></strong>Selanjutnya, perbarui data produk yang sudah tersimpan. update_one() untuk mengubah satu data, sedangkan update_many() untuk mengubah beberapa data sekaligus.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*MRwyxAc-T0gRYtD4YinaVQ.png" /></figure><p><strong>5.4 Delet — Menghapus Dokumen<br></strong>Untuk menghapus satu data produk berdasarkan nama produk yang telah ditentukan gunakan perintah delete_one(). Setelah itu, jumlah dan daftar data yang tersisa ditampilkan kembali.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*Kz85GR964gcxJ94MhKtDdw.png" /></figure><p><strong>6. Mengintegrasikan Data MonggoDB ke Spark DataFrame</strong><br>Selanjutnya, kita akan mengintegrasikan data dari MongoDB ke PySpark agar dapat diolah dan dianalisis. Untuk itu, digunakan perintah SparkSession untuk membuat sesi Spark, find() untuk mengambil data, serta DataFrame untuk mengubah format data. Kemudian, groupBy(), avg(), dan count() digunakan untuk mengelompokkan dan menganalisis data berdasarkan kategori. Setelah selesai, spark.stop() digunakan untuk menutup sesi Spark.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*kqwOR_T_mlhTV761WH4gdA.png" /></figure><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*nXu6k6QbxD6wP1As8QaC_A.png" /></figure><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*Yg6j5QVSf9BoRjGcL0g6uA.png" /></figure><p><strong>II. Hasil Analisis</strong><br>Berdasarkan praktikum yang telah dilakukan, kegiatan diawali dengan proses instalasi dan konfigurasi MongoDB agar dapat digunakan sebagai database NoSQL. Setelah instalasi, dilakukan pengenalan perintah dasar MongoDB melalui terminal atau MongoDB Shell (mongosh), mulai dari membuat database dan collection hingga mengelola data. Selanjutnya, praktikum dilanjutkan menggunakan Jupyter Notebook dengan mengaktifkan environment yang dibutuhkan serta menghubungkan MongoDB ke Python menggunakan library PyMongo. Melalui PyMongo, dilakukan operasi CRUD yang meliputi penambahan, pembacaan, pembaruan, dan penghapusan data. Data yang telah diperoleh kemudian diolah menggunakan pandas dan PySpark dengan mengubahnya menjadi DataFrame, sehingga dapat dilakukan analisis seperti pengelompokan dan perhitungan data. Dari seluruh kegiatan tersebut, dapat dipahami bahwa MongoDB berperan dalam penyimpanan data, PyMongo membantu menghubungkan database dengan Python, sedangkan PySpark digunakan untuk mengolah dan menganalisis data lebih lanjut.</p><p><strong>Latihan Mandiri</strong><br><strong>Soal 1.</strong> Sisipkan (insert_many) lima dokumen baru ke collection produk dengan kategori bebas (boleh kategori baru selain Makanan/Minuman, misalnya “Snack”).</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*bEX8WLx_ORj-czkRBOGDyA.png" /></figure><p>Tambahkan lima dokumen baru ke dalam collection produk menggunakan perintah insert_many(). Setiap dokumen berisi informasi nama produk, kategori, harga, stok, dan tags. Hasilnya menunjukkan bahwa data berhasil dimasukkan ke MongoDB dan setiap dokumen memperoleh ID sebagai identitas unik.</p><p><strong>Soal 2.</strong> Gunakan find() dengan operator $lt (kurang dari) untuk menampilkan seluruh produk dengan harga di bawah 20000.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*JHbaY2eQkM4dhjoZ6JefDA.png" /></figure><p>Gunakan perintah find() dengan operator $lt (less than) untuk mencari produk yang memiliki harga kurang dari 20.000. Hasil pencarian menampilkan nama dan harga produk yang memenuhi kondisi tersebut, sehingga pengguna dapat mengetahui produk dengan harga di bawah batas yang ditentukan.</p><p><strong>Soal 3. </strong>Gunakan update_many() untuk menambahkan field baru bernama diskon bernilai 0 ke <strong>seluruh</strong> dokumen pada collection produk (petunjuk: gunakan operator $set).</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*SlEN_ljYTM9vag_J8fIBXg.png" /></figure><p>Pada bagian ini digunakan perintah update_many() dengan operator $set untuk menambahkan field diskon dengan nilai 0 ke seluruh dokumen dalam collection produk. Hasil menunjukkan bahwa terdapat 9 dokumen yang berhasil diperbarui. Dengan demikian, setiap dokumen sekarang memiliki field diskon.</p><p><strong>Soal 4 (Refleksi singkat). </strong>Dalam 2–3 kalimat: berikan<strong> satu contoh skenario nyata </strong>(boleh di luar konteks yang sering kita pakai) dimana MongoDB akan menjadi pilihan lebih tepat dibanding tabel resional biasa, dan jelaskan berdasarkan konsep<em> fleksible schema</em>. Tulis jawaban pada markdown cell dibawah ini.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*A6lR5iHP-21dgHaqUwsyyw.png" /></figure><p>Tugas Mandiri<br>Buat file baru lalu, lakukan penggantian nama file Notebook menggunakan fitur Rename File. Nama file disesuaikan dengan format yang telah ditentukan, yaitu menggunakan nomor identitas dan nama mahasiswa.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/315/1*tke4Z0VgMreHZb0d76WVPQ.png" /></figure><p>panggil library yang dibutuhkan dalam praktikum. MongoClient berfungsi menghubungkan Python dengan MongoDB, SparkSession digunakan untuk menjalankan Apache Spark, pandas membantu mengolah data dalam bentuk DataFrame, sedangkan avg digunakan untuk menghitung nilai rata-rata.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*XrHdzlIzhDGfGEC9M50qbw.png" /></figure><p><strong>A. Membangun Katalog (Create) <em>(bobot 20%)<br></em></strong>Buat database baru bernama kopi_nusantara, collection bernama menu. Sisipkan <strong>minimal 12 dokumen</strong> menu dengan field bervariasi sesuai kategorinya:<br>- Menu kategori <strong>”Kopi”</strong>: wajib memiliki field nama_menu, harga, kategori, dan tingkat_kepahitan (skala 1–5).<br>- Menu kategori <strong>”Makanan”</strong>: wajib memiliki field nama_menu, harga, kategori, dan pedas_level (skala 0–3).<br>- Boleh menambahkan field lain sesuai kreativitas anda (mis. stok, rekomendasi_barista).</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*8a_N0ZIvIAYohf1UvyWGBA.png" /></figure><p>Hubungkan Python ke MongoDB menggunakan MongoClient, kemudian memilih database kopi_nusantara dan collection menu. Perintah delete_many({}) digunakan untuk menghapus data sebelumnya agar tidak terjadi duplikasi. Setelah itu, sebanyak 12 data menu dimasukkan menggunakan insert_many(). Hasilnya menunjukkan bahwa seluruh dokumen berhasil tersimpan.