1

SIMULASI OPTIMASI QUERY MENGGUNAKAN HISTOGRAM UNTUK

MEMINIMALISASI NILAI SUMBER DAYA PADA DATABASE TERDISTRIBUSI

Ignatius Hadi Prabowo1)

1) S1/Jurusan Sistem Informasi, Sekolah Tinggi Manajemen Informatika & Teknik Komputer

Surabaya, email : Ignatius.prabowo@hotmail.com

Abstract : Query optimization in a relational database become an "expensive" job when dealing with

relationships in large numbers. Finding the best execute way with the fastest time is a liability since the wrong

strategy could be implemented in a database so that increases the execution time of a query set. With the

increasing complexity of a database, it becomes important for the methods of the query optimizer to adopt an

algorithm that requires a low cost in terms of execution time.

There are several methods examined by experts to reduce the burden of DBMS. By taking advantage of a query

optimization model that using a histogram and a model incorporating the concept of determination of the costs of

operations performed by the DBMS is expected to reduce the burden on the DBMS performance. The

combination model proposed would pass procedure simulation system with a verification and validation process.

After pass some development process the optimization model will be tested using real data from 3 tables,

MHS_MF_TA, KURLKL_MF_TA, FAK_MF_TA STIKOM Surabaya with a total of 19.344 records.

After testing and evaluation process of simulation models, the query optimization using a histogram could ease a

DBMS performance on a selection attributes order that would be executed, so that based on a simulation results

could be concluded that the proposed model can reduce the burden of query execution by the DBMS

Keyword: Query Optimization, histogram, simulation

Proses optimasi pada query dalam

sebuah relasi database menjadi pekerjaan

yang ”mahal” saat berurusan dengan relasi

dalam jumlah besar. Jumlah kemungkinan

cara untuk mengeksekusi sebuah set query

meningkat secara eksponen bersamaan

dengan jumlah relasi yang terdapat dalam set

query tersebut. Mencari cara terbaik dengan

waktu eksekusi tercepat adalah sebuah

kewajiban semenjak strategi yang salah

diterapkan dalam sebuah database sehingga

meningkatkan waktu eksekusi sebuah set

query. Dengan meningkatnya kompleksitas

sebuah database, hal tersebut menjadi

penting bagi metode-metode query optimizer

untuk mengadopsi sebuah algoritma yang

membutuhkan cost rendah dalam hal waktu

eksekusi.

Usaha sebelumnya untuk

menyelesaikan permasalahan tersebut

berkisar pada strategi pencarian seperti

deterministic, randomized dan heuristic.

Banyak algoritma diajukan oleh banyak

literatur, seperti Simulated Annealing (SA),

Iterative Improvement (II), Two Phase

Optimization (2PO) dan Genetic Algorithm.

Contoh-contoh yang disebutkan adalah

algoritma random yang umum yang telah

diaplikasikan pada query optimization.

Dikatakan pada sebuah jurnal

internasional yang membahas tentang

distributed database adalah “a collection of

multiple, logically interrelated databases

distributed over a computer network”

(Zafarani, Derakhshi, Asil, & Asil, 2010)

Pada pernyataan tersebut menjelaskan bahwa

2

database terdistribusi merupakan kumpulan

database yang tersebar pada sebuah jaringan

komputer dan terintegrasi secara logika. Pada

kenyataannya dalam database yang

terdistribusi ini memerlukan sumber daya

yang cukup tinggi untuk mendapatkan

performa yang baik. Untuk mendukung

pencapaian performa sistem database

terdistribusi yang optimal diperlukan sebuah

metode optimasi pula. Pada sebuah jurnal

internasional menyatakan ”the cost function

for query execution in grid environment

involves three major parameters, namely,

communication cost, I/O cost, and CPU cost”

(Ray & Guha, 2010) bahwa fungsi biaya

untuk eksekusi query dalam lingkungan

grid/terdistribusi melibatkan tiga parameter

utama, yang disebut, communication cost,

I/O cost, dan CPU cost. Beberapa variabel

tersebut yang diperhitungkan untuk

mendapatkan nilai biaya sumber daya yang

telah digunakan dan sebuah model yang

dikembangkan untuk menghitung variabel-

variabel pada jurnal tersebut.