</p><p>B. <strong>Kueri Bertingkat (Read) </strong><em>(bobot 20%)<br></em>Tampilkan hasil dari <strong>tiga</strong> kueri berikut :<br>1. Seluruh menu kategori “Kopi” dengan tingkat_kepahitan di atas 3.<br>2. Seluruh menu dengan harga di antara 15000 dan 30000.<br>3. Menu yang <strong>tidak memiliki</strong> field pedas_level sama sekali.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*_FCifXm3lYCJr_So11VX-g.png" /></figure><p>Untuk mendapatkan menu kopi dengan tingkat kepahitan lebih dari 3, digunakan perintah find() dengan operator $gt (greater than). Pencarian dilakukan berdasarkan kategori Kopi dan tingkat kepahitan. Hasilnya ditemukan tiga menu, yaitu Espresso, Americano, dan Long Black.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*MDc1Y4YTiYl06n-wyKsAeA.png" /></figure><p>Pencarian menu berdasarkan rentang harga dilakukan menggunakan operator $gte (greater than or equal) dan $lte (less than or equal). Kedua operator tersebut digunakan untuk menentukan batas harga minimum Rp15.000 dan maksimum Rp30.000. Hasil pencarian menampilkan menu yang memiliki harga sesuai rentang tersebut.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*NrzO8zPHs_4qrMBT34rmBw.png" /></figure><p>Selanjutnya, digunakan operator $exists dengan nilai False untuk mencari dokumen yang tidak memiliki field pedas_level. Hasil pencarian menunjukkan bahwa menu kategori Kopi tidak memiliki atribut tersebut, karena informasi tingkat kepedasan tidak diperlukan untuk jenis minuman kopi.</p><p>C. <strong>Pembaruan Data (Update) </strong><em>(bobot 15%)<br></em>Tambahkan field status bernilai ”Tersedia” ke seluruh dokumen menggunakan update_many(). Kemudian, ubah status menjadi ”Habis” khusus untuk 2 menu pilihan anda menggunakan update_one().</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*Vt8fbwEral9qxw_Hi092kA.png" /></figure><p>Agar setiap menu memiliki informasi ketersediaan, digunakan perintah update_many() dengan operator $set. Perintah tersebut menambahkan field status dengan nilai &quot;Tersedia&quot; ke seluruh dokumen dalam collection menu. Hasilnya, semua menu berhasil memiliki informasi status.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*XYMDUVqI82CghnG0hugF3A.png" /></figure><p>Setelah seluruh menu memiliki status, dilakukan perubahan pada dua menu tertentu, yaitu Espresso dan Nasi Goreng Gila. Perintah update_one() digunakan untuk mengubah nilai field status menjadi &quot;Habis&quot; berdasarkan nama masing-masing menu.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*OUXOPlt7HtKE1xPyZzswUg.png" /></figure><p>Untuk memastikan perubahan berhasil, dilakukan pengecekan menggunakan perintah find() yang menampilkan nama menu beserta status terbarunya. Hasil menunjukkan bahwa Espresso dan Nasi Goreng Gila berstatus Habis, sedangkan menu lainnya tetap berstatus Tersedia.</p><p><strong>D. Integrasi ke Spark </strong><em>(bobot 25%)<br></em>Ambil seluruh data dari collection menu, ubah menjadi Spark DataFrame (ikuti pola Sub-bab 9.6 — perhatikan field yang mungkin kosong/null pada sebagian dokumen, seperti tingkat_kepahitan yang hanya dimiliki menu Kopi). Tampilkan:<br>1. printSchema() hasil konversi.<br>2. Rata-rata harga per kategori menggunakan groupBy.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*eBSFZFH1RmatX5E-SA3f7A.png" /></figure><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*D-R4AbxWJkIdpWJq7k_pXg.png" /></figure><p>Data menu dari MongoDB diambil menggunakan find(), kemudian diubah menjadi Pandas DataFrame dan Spark DataFrame. Perintah printSchema() digunakan untuk melihat struktur data, sedangkan show() menampilkan isinya. Selanjutnya, groupBy() dan avg() digunakan untuk menghitung rata-rata harga berdasarkan kategori. Hasilnya menunjukkan rata-rata harga kategori Kopi sebesar Rp22.000 dan Makanan sebesar Rp20.000.</p><p>E. <strong>Kesimpulan </strong><em>(bobot 20%)<br></em>Tulis pada markdown cell (<strong>minimal 100 kata</strong>): apa tantangan yang anda temui saat mengonversi data MongoDB (dengan field yang tidak seragam antar dokumen) menjadi Spark DataFrame (yang mengharuskan skema tabel seragam)? Bagaimana anda mengatasinya?</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*xTm9nFYlxCXX7eV9nDZXZA.png" /></figure><p><strong>Explorasi<br></strong>Pada tahap ini, praktikan menghubungkan MongoDB dengan PySpark melalui Jupyter Notebook. Data menu dari database kopi_nusantara diambil menggunakan PyMongo, kemudian diubah menjadi DataFrame agar dapat diolah menggunakan PySpark. Selanjutnya, dilakukan perhitungan dengan menambahkan kolom total_nilai_aset yang diperoleh dari perkalian harga dan stok setiap menu. Hasilnya menampilkan nama menu, kategori, harga, stok, serta total nilai aset. Dari percobaan ini, terlihat bahwa data dari MongoDB dapat diolah menggunakan PySpark untuk membantu proses analisis data.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*sdqMCNgEMUzOsBosUXJ0kQ.png" /></figure><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*0SjE_JpKgCCTCw24ZH1SWA.png" /></figure><p>Tutup SparkSession ketika selesai melaksanakan tugas.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*mW5YwCDxdiTlBnL-cZfNXw.png" /></figure><p><strong>Kesimpulan</strong><br>Berdasarkan praktikum yang telah dilakukan, MongoDB dapat digunakan untuk menyimpan, menambahkan, mencari, dan memperbarui data menggunakan berbagai perintah seperti insert_many(), find(), dan update_many(). Selain itu, data MongoDB berhasil dikonversi menjadi Spark DataFrame menggunakan PySpark sehingga dapat diolah dan dianalisis lebih lanjut, seperti menghitung rata-rata harga berdasarkan kategori serta total nilai aset berdasarkan harga dan stok. Praktikum ini memberikan pemahaman mengenai pengelolaan database NoSQL dan pengolahan data menggunakan PySpark, mulai dari penyimpanan hingga analisis data.</p><p><strong>Github</strong></p><ul><li><strong>Praktikum</strong></li></ul><p><a href="https://github.com/fahmaauliafadilla/Big-Data/blob/main/Modul_Praktikum_BigData_Pertemuan9.ipynb">Big-Data/Modul_Praktikum_BigData_Pertemuan9.ipynb at main · fahmaauliafadilla/Big-Data</a></p><ul><li><strong>Tugas</strong></li></ul><p><a href="https://github.com/fahmaauliafadilla/Big-Data/blob/main/Tugas9_2505060015_FahmaAuliaFadilla.ipynb">Big-Data/Tugas9_2505060015_FahmaAuliaFadilla.ipynb at main · fahmaauliafadilla/Big-Data</a></p><p><strong>Referensi</strong></p><ul><li>Alifia Revan Prananda, Program Studi Teknologi Informasi, Universitas Tidar. Modul Praktikum Big Data: Pertemuan 9 — Basis Data NoSQL: Instalasi MongoDB dan Integrasi dengan PySpark. Universitas Tidar.</li><li>IBM. (2024). Apa itu Big Data? <a href="https://www.ibm.com/id-id/think/topics/big-data">https://www.ibm.com/id-id/think/topics/big-data</a></li><li>Haryanto, B. (2024). Pengenalan Database NoSQL dan Perbandingannya dengan Database Relasional. IPSIKOM <a href="https://ipsikom.unipem.ac.id/index.php/ipsikom/article/view/272">https://ipsikom.unipem.ac.id/index.php/ipsikom/article/view/272</a></li><li>Telkom University. (n.d.). MongoDB sebagai Database Management <a href="https://it.telkomuniversity.ac.id/mongodb-sebagai-database-management">https://it.telkomuniversity.ac.id/mongodb-sebagai-database-management</a></li><li>Apache Software Foundation. (n.d.). PySpark DataFrames <a href="https://spark.apache.org/docs/latest/api/python/user_guide/dataframes.html">https://spark.apache.org/docs/latest/api/python/user_guide/dataframes.html</a></li></ul><img src="https://medium.com/_/stat?event=post.clientViewed&referrerSource=full_rss&postId=f6f73e29e749" width="1" height="1" alt="">]]></content:encoded>
        </item>
        <item>
            <title><![CDATA[PBO : Abstraksi dan Kelas Abstraksi]]></title>
            <link>https://medium.com/@fahma3703/pbo-abstraksi-dan-kelas-abstraksi-fba0597edd0c?source=rss-b31dc606a5d0------2</link>
            <guid isPermaLink="false">https://medium.com/p/fba0597edd0c</guid>
            <dc:creator><![CDATA[Fahma Aulia Fadilla]]></dc:creator>
            <pubDate>Wed, 28 Oct 2026 12:09:09 GMT</pubDate>
            <atom:updated>2026-10-28T12:09:09.758Z</atom:updated>
            <content:encoded><![CDATA[<p>Laporan Praktikum pertemuan ke — 9</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/886/1*yK1ZIvlDTneGZOf058cIRA.png" /></figure><p><strong>Tujuan Praktikum </strong><br>1. Memahami konsep abstraksi dan kelas abstrak dalam PBO. <br>2. Dapat mengimplementasikan kelas abstrak</p><p><strong>Alat dan Bahan<br></strong>1.Seperangkat komputer lengkap/Laptop dengan koneksi internet <br>2. Web Browser (Chrome/Firefox/Opera/Edge/Safari/dll) <br>3. Aplikasi Kantor (Microsoft Office/Libre Office/WPS Office/etc) <br>4. JDK <br>5. Netbeans</p><p><strong>Dasar Teori<br>I. Abstraksi<br></strong>Abstraksi merupakan salah satu konsep dalam Pemrograman Berorientasi Objek (PBO) yang digunakan untuk menyederhanakan program dengan menampilkan bagian penting dari suatu objek dan menyembunyikan detail proses yang tidak perlu diketahui. Dengan adanya abstraksi, program menjadi lebih mudah dipahami karena pengguna cukup mengetahui fungsi suatu objek tanpa harus memahami seluruh proses yang terjadi di dalamnya.</p><p>Abstraksi membantu programmer dalam mengelola program yang memiliki banyak bagian agar lebih sederhana dan terstruktur. Konsep ini berfokus pada apa yang dapat dilakukan oleh suatu objek, bukan pada bagaimana proses tersebut dijalankan. Dengan begitu, programmer dapat lebih mudah menentukan fungsi utama yang dibutuhkan dalam sebuah program.</p><p><strong>II. Kelas Abstrak<br></strong>Kelas abstrak adalah kelas yang menggunakan kata kunci &quot;abstract&quot; dan tidak bisa dibuat menjadi objek secara langsung. Kelas ini berfungsi sebagai dasar atau cetak biru bagi kelas lain yang mewarisinya. Kelas abstrak digunakan ketika terdapat beberapa kelas yang memiliki konsep atau fungsi dasar yang sama, tetapi cara penerapannya dapat berbeda.</p><p>Kelas abstrak dapat memiliki metode abstrak dan metode biasa. Metode abstrak merupakan metode yang belum memiliki isi atau implementasi, sedangkan metode biasa sudah memiliki isi yang menjelaskan proses yang dijalankan. Dengan adanya kedua jenis metode tersebut, kelas abstrak dapat menentukan fungsi yang harus dimiliki oleh kelas turunannya sekaligus menyediakan fungsi yang bisa digunakan bersama.</p><p>Dalam Java, kelas abstrak ditulis menggunakan kata kunci &quot;abstract&quot;, sedangkan pewarisan kelas dilakukan menggunakan kata kunci &quot;extends&quot;. Kelas turunan yang mewarisi kelas abstrak wajib mengimplementasikan semua metode abstrak yang diwarisinya, kecuali kelas turunan tersebut juga dideklarasikan sebagai kelas abstrak.</p><p><strong>Metode dan Hasil Analisis<br>A. Metode<br></strong>Langkah pertama pada praktikum kali ini adalah mebuat project baru bernama PraktikumPBO_9</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*F20AVA6JgJr8K3drTdTc_w.png" /></figure><p>Setelah mebuat project baru buat juga package baru bernama praktikum9.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*eTW8cmO_hKFFw4oJqqPE2Q.png" /></figure><p>Selanjutnya, buat class untuk menuliskan dan menjalankan perintah. Pertama-tama class Kendaraan akan dibuat sebagai class induk yang akan menjadi dasar bagi class turunannya, yaitu Mobil dan Sepeda. Class ini berfungsi untuk menentukan metode yang nantinya digunakan oleh kedua class tersebut. Karena menggunakan konsep kelas abstrak, class Kendaraan tidak dapat dibuat menjadi objek secara langsung.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*rygz3b7zI8x2LetO8N73qg.png" /></figure><p>Pada class induk dituliskan kode public abstract class Kendaraan dimana class Kendaraan dibuat sebagai kelas abstrak yang menjadi induk bagi class turunannya. Metode abstract void berjalan(); digunakan untuk menentukan fungsi berjalan yang harus diimplementasikan oleh class turunan. Sementara itu, metode info() berfungsi menampilkan informasi bahwa objek tersebut merupakan kendaraan</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*CIZOT8oukcyTlGj_zhBWXw.png" /></figure><p>Kemudian, class turunan dibuat dengan nama Mobil. Class ini dibuat sebagai turunan dari class Kendaraan.