Dalam bagian bahasa pemrograman

yang telah dieksplor selama ini dapat

melakukan penyusunan query dan melakukan

optimasi query pada run-time. Dalam

simulasi ini dilakukan sebuah pengembangan

model yang melakukan optimasi query pada

compile-time semaksimal mungkin

menggunakan histogram. Menurut artikel

dari sebuah halaman web (Wikipedia, 2011)

tentang histogram, ”Pada bidang statistik,

histogram adalah tampilan grafis dari tabulasi

frekuensi yang digambarkan dengan grafis

batangan sebagai manifestasi data binning.”

Histogram digunakan untuk mengestimasi

urutan selektivitas dari distribusi data

tertinggi hingga terendah yang ada dalam

sebuah query. Selektivitas mengacu pada

sebuah jurnal yang mengatakan, ”The

selectivity of a predicate in a query is a

decisive aspect for a query plan generation.

The ordering of predicates can considerably

affect the time needed to process a join

query. To have the query plan ready at

compile-time, we need to have the

selectivities of all the query predicates. To

calculate these selectivities, we use

histograms.” (Li, Han, & Ding, 2010)

Selektivitas predikat (where) dalam query

adalah aspek yang menentukan untuk

menghasilkan rencana query (query plan).

Urutan predikat dapat mempengaruhi waktu

yang dibutuhkan untuk proses query join.

Untuk memiliki rencana query siap pada

compile time, perlu dimiliki selektivitas dari

semua query predikat. Untuk menghitung

selektivitas ini, digunakan histogram.

Dengan diterapkannya model optimasi query

menggunakan histogram pada setiap

database yang terdistribusi ini diharapkan

dapat mengurangi nilai sumber daya yang

akan diperhitungkan menggunakan model

yang ada.

3

LANDASAN TEORI

Simulasi

Simulasi adalah sebuah model

matematika yang menjelaskan tingkah laku

sebuah sistem dalam beberapa waktu dengan

mengobservasi tingkah laku dari sebuah

model matematika untuk beberapa waktu

seseorang analis bisa mengambil kesimpulan

tentang tingkah laku dari sistem dunia nyata

yang disimulasikan. Karena simulasi

membahas tentang sistem maka perlu adanya

pengertian mengenai sistem. Sistem

merupakan himpunan dari subsistem-

subsistem yang bermanfaat untuk mencapai

suatu tujuan yang telah ditetapkan. (Utama,

2010)

Model simulasi merupakan alat yang

cukup fleksibel untuk memecahkan masalah

yang sulit untuk dipecahkan dengan

matematis biasa. Model simulasi sangat

efektif digunakan untuk sistem yang relatif

kompleks untuk pemecahan analitis dari

model tersebut. (Suryani, 2006) Berikut

merupakan beberapa kelebihan model

simulasi, antara lain:

1. Tidak semua sistem dapat

direpresentasikan dalam model

matematis, simulasi merupakan

alternatif yang tepat

2. Dapat bereksperimen tanpa adanya

resiko pada sistem nyata

3. Simulasi dapat mengestimasi kinerja

sistem pada kondisi tertentu dan

memberikan alternatif desain terbaik

sesual dengan spesifikasi yang

diberikan

Kontras dengan beberapa kelebihan yang

disebutkan sebelumnya model simulasi juga

memiliki beberapa kekurangan, antara lain:

1. Kualitas dan analisis model tergantung

pada si pembuat model

2. Hanya mengestimasi karakteristik

sistem berdasarkan masukan tertentu

Validasi model merupakan proses

pengujian terhadap model apakah model

yang dibuat sudah sesuai dengan sistem

nyatanya. Hal ini akan dilakukan secara

manual melalui perhitungan matematika

dengan formula (Suryani, 2006) sebagai

berikut:

| |

................................................... (1)

Dimana

adalah nilai rata-rata data

adalah nilai rata-rata hasil simulasi

Vensim

Vensim Simulation merupakan bahasa

simulasi yang dapat digunakan sebagai tool

untuk membantu menyelesaikan masalah-

masalah bisnis maupun teknis. Software ini

dikembangkan oleh Ventana Systems, Inc

yang dikembangkan sebagai respon terhadap

kebutuhan dalam mengembagkan model-

model simulasi. (Suryani, 2006) Vensim

merupakan salah satu dari beberapa

perangkat lunak berbayar yang tersedia untuk

memfasilitasi dalam pembangunan model

4

sistem dinamis. Vensim ini merupakan

perangkat lunak shareware. Dengan

demikian dapat membantu pelajar atau user

dalam mempelajari software ini sebelum

membelinya. Dengan Vensim pengguna

dapat membangun Causal Loop Diagram,

Stock Diagram, Flow Diagram.