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*lD5-VV4NaJZaofcuKH79CQ.png" /></figure><p>Pada kode extends digunakn digunakan sebagai penanda bahwa class Mobil merupakan class turunan. Jadi, class Mobil dapat mewarisi metode yang ada pada class induknya. Metode berjalan() kemudian diimplementasikan menggunakan @Override agar Mobil memiliki perilaku berjalan sesuai dengan karakteristiknya. Perintah System.out.println() digunakan untuk menampilkan keterangan bahwa Mobil sedang berjalan dengan cepat.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*CIGMWwPvsqIrcdRUuxSwdA.png" /></figure><p>Selain class Mobil, dibuat juga class turunan bernama Sepeda dari class induk Kendaraan.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*uih1RMkzMUoAYvrbkGYQxQ.png" /></figure><p>Setelah itu, tuliskan kode yang sama dengan kode yang dituliskan pada class Mobil. Namun, perintah System.out.println() dibuat berbeda. Pada class Sepeda perintah tersebut digunakan untuk menampilkan keterangan bahwa sepeda sedang berjalan dengan pelan.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*sKahlTjRNrX76tMYgQAyzA.png" /></figure><p>Buat class Main untuk menjalankan kode atau perintah pada class-class yang telah dibuat sebelumnya.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*QwIRl4ilWWHxeCgVlsZmYQ.png" /></figure><p>Pada class Main, dibuat objek mobil dari class Mobil dan objek sepeda dari class Sepeda dengan menggunakan class Kendaraan sebagai tipe datanya. Selanjutnya, metode berjalan() dan info() dipanggil pada masing-masing objek untuk menampilkan cara kendaraan berjalan serta informasi kendaraan.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*Vax5l7czFugOQHuEhxl-yw.png" /></figure><p>Outputnya akan menampilkan informasi bahwa mobil sedang berjalan dengan cepat, kemudian muncul keterangan bahwa objek tersebut merupakan kendaraan. Selanjutnya, ditampilkan informasi bahwa sepeda sedang berjalan dengan pelan, diikuti keterangan yang sama. Output ini menunjukkan bahwa metode berjalan() pada setiap kelas turunan menghasilkan keluaran yang berbeda, sedangkan metode info() menampilkan informasi kendaraan.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*MRtb4dRHfZWjcnsmB_W29Q.png" /></figure><p><strong>B. Hasil Analisis</strong><br>Berdasarkan praktikum yang telah dilakukan, kelas abstrak Kendaraan digunakan sebagai kelas induk bagi class Mobil dan Sepeda. Kedua class tersebut mengimplementasikan metode berjalan() dengan hasil yang berbeda, yaitu mobil berjalan dengan cepat dan sepeda berjalan dengan pelan. Sementara itu, metode info() digunakan untuk menampilkan informasi bahwa objek tersebut merupakan kendaraan.</p><p>Dari hasil tersebut, dapat diketahui bahwa konsep abstraksi dan pewarisan dalam Java memungkinkan beberapa class memiliki dasar fungsi yang sama, tetapi tetap mempunyai perilaku yang berbeda sesuai jenisnya. Dengan begitu, struktur program menjadi lebih teratur dan kode dapat digunakan sesuai kebutuhan masing-masing class.</p><p><strong>Tugas<br></strong>Untuk tugasnyapertama buat package baru bernama tugas9.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*n8DzRvByrb1JqLzr78ljXA.png" /></figure><p>Selanjutnya, buat class untuk menuliskan dan menjalankan perintah. Class Hewan akan dibuat sebagai class induk yang akan menjadi dasar bagi class turunannya, yaitu Kucing dan Anjing.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*DN_3PjEt5ucRXCphh87nPA.png" /></figure><p>Pada class induk dituliskan kode public abstract class Hewan dimana class Hewan dibuat sebagai kelas abstrak yang menjadi induk bagi class turunannya. Metode abstract void suara(); digunakan untuk menentukan fungsi suara yang harus diimplementasikan oleh class turunan. Sementara itu, metode info() berfungsi menampilkan informasi bahwa objek tersebut merupakan suara.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*Gle8_W2tdT65MbPbenzeQg.png" /></figure><p>Kemudian, class turunan dibuat dengan nama Kucing. Class ini dibuat sebagai turunan dari class Hewan.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*NyfRaZYTgi0H_7T9wq-XlQ.png" /></figure><p>Pada kode extends digunakn digunakan sebagai penanda bahwa class Kucing merupakan class turunan. Jadi, class Kucing dapat mewarisi metode yang ada pada class induknya. Metode berjalan() kemudian diimplementasikan menggunakan @Override agar Kucing memiliki perilaku berjalan sesuai dengan karakteristiknya. Perintah System.out.println() digunakan untuk menampilkan keterangan bahwa Kucing mengeluarkan suara: Meow.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*9mfxgPFW41WPNnoqSQmTeg.png" /></figure><p>Selain class Kucing, dibuat juga class turunan bernama Anjing dari class induk Hewan.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*MIv8mzQGkWaL7mO7vL-Qnw.png" /></figure><p>Setelah itu, tuliskan kode yang sama dengan kode yang dituliskan pada class Kucing. Namun, perintah System.out.println() dibuat berbeda. Pada class Anjing perintah tersebut digunakan untuk menampilkan keterangan bahwa Anjing mengeluarkan suara: Guk Guk.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*xhbVyd-RorVzCBvYJFOmLg.png" /></figure><p>Buat class Main untuk menjalankan kode atau perintah pada class-class yang telah dibuat sebelumnya.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*XzDohS7m1ivnL-a-rW5Tow.png" /></figure><p>Pada class Main, dibuat objek kucing dari class Kucing dan objek anjing dari class Anjing dengan menggunakan class Hewan sebagai tipe datanya. Selanjutnya, metode suara() dan info() dipanggil pada masing-masing objek untuk menampilkan cara hewan bersuara serta informasi hewan.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*UZ9SUKZvygReN8ltjzg7MA.png" /></figure><p>Output ini menunjukkan bahwa metode suara() pada setiap kelas turunan menghasilkan keluaran yang berbeda, sedangkan metode info() menampilkan informasi hewan.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*khLiGbKpVxSX_I4IQpN4wg.png" /></figure><p><strong>Kesimpulan</strong><br>Berdasarkan praktikum yang telah dilakukan, dapat disimpulkan bahwa abstraksi merupakan konsep dalam PBO yang digunakan untuk membuat struktur program lebih teratur melalui kelas abstrak. Pada praktikum ini, class Kendaraan menjadi kelas induk yang diwarisi oleh class Mobil dan Sepeda. Kedua kelas tersebut mengimplementasikan metode berjalan() dengan hasil yang berbeda sesuai jenis kendaraannya. Melalui praktikum ini, dapat dipahami bahwa kelas abstrak dan pewarisan dapat digunakan untuk membuat program yang memiliki fungsi dasar yang sama, tetapi tetap memiliki perilaku berbeda sesuai kebutuhan.