Optimasi Query

Data yang tersimpan dalam database

semakin lama akan semakin besar ukuran

atau volumenya. Jika tidak didukung dengan

kecepatan akses yang memadai maka akan

semakin menurun unjuk kerjanya. Ukuran

performa dalam hal ini kecepatan akses data

dipengaruhi oleh banyak faktor. Pada subbab

ini akan membahas tentang optimasi query

serta faktor-faktor lain yang berpengaruh

terhadap optimalisasi kecepatan akses data.

Menurut dokumen tentang optimasi

query yang diunduh dari internet

menyatakan, “optimasi query adalah sebuah

prosedur untuk meningkatkan strategi

evaluasi dari suatu query untuk membuat

evaluasi tersebut menjadi lebih efektif.”

(Laila, 2011)Ada tiga aspek dasar yang

mempengaruhi optimasi query, yaitu:

1. Search space

2. Cost model

3. Search strategy

Sedangkan untuk tujuan optimasi

query tersebut, antara lain:

1. Untuk meminimumkan waktu proses

2. Untuk waktu respon, meminimumkan

I/O dan meminimumkan penggunaan

memory

3. Menemukan jalan akses yang termurah

untuk meminimumkan total waktu pada

saat proses sebuah query

Tahapan Optimasi Query

Proses optimasi query merupakan

salah satu modul dalam proses mengeksekusi

query dari tingkat user hingga menampilkan

hasilnya. Berikut menunjukkan modul

optimasi query dalam proses eksekusi suatu

set query:

SCANNER

PARSER

QUERY OPTIMIZER

INTERPRETER

QUERY PROCESSOR

SQL

HASIL QUERY

MENGHASILKAN PARSE TREE

MENGHASILKAN QUERY PLAN

MENGHASILKAN KODE QUERY

Gambar 1 Tahapan Memproses Query (Laila,

2011)

5

Dikatakan dalam sebuah jurnal yang

membahas tentang pemrosesan query dan

optimasi bahwa scanner melakukan

identifikasi (pengenalan) token-token seperti

SQL keywords, atribut, dan nama relasi.

Proses ini disebut dengan scanning. Query

Parser mengecek kevalidan query dan

kemudian menterjemahkannya ke dalam

sebuah bentuk internal yaitu ekspresi relasi

aljabar atau parse tree. Proses ini disebut

dengan parsing. Query Optimizer memeriksa

semua ekspresi-ekspresi aljabar yang sama

untuk query yang diberikan dan memilih

salah satu dari ekspresi tersebut yang terbaik

yang memiliki perkiraan termurah. Tugas

dari query optimizer adalah menghasilkan

sebuah rencana eksekusi. Proses ini disebut

dengan optimasi query. Code Generator atau

Interpreter mentransformasikan rencana

akses yang dihasilkan oleh optimizer ke

dalam kode-kode. Setelah itu, kode-kode

tersebut dikirimkan ke dalam query processor

untuk dijalankan. Query Processor

melakukan eksekusi query untuk

mendapatkan hasil query yang diinginkan.

(Laila, 2011)

Optimasi pada Perintah SQL

Desain aplikasi saja tidak cukup

untuk meningkatkan unjuk kerja harus

didukung dengan optimasi dari perintah SQL

yang digunakan pada aplikasi tersebut.

Dalam mendesain database, seringkali lokasi

fisik data tidak menjadi perhatian penting

karena hanya desain logik saja yang

diperhatikan. Padahal untuk menampilkan

hasil query dibutuhkan pencarian yang

melibatkan struktur fisik penyimpanan data.

Inti dari optimasi query adalah

meminimalkan “jalur” pencarian untuk

menemukan data yang disimpan dalam lokasi

fisik.

Index pada database digunakan untuk

meningkatkan kecepatan akses data. Pada

saat query dijalankan, index mencari data dan

menentukan nilai ROWID yang membantu

menemukan lokasi data secara fisik di disk.

Akan tetapi penggunaan index yang tidak

tepat, tidak akan meningkatkan unjuk kerja

dalam hal ini kecepatan akses data.