</p><p><strong>Github<br></strong><a href="https://github.com/fahmaauliafadilla/Pemrogramana-Berorientasi-Objek/tree/main/PraktikumPBO_9">https://github.com/fahmaauliafadilla/Pemrogramana-Berorientasi-Objek/tree/main/PraktikumPBO_9</a></p><p><strong>Referensi</strong></p><ul><li>Modul Praktikum Pemrograman Berorientasi Objek (PBO), Modul 9: Abstraksi dan Kelas Abstrak.</li><li>Abstraksi dalam Pemrograman Berorientasi Objek (OOPS) <a href="https://share.google/9uCnw29eyPwcqNl8x">https://share.google/9uCnw29eyPwcqNl8x</a></li><li>kelas abstrak <a href="https://share.google/59tWk1LZ87LXpyzNW">https://share.google/59tWk1LZ87LXpyzNW</a></li></ul><img src="https://medium.com/_/stat?event=post.clientViewed&referrerSource=full_rss&postId=fba0597edd0c" width="1" height="1" alt="">]]></content:encoded>
        </item>
        <item>
            <title><![CDATA[JARKOM : VLAN]]></title>
            <link>https://medium.com/@fahma3703/jarkom-vlan-7e42d80afcb4?source=rss-b31dc606a5d0------2</link>
            <guid isPermaLink="false">https://medium.com/p/7e42d80afcb4</guid>
            <dc:creator><![CDATA[Fahma Aulia Fadilla]]></dc:creator>
            <pubDate>Tue, 27 Oct 2026 12:14:59 GMT</pubDate>
            <atom:updated>2026-10-27T12:14:59.004Z</atom:updated>
            <content:encoded><![CDATA[<p>Laporan Praktikum Pertemuan Ke — 9</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*1ixYcvTYpn85xZ_N5t5gSA.jpeg" /></figure><p><strong>Tujuan Praktikum</strong><br>1. Memahami konsep VLAN<br>2. Mampu Membuat VLAN pada Switch menggunakan aplikasi Packet Tracer.</p><p><strong>Alat dan Bahan</strong><br>1. Seperangkat komputer lengkap/Laptop dengan koneksi internet Web <br>2. Browser (Chrome/Firefox/Opera/Edge/Safari/dll) <br>3. Aplikasi Kantor (Microsoft Office/Libre Office/WPS Office/etc) <br>4. Cisco Packet Tracer</p><p><strong>Dasar teori <br>I. VLAN<br></strong>Saluran <em>Virtual LAN</em>(VLAN) merupakan sekumpulan perangkat pada satu<em> </em>atau lebih LAN yang dikonfigurasikan (menggunakan perangkat lunak) sehingga dapat berkomunikasi saat perangkat tersebut terhubung ke jalur yang sama, padahal sebenarnya perangkat tersebut berada pada sejumlah jalur <em>LAN</em> yang berbeda. <em>VLAN</em> memungkinkan beberapa jaringan IP dan jaringan-jaringan kecil (subnet) berada dalam jaringan switched switched yang sama. Agar computer bisa berkomunikasi pada <em>VLAN</em> yang sama, setiap computer harus memiliki sebuah alamat IP dan Subnet Mask yang sesuai dengan <em>VLAN</em> tersebut. Switch harus dikonfigurasi dengan <em>VLAN</em> dan setiap port dalam <em>VLAN</em> harus didaftarkan ke <em>VLAN</em>. Sebuah port switch yang telah dikonfigurasi dengan sebuah <em>VLAN</em> tunggal disebut sebagai access port.</p><p><strong>II. Kegunaan dan manfaaat penggunaan VLAN <br></strong>Ada beberapa fungsi dalam penggunaan VLAN meliputi :<strong><br>1. Security (Keamanan) : </strong>data dari setiap divisi dibuat masing masing karena segemnya dipisah secara logika.<strong><br>2. Cost reduction : </strong>pemghematan dala penggunaan bandwich agar tidak memakan biaya yang mahal saat upgrade perluasan network.<strong><br>3. Higher perfomance : p</strong>embagian layer 2 ke dalam beberapa kelompok boardcast domain yang lebih kecil. Hal ini dapat mengurangi lalu lintas paket yang tidak dibutuhkan dalam jaringan.<strong><br>4. Broadcast storm mitigation : </strong>jaringan akan dibagi menjadi beberapa VLAN yang dimana akan mengurangi banyaknya device yang digunakna dalam pembuatan boardcast strom.<strong><br>5. Improved IT staff efficiency : </strong>Memudahkan jaringan manajemen jaringan karena bisa membagi sumberdaya network dalam segmen yang sama.<br><strong>6. Simpler project or application management</strong> : VLAN dapat menggabungkan penguna dan peralatan jaringan untuk mendukung perusahaan dan menangani permasalahan kondisi geografis.</p><p><strong>III. Tipe — tipe VLAN <br></strong>Keanggotaan dalam suatu VLAN dapat di klasifikasikan berdasarkan port<br><strong>1. Berdasarkan Port<br></strong>VLAN ditentukan berdasarkan port pada switch yang digunakan. Perangkat yang terhubung pada port tertentu akan menjadi anggota VLAN yang telah ditetapkan pada port tersebut.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/490/1*Oi-gMtpGSw4Ex2hz5u6GRg.png" /><figcaption>Tabel Port dan VLAN</figcaption></figure><p><strong>2. Berdasarkan MAC Address</strong><br>Keanggotaan VLAN ditentukan berdasarkan MAC Address perangkat. Dengan metode ini, perangkat dapat dimasukkan ke VLAN tertentu berdasarkan alamat fisiknya.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/945/1*Ana-6U4Frw_npt_uWO6SMw.png" /><figcaption>Tabel<strong> MAC Address</strong> dan VLAN</figcaption></figure><p><strong>3. Berdasarkan Tipe Protokol<br></strong>VLAN dapat ditentukan berdasarkan protokol yang digunakan oleh perangkat atau lalu lintas jaringan.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/994/1*crhGKqHKUHlKgPGPOY8SEg.png" /><figcaption>Tabel protokol dan VLAN</figcaption></figure><p><strong>4. Berdasarkan Alamat Subnet IP Subnet </strong><br>IP address pada suatu jaringan juga dapat digunakan untuk mengklasifikasi suatu VLAN.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/925/1*CCGHzLFn_B2__gfvzxEGHw.png" /><figcaption>Tabel IP Subnet dan VLAN</figcaption></figure><p><strong>Metode dan Hasil Analisis<br>A. Metode<br></strong>Langkah pertama dalam pembuatan satau percobaan konfigurasi VLAN menggunakan aplikasi Packet Tracer adalah membuka aplikasi Cisco Packet Tracer. Kemudian buat desain topologi VLAN sesuai dengan keinginan anda. desain topologi VLAN saya seperti gambar dibawah</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/835/1*2Eont1y8HIPNWyhbGg0AIQ.png" /><figcaption>Desai topologi jaringan VLAN</figcaption></figure><p>Selanjunya konfigurasi masing masing pc dengan ip address yang berbeda. Pada PC (PC0, PC1, PC2) yang berada apada VLAN10 saya meberi ip address dengan 10.10.15.0/24 sedangkan PC(PC3, PC4,PC5) yang berada pada VLAN20 saya memberikan ip addressnya 20.20.15.0/24</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*_efPMbWoeyvFltxsWwkEFA.png" /><figcaption>Contoh konfigurad VLAN padda VLAN10</figcaption></figure><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*yYXaIz8MfnJ0sUFEmi6MHw.png" /><figcaption>Contoh konfigurasi VLAN pada VLAN20</figcaption></figure><p>Setelah seluruh PC pada VLAN10 dan VLAN20 berhasil dikonfigurasi, kita akan mengkonfigurasi Switch dengan mengunkan CLI, kemudian ketik perintah enable kemudian ketik configure terminal.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/517/1*NA7ZzKVf2tnJWACMTtnhgQ.png" /><figcaption>Masuk kekonfigurasi Switch</figcaption></figure><p>Untuk konfigurasi VLAN, kitahanya menulis VLAN(VLAN berapa) dan name VLAN(VLAN berapa) kemudian exit.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/514/1*-wRf8OUU3fussCocKAm-5w.png" /><figcaption>Konfigurasi VLAN</figcaption></figure><p>Lakukan konfigurasi PC agar terhubung pada masing-masing VLAN. PC0, PC1, dan PC2 akan dimasukan kedalam VLAN10 dengan Network Network 10.10.NPM.0/24. Sedangkan PC3, PC4 dan PC5 akan dimasukan kedalam VLAN20 dengan Network 20.20.NPM.0/24. Demgam cara int fa0/(urutan) lalu switchport access vlan(vlan yang dituju)</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/742/1*Sny8LWG1Cwlik7ejCT5l1A.png" /><figcaption>konfigurasi PC agar terhubung pada masing-masing VLAN</figcaption></figure><p>Untuk melihat hasil konfigurasi VLAN pada switch, gunakan perintah show vlan pada switch</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/925/1*3HqPT98G0q3hHv0tYirUvw.png" /></figure><p>Lakukan pengujian jaringan dengan menggunakan simple PDU hasilnya dapat dilihat dari Simulation/ Event List. Saat, PDU di kirimkan pada PC dengan VLAN yang sama maka last satusnya akan memperlihatkan hasil succesful sedangkan, saaat PDU dikirmkan pada PC dengan VLAN yang berbeda maka last statusnya akan memperlihatkan hasil berupa failed.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/786/1*zV4luPqv5RSw5UnrK00NCQ.png" /></figure><p><strong>B. Hasil Analisis</strong><br>Virtual Local Area Network (VLAN) pada Cisco Packet Tracer berhasil dilakukan dengan membagi perangkat ke dalam VLAN 10 dan VLAN 20 menggunakan perintah CLI pada switch, di mana pengujian menggunakan <em>Simple PDU</em> membuktikan bahwa komunikasi antar komputer dalam VLAN yang sama menghasilkan status <em>successful</em>, sedangkan komunikasi antar VLAN yang berbeda gagal terhubung secara langsung tanpa perangkat Layer 3.</p><p><strong>Kesimpulan<br></strong>Berdasarkan praktikum VLAN yang telah dilakukan, dapat disimpulkan bahwa VLAN digunakan untuk membagi jaringan secara logis sehingga perangkat dapat dikelompokkan sesuai VLAN yang telah ditentukan. Pada praktikum ini, konfigurasi dilakukan sesuai poin A, sehingga dapat dipahami proses pembuatan dan penerapan VLAN pada switch serta pengaturan port yang digunakan. Praktikum menunjukkan bahwa VLAN dapat membantu mengatur dan memisahkan jaringan dengan lebih terstruktur.</p><p><strong>Github<br></strong><a href="https://github.com/fahmaauliafadilla/Jaringan_Komputer/blob/main/jarkom_pertemuan_9.pkt">https://github.com/fahmaauliafadilla/Jaringan_Komputer/blob/main/jarkom_pertemuan_9.pkt</a></p><p><strong>Referensi</strong></p><ul><li><strong>Praktikum Jaringan Komputer Pertemuan 9 — VLAN</strong></li><li><strong>VLAN : Simak Pengertian, Fungsi, Tipe dan Keuntungannya</strong> <a href="https://it.telkomuniversity.ac.id/vlan-pengertian-fungsi-dan-keuntungannya/">https://it.telkomuniversity.ac.id/vlan-pengertian-fungsi-dan-keuntungannya/</a></li></ul><img src="https://medium.com/_/stat?event=post.clientViewed&referrerSource=full_rss&postId=7e42d80afcb4" width="1" height="1" alt="">]]></content:encoded>
        </item>
        <item>
            <title><![CDATA[Big Data : Studi Kasus Terintegrasi: Analisis Big Data End-to-End]]></title>
            <link>https://medium.com/@fahma3703/big-data-studi-kasus-terintegrasi-analisis-big-data-end-to-end-5af41890c9f3?source=rss-b31dc606a5d0------2</link>
            <guid isPermaLink="false">https://medium.com/p/5af41890c9f3</guid>
            <dc:creator><![CDATA[Fahma Aulia Fadilla]]></dc:creator>
            <pubDate>Sun, 11 Oct 2026 02:23:21 GMT</pubDate>
            <atom:updated>2026-10-11T02:23:21.352Z</atom:updated>
            <content:encoded><![CDATA[<p>Laporan pertemuan ke — 7</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/894/1*hllGnDWzwQd8kuSSPhD_FQ.png" /></figure><p><strong>Tujuan Praktikum</strong><br>1. Bisa memahami perbedaan efisiensi performa antara format data kolumnar (Parquet) dengan data berbasis baris (CSV).<br>2. Mampu membaca, memproses, dan memanipulasi data tabular (CSV) serta data semi-terstruktur (JSON Lines) menggunakan PySpark.<br>3. Mampu membangun sebuah alur kerja <em>pipeline</em> ETL (<em>Extract, Transform, Load</em>) mandiri dan menyimpannya ke dalam sistem penyimpanan terdistribusi HDFS Hadoop dengan teknik <em>partitioning</em></p><p><strong>Alat dan Bahan<br></strong>1. Laptop<strong><br></strong>2.<strong> </strong>Jupyter Notebook<br>3. Hadoop<br>4. Apache Spark / PySpark</p><p><strong>Dasar Teori<br>1. Penyimpanan dan Pengolahan Data Terdistribusi</strong><br>Pengolahan data berukuran besar membutuhkan sistem yang mampu menyimpan dan memproses data secara efisien. HDFS digunakan untuk menyimpan data secara terdistribusi pada beberapa komputer, sedangkan PySpark membantu mengolah data menggunakan Apache Spark melalui bahasa Python. Keduanya mendukung proses pengolahan data, seperti membaca, menyaring, dan mengelompokkan data dalam jumlah besar.</p><p><strong>2. Integrasi Data dan Window Function</strong><br>Operasi join digunakan untuk menggabungkan dua DataFrame berdasarkan kolom yang saling berhubungan agar informasi yang diperoleh lebih lengkap. Sementara itu, window function digunakan untuk melakukan perhitungan atau menentukan peringkat tanpa menghilangkan baris data aslinya. Fungsi “row_number()” dan “partitionBy” dapat dimanfaatkan untuk mengurutkan serta menganalisis data berdasarkan kelompok tertentu.