Misal digunakan index yang

melibatkan tiga buah kolom yang

mengurutkan kolom menurut kota, propinsi

dan kode pos dari tabel karyawan, sebagai

berikut:

CREATE INDEX idx_kota_prop_kodepos

ON karyawan(kota, propinsi, kode_pos)

TABLESPACE INDX;

Kemudian user melakukan query

sebagai berikut:

SELECT * FROM karyawan WHERE

propinsi=’Jawa Barat’;

Pada saat melakukan query ini, index

tidak akan digunakan karena kolom pertama

(kota) tidak digunakan dalam klausa

WHERE. Jika user sering melakukan query

ini, maka kolom index harus diurutkan

menurut propinsi. Selain itu, proses

6

pencarian data akan lebih cepat jika data

terletak pada blok tabel yang berdekatan

daripada harus mencari di beberapa datafile

yang terletak pada blok yang berbeda.

Misal pada perintah SQL berikut ini :

SELECT * FROM karyawan

WHERE id BETWEEN 1010 AND 2010;

Query ini akan melakukan “scan”

terhadap sedikit blok data jika tabel

karyawan diatas diurutkan berdasarkan

kolom id. Untuk mengurutkan berdasarkan

kolom yang berbeda-beda maka tabel

disimpan dalam flat file, kemudian tabel

diekspor dan diurutkan sesuai kebutuhan.

Alternatif yang lain, bisa digunakan

perintah untuk membuat tabel lain yang

memiliki urutan yang berbeda dari tabel asal,

seperti perintah SQL berikut :

CREATE TABLE karyawan_urut

AS SELECT * FROM karyawan

ORDER BY id;

Pada SQL diatas, tabel

karyawan_urut berisi data yang sama dengan

tabel karyawan hanya datanya terurut

berdasarkan kolom id.

Optimasi Query menggunakan Histogram

Dalam sebuah jurnal tentang optimasi

dengan memanfaatkan histogram

menggunakan dari distribusi data yang ada

dibangun sebuah histogram yang berisikan

frekuensi munculnya data tertentu dan

dikelompokkan (buckets). Jika data tersebut

bersifat numerik maka pengelompokan dapat

dengan mudah ditentukan melalui sebuah

batasan. Jika data tersebut bersifat kategori

maka dapat dikelompokkan berdasarkan

urutan hurufnya. Selanjutnya, dilakukan

eksekusi query beberapa sampel. Eksekusi

sampel ini mengkonsumsi sejumlah kecil dari

sumber daya yang tersedia. Dari hasil query

tersebut, akan diperkirakan frekuensi untuk

histogram. Namun, data yang mendasar dapat

cenderung mengalami perubahan. Jadi perlu

memiliki perkiraan untuk pola perubahan

data. Untuk ini, mencatat perubahan data,

perkiraan delta perubahan dan pola

perubahan yang dapat disimpulkan sebagai

eksekusi dilanjutkan sehingga histogram

yang beradaptasi untuk penambahan data.

(Nerella, Surapaneni, Madria, & Weigert,

2010)

Terdapat pendekatan khusus dalam

menentukan estimasi biaya untuk masing-

masing predikat dan join yang terdapat dalam

suatu query. Jika sebuah tabel T terdapat

100.000 baris dan predikat a menghasilkan

10 baris (T.a=10) dan dalam sebuah

histogram menunjukkan T.a=10 adalah 10%

(Nerella, Surapaneni, Madria, & Weigert,

2010), maka

....................... (1)

Beban predikat a dalam query adalah 10.000

Pemeliharaan Histogram

Dijelaskan dalam sebuah jurnal

internasional tentang optimasi query

menggunakan histogram bahwa data yang

7

mendasar bisa berubah. Untuk data yang

dapat berubah seperti itu, dibutuhkan sebuah

teknik untuk merestrukturisasi histogram

sesuai perkembangan data. Dengan

demikian, jika database diperbarui, maka

dihitung kesalahan estimasi dari histogram

dengan menggunakan persamaan berikut.

(Nerella, Surapaneni, Madria, & Weigert,

2010)

√

∑ ( )

....................................... (2)

................................. (3)

Dimana:

1. μ_a adalah estimasi kesalahan/error pada

setiap atribut

2. β adalah jumlah pengelompokan/wadah

3. N adalah jumlah baris dalam R

4. S adalah jumlah baris yang diseleksi

5. f_i adalah frekuensi dari

pengelompokan/wadah i pada histogram

6. q_f= S⁄N adalah frekuensi query

7. B_i adalah frekuensi yang diamati

8. T_i adalah perkiraan kesalahan untuk

setiap tabel

9. W_i adalah bobot setiap atribut

tergantung pada tingkat perubahan

Jika kesalahan (Ti) adalah> 0,5 maka

update histogram. Jika tidak, maka

menggunakan histogram lama yang sama

untuk memberikan estimasi selektivitas.

PENGEMBANGAN MODEL

Gambar 2 Tahapan Penelitian

Berdasarkan gambar diagram di atas

dalam tahap pengembangan model akan

dimulai dengan penguraian dari kedua

model.

Model Histogram

Dijelaskan dalam sebuah jurnal

internasional tentang optimasi query

menggunakan histogram bahwa data yang

mendasar bisa berubah. Untuk data yang

dapat berubah seperti itu, dibutuhkan sebuah

teknik untuk merestrukturisasi histogram

sesuai perkembangan data. (Nerella,

Surapaneni, Madria, & Weigert, 2010)

Dengan demikian, jika database diperbarui,

maka dihitung kesalahan estimasi dari

histogram dengan menggunakan persamaan

yang disebutkan sebelumnya.

Identifikasi Masalah Studi Literatur

Rumusan Masalah

Tujuan Penelitian

Masalah yang yang ditemui :

1.Bagaimana menggabungkan model optimisasi query menggunakan

histogram dan model untuk determinasi biaya sumber daya yang digunakan pada sistem database terdistribusi;

2. Apakah model optimisasi menggunakan histogram dapat

membantu meminimalisasi biaya sumber daya yang akan diperhitungkan

menggunakan model yang ada pada sistem database terdistribusi.

Tahap

Identifikasi

Masalah

Tahap

Pengembangan

Model

Penguraian

model optimisasi

query

menggunakan

histogram

Penguraian model determinasi biaya

sumber daya sebuah database

terdistribusi

Generalisasi Model optimisasi query

VerifikasiTahap

Pengujian

PROSES OUTPUT

Grafik perbandingan antara sistem tanpa model optimisasi dan sistem

dengan model optimisasi

Pembahasan terhadap model optimisasi query yang telah dikembangkan

Pembahasan

Kesimpulan SaranRekomendasi dan alternatif perbaikan

Generalisasi kedua

model

Validasi

Skenario Parameter

Data Simulasi

Data Sistem Nyata

8

Gambar 3 Optimasi menggunakan histogram

Gambar 3 menunjukkan hubungan

masing-masing variabel terhadap Miu a.

Variabel S, Beta, N, dan x berpengaruh

negatif terhadap Miu a, yang artinya semakin

besar nilai variabel akan mengurangi Miu a.

Sedangkan variabel f dan B berpengaruh

positif terhadap x. Miu a sendiri akan

berpengaruh positif terhadap Ti, semakin

besar nilai Miu a maka akan menambah nilai

Ti. Sedangkan Wn berpengaruh negatif

terhadap Ti.

Gambar 4 Model variabel formulasi database

terdistribusi

Dalam lingkungan sistem terdistribusi

terdapat dua tipe query yang berbeda, yaitu

query terpusat dan terdistribusi. Pada query

terpusat sumber daya yang

dibutuhkan untuk memproses

query adalah memory dan CPU.

Maka dari itu, pekerjaan

pemrosesan query tersebut dapat

dibebankan pada salah satu titik

dalam suatu sistem terdistribusi

yang memiliki sumber daya yang

cukup besar terutama dalam

memori dan CPU. Tidak ada

beban transmisi yang terlibat

dalam hal ini. Dalam kasus query

terdistribusi, query teruraikan dalam

beberapa subquery dan data yang diperlukan

dalam subquery tersebut dapat berada dalam

beberapa titik dalam database terdistribusi

pula. Dalam hal ini biaya transmisi juga

dipertimbangkan. Dengan demikian fungsi

biaya dalam mengeksekusi query pada sistem

terdistribusi melibatkan tiga parameter

utama, antara lain biaya komunikasi, biaya

I/O dan biaya CPU.