</p><p><strong>3. ETL dan Penyimpanan Data Menggunakan Parquet</strong><br>ETL (Extract, Transform, Load) merupakan proses pengambilan, pengolahan, dan penyimpanan data agar siap digunakan untuk analisis. Setelah data dibersihkan dan diolah, hasilnya dapat disimpan dalam format Parquet yang mendukung kompresi dan pembacaan data secara efisien. Penggunaan partisi juga membantu mengurangi jumlah data yang perlu dibaca saat menjalankan kueri.</p><p><strong>Metode dan Hasil Analisis<br></strong>Langkah pertma dalam praktikum kali ini adalah dengan masuk kedalam jupyter nitebook lewat terminal, lalu jalankan perintah Import library yang diperlukan dan membuat SparkSession untuk menjalankan PySpark.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*SJ_iNGxM8IUNn7bu1fAEXg.png" /></figure><p>Selanjutnya, buat tiga data yang nantinya akan di gunakan untuk praktikum. Tiga data itu meliputi data toko dalam format json, kemudian data produk dan data transaksi salam format cvs. Data terduri daei 4 data toko, 20 data produk, serta 5000 data transaksi.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*-t0PE-lADpYu2FrVrIhNaw.png" /></figure><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*jh_JhPt8y_Dlh_YWTm66wQ.png" /></figure><p>selanjutnya, cek data yang sudah dibuat, lalu masukan ketiga file yang telah dibuat itu kedalam HDFS pada folder raw. Kemudian, perintah hdfs dfs -Is dijalankan untuk memastikan ketiga file suda berhasil tersimpan.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*fDuLhwvcHQFyN3E7BFdK-Q.png" /></figure><p>Setelah itu, ketiga data itu dibaca dari HDFS menggunakan PySpark. Lakukan pengecekan jumlah data untuk memastikan data berhasil di baca, yaitu 5000 transaksi, 4 data toko, dan 20 data produk.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*BYMfdVtmHbKcG3TvzJBrWQ.png" /></figure><p>Join antara data transaksi, toko, dan produk berdasarkan toko_id dan produk_id. Hasilnya digunakan untuk menggabungkan informasi transaksi dengan nama toko, manager, nama produk, kategori, dan harga.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*hceyldJ30aRfBvcjFBGh-Q.png" /></figure><p>Kemudian, perhitungan total penjualan setiap produk dilakukan pada masing-masing toko. Gunakan Window dan row_number() untuk menentukan peringkat produk berdasarkan total penjualan, sehingga dapat diketahui produk dengan penjualan tertinggi pada setiap toko.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*xD3q1c_ybxSZhNnE6ERbkA.png" /></figure><p>Setelah itu, gunakan Spark SQL untuk menghitung total penjualan berdasarkan kota dan manager. Data kemudian diurutkan dari total penjualan terbesar untuk melihat kontribusi masing-masing manager.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*PaNBMkPFVRkDPc37oKvvtQ.png" /></figure><p>Pada tahap ini hasil pengolahan data disimpan kembali ke HDFS dalam format Parquet dan dipisahkan berdasarkan kategori produk menggunakan partitionBy. Setelah itu dilakukan pengecekan folder untuk memastikan data berhasil tersimpan.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*mbXocEa4_K6XHsRSwEqJaQ.png" /></figure><p>Tahap terakhir, data hasil pengolahan dalam format Parquet dibaca kembali dari HDFS. Kemudian dilakukan pengelompokan berdasarkan nama toko, kota, dan manager untuk menghitung total penjualan, jumlah transaksi, serta rata-rata nilai transaksi.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*psKlQ4Ids9WrY6P2NqkdtA.png" /></figure><p>Setelah selesai praktikum, matikan SparkSession mengunakan lerintah spark.stop() .</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*udYeT3z-1JS2dB_8zYhFVQ.png" /></figure><p><strong>Latihan Mandiri</strong><br>Untuk melaksanakan tugas mandiri, terlebih dahuli jalakan program yang sudah di sediakan pada modul.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*FjfPVvHetsrhbaqFsf-A4A.png" /></figure><p><strong>Soal 1.</strong> Menggunkan Spark SQL , tapilkan kategori produk dengan total qty(jumlah unit terjual, nukan nilai rupiah) tertinggi secara keseluruhan.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*HHjfRgKXxmLlu-4g7XDSLQ.png" /></figure><p>Digunakan Spark SQL untuk menghitung total qty berdasarkan kategori produk. Data dikelompokkan menggunakan GROUP BY, kemudian SUM(qty) digunakan untuk menghitung jumlah unit terjual dan hasilnya diurutkan dari yang terbesar. Hasilnya menunjukkan Elektronik memiliki total penjualan unit tertinggi, yaitu 6736 unit.</p><p><strong>Soal 2.</strong> Menggunakan widow function, tentukan toko dengan penjual tertinggi untuk masing-masing kategori produk(top-1 saja, gunakan row_number()).</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*zspT8yHN8dA5B7VB09B-0g.png" /></figure><p>Data dikelompokkan berdasarkan kategori dan nama toko untuk menghitung total penjualan. Selanjutnya digunakan Window Function dengan row_number() untuk memberikan peringkat pada setiap toko dalam masing-masing kategori. Hanya peringkat pertama yang diambil sehingga diperoleh toko dengan penjualan tertinggi (top-1) di setiap kategori.</p><p><strong>Soal 3.</strong> Simpan hasil ringkasan_ekseklutif (dari Sub-bab 7.4 diatas — silahkan buat ulang) ke HDFS sebagai Parquet tanpa partisi, pada path /user/mahsiswa/latihan7/ringkasan_eksekutif.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*cTYYzV_sqa25jDXkZr2YCA.png" /></figure><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*VB7b2ecAZ4IMbHMFPAMqUw.png" /></figure><p>Hasil ringkasan_eksekutif disimpan ke HDFS menggunakan format Parquet tanpa partisi. Setelah proses penyimpanan selesai, dilakukan pengecekan isi folder HDFS untuk memastikan file Parquet berhasil tersimpan.</p><p><strong>Soal 4 (Refleksi menyeluruh).</strong> Sebagai persiapan UTS, jelaskan dalam 4–5 kalimat: bagaimana <strong>HDFS, Spark, dan format Parquet saling melengkapi</strong> dalam satu ekosistem Big Data? Gunakan istilah-istilah yang telah anda pelajari sejak Pertemuan 3 (mis. distributed storage, in-memory processing, columnar format, partitioning).</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*Q0XR3sd5eJrNeoTC4Ijp5g.png" /></figure><p><strong>Tugas Mandiri</strong><br><strong>Konteks / Skenario<br></strong>Kalian direkrut sebagai data analyst paruh waktu oleh <strong>“Kopi Nusantara”</strong>, jaringan kedai kopi dengan beberapa cabang. Pemilik ingin memahami performa penjualan tiap cabang, menu terlaris, dan kontribusi barista kepala di masing-masing cabang selama periode tertentu — persis seperti studi kasus yang baru dikerjakan bersama, namun dengan data dan struktur yang sedikit berbeda.</p><p><strong>Menyiapkan Dataset</strong><br>Jalankan cell berikut untuk menghasilkan tiga sumber data dan mengunggah data transaksi ke HDFS.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*IOrtLgL4nTU_1pc0Pu9BwQ.png" /></figure><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*ryoPriZBUmJxHxuXE5xYYA.png" /></figure><h3>Instruksi Pengerjaan</h3><p>Buat notebook baru <strong>Tugas7_[NPM]_[Nama Lengkap].ipynb</strong>, lalu bangun pipeline analisis lengkap:</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/300/1*9Yr4hrA7UJikNMuAz4jRkw.png" /></figure><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*NJBvtqgA2_5xMCkc__vCsg.png" /></figure><p>Buat Sparksesion terlebih dahulu sebelum mengerjakan tugas.</p><p><strong>A. EXTRACT</strong> <em>(bobot 10%)<br></em>Baca ketiga sumber data <strong>dari HDFS</strong> (bukan disk lokal) menjadi tiga Spark DataFrame.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*PHMT4SPsq3yNkICSWeXlGw.png" /></figure><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*7usLBchGxTc5s8ncIs9pLg.png" /></figure><p><strong>B. TRANSFORM — Join &amp; Kolom Turunan</strong> <em>(bobot 20%)<br></em>Gabungkan ketiga tabel, tambahkan kolom total_penjualan (qty x harga).</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*XannC5VDqL24IhFUVIXbiQ.png" /></figure><p><strong>C. TRANSFORM — Window Function</strong> <em>(bobot 20%)<br></em>Tentukan <strong>top-2 menu terlaris</strong> (berdasarkan total_penjualan) di <strong>setiap cabang</strong>, gunakan row_number().</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*akaUqyH3rqF2eHvboGo1fA.png" /></figure><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*PTM1AcgYDcfeFoBwSqWXFg.png" /></figure><p><strong>D. TRANSFORM — Spark SQL</strong> <em>(bobot 20%)<br></em>Menggunakan <strong>Spark SQL murni</strong>, tampilkan total penjualan per kepala_barista, diurutkan dari tertinggi.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*bp8yHjsC_N4eZS2Fwvmvkg.png" /></figure><p><strong>E. LOAD</strong> <em>(bobot 15%)<br></em>Simpan data gabungan (hasil bagian B) ke HDFS sebagai Parquet, path /user/[username]/tugas7/processed/laporan, dipartisi berdasarkan kategori_menu. Verifikasi dengan membaca kembali dan menghitung jumlah baris.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*h7_-aM9_6x9Ak4EMqSE18w.png" /></figure><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*zGYzvVj28KOjKzFQrnJZdg.png" /></figure><p><strong>F. Ringkasan Eksekutif &amp; Rekomendasi</strong> <em>(bobot 15%)<br></em>Buat tabel ringkasan (per cabang: total penjualan, jumlah transaksi, rata-rata nilai transaksi), lalu tulis pada markdown cell (<strong>minimal 120 kata</strong>): cabang mana yang berkinerja terbaik, menu apa yang sebaiknya dipromosikan lebih gencar di cabang dengan kinerja terlemah (berdasarkan temuan bagian C), dan alasannya.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*EIFCiXBOh06ExTtHIv6arw.png" /></figure><p><strong>Eksplorasi<br></strong>Dilakukan pengelompokan data penjualan berdasarkan kategori menu untuk mengetahui jumlah produk yang terjual dan total penjualannya. Data dikelompokkan menggunakan “GROUP BY”, lalu dihitung menggunakan fungsi “SUM()” dan diurutkan dari jumlah unit terjual terbanyak. Dari hasil yang diperoleh, kategori Makanan Ringan memiliki jumlah penjualan unit tertinggi, disusul oleh Kopi dan Non-Kopi. Hasil ini menunjukkan kategori menu yang paling banyak terjual</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*4-0E305I_RQqHsSc39qyDg.png" /></figure><p>Data gabungan dikelompokkan berdasarkan nama dan kategori menu untuk menghitung total kuantitas serta total penjualannya. Hasil perhitungan kemudian diurutkan dari total penjualan tertinggi dan dibatasi menjadi lima menu menggunakan “limit(5)”. Dengan hasil tersebut, dapat diketahui lima menu dengan nilai penjualan terbesar sehingga data penjualan lebih mudah dianalis.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*-0aGdqweM6wBTU4MHPhs0w.png" /></figure><p>Tutup SparkSession setelah menyelesaikan tugas pemrogram.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*J7OF6P9u31WeUiyXmZfjCA.png" /></figure><p><strong>Kesimpulan <br></strong>Berdasarkan praktikum yang telah dilakukan, dapat disimpulkan bahwa pengolahan data menggunakan HDFS dan PySpark membantu proses penyimpanan serta analisis data dalam jumlah besar. Operasi join dan window function dapat digunakan untuk menggabungkan serta menganalisis data sesuai kebutuhan. Selain itu, penerapan ETL dan penyimpanan dalam format Parquet membantu menghasilkan data yang lebih terstruktur dan efisien untuk digunakan pada proses analisis selanjutnya.</p><p><strong>Github<br>Praktikum</strong></p><p><a href="https://github.com/fahmaauliafadilla/Big-Data/blob/main/Modul_Praktikum_BigData_Pertemuan7.ipynb">Big-Data/Modul_Praktikum_BigData_Pertemuan7.ipynb at main · fahmaauliafadilla/Big-Data</a></p><p><strong>Tugas</strong></p><p><a href="https://github.com/fahmaauliafadilla/Big-Data/blob/main/Tugas7_2505060015_FahmaAuliaFadilla.ipynb">Big-Data/Tugas7_2505060015_FahmaAuliaFadilla.ipynb at main · fahmaauliafadilla/Big-Data</a></p><p><strong>Referensi</strong></p><ul><li><strong>Apache Software Foundation. (n.d.). Spark SQL, DataFrames and Datasets</strong> <strong>Guide</strong>.(https://spark.apache.org/docs/latest/sql-programming-guide.html)</li><li><strong>PostgreSQL Global Development Group. (n.d.). Window Functions. </strong>(https://www.postgresql.org/docs/current/tutorial-window.html)</li><li><strong>Apache Software Foundation. (n.d.). Apache Parquet Overview.</strong> (https://parquet.apache.org/docs/overview/)</li><li><strong>Amazon Web Services. (n.d.). What Is an ETL Pipeline?</strong> (https://aws.amazon.com/what-is/etl-pipeline/)</li></ul><img src="https://medium.com/_/stat?event=post.clientViewed&referrerSource=full_rss&postId=5af41890c9f3" width="1" height="1" alt="">]]></content:encoded>
        </item>
    </channel>
</rss>