Gambar 5 Model optimasi yang diajukan

Model yang diajukan seperti yang ada

pada gambar 5 terbagi atas dua model. Model

yang pertama adalah model optimasi query

COST IN

DATAGRIDS

+

I/O Cost+ Communication

Cost

+

CPUCost

Y

COST IN

DATAGRIDS

+

I/O Cost+ Communication

Cost

+

CPUCost

Miu a

-

S

-

N

-

Beta

Wn

Ti+

-

x

+

B

+

f

-

Y

Miu a

-

S

-

N

-

Beta

Wn

Ti + -

x

+

B

+

f

-

9

menggunakan histogram dari distribusi data

dalam suatu database. Pemodelan

menggunakan Vensim tersebut

menggambarkan variable-variabel yang

digunakan untuk menghitung tingkat

kesalahan dalam suatu histogram. Jika

tingkat kesalahan dalam suatu histogram

kurang dari 0,5 maka histogram tersebut akan

valid dan diasumsikan sudah berhasil untuk

mengoptimasi suatu set query.

IMPLEMENTASI DAN EVALUASI

Dalam bagian ini akan dibahas

tentang implementasi simulasi optimasi

query. Tahap-tahap implementasi akan

terbagi atas 3 proses utama, antara lain

verifikasi, validasi dan pengujian model. Hal

ini dapat dilihat pada gambar berikut.

Verifikasi Validasi Pengujian Model

Model Data Simulasi Data Sistem Nyata

Hasil Uji

Gambar 6 Rencana implementasi dan

evaluasi

Verifikasi

Verifikasi model merupakan proses

pengecekan terhadap model apakah sudah

bebas dari eror (Suryani, 2006). Tahapan ini

akan dibantu dengan alat ukur yang sudah

ada dalam perangkat lunak, Vensim. Hal ini

akan Nampak seperti pada gambar berikut:

Gambar 7 Verifikasi model

Validasi Model

Untuk menguji tingkat validitas

model yang diajukan diperlukan adanya

skenario. Skenario yang ditentukan adalah

dengan mengeksekusi query sebagai berikut:

select * from mhs_mf_ta m,

kurlkl_mf_ta k, fak_mf_ta f where

m.nim=00410100005 and k.fakul_id=f.id

and m.jur_id=f.id;

Berikut merupakan biaya total

menurut model.

Gambar 8 Biaya total menurut model

Maka total biaya menurut model

adalah 10.92% dan hasil tersebut akan

dibandingkan dengan total biaya sistem nyata

bila tidak menggunakan histogram.

10

Tabel 1 CPU cost masing-masing operasi

Dari tabel di atas nampak CPU Cost

untuk masing-masing operasi. Dengan

diketahui biaya dari masing-masing operasi

maka dapat diketahui total biaya eksekusi,

yaitu 15.30%.

Suatu model simulasi akan

dinyatakan valid apabila tingkat kesalahan

kurang dari sama dengan 5% (E≤3%).

(Suryani, 2006) Maka dengan formula

perhitungan tingkat kesalahan yang telah

diberikan sebelumnya dapat dihitung tingkat

kesalahan dari hasil biaya menurut sistem

nyata dengan model simulasi. Diketahui total

biaya eksekusi suatu perintah sql menurut

sistem nyata adalah 15.30%, sedangkan total

biaya eksekusi perintah sql menurut model

simulasi adalah 10.92%. Dari kedua data

yang diketahui tersebut maka dicari tingkat

kesalahannya untuk membuktikan kevalidan

model. Maka,

| |

Dengan diketahui tingkat kesalahan

adalah 0.29% maka model dapat dinyatakan

bahwa tergolong valid karena 0.29% < 5%.

Pengujian Model

Dalam pengujian akan ditetapkan

sebagai berikut:

1. Spesifikasi CPU yang digunakan adalah

1.83Ghz

2. Menggunakan sistem operasi Windows 7

Ultimate

3. Menggunakan sistem manajemen database

Oracle 10g

4. Terdapat 3 tabel yang tersimpan dalam

database lengkap dengan ribuan data

5. Vensim sebagai tools untuk menjalankan

model dengan inputan yang ditentukan

6. Terdapat 3 query yang berbeda, antara

lain

select * from mhs_mf_ta m, fak_mf_ta

f where f.id=m.jur_id;

select * from mhs_mf_ta m, fak_mf_ta

f where m.nim=00410100005 and

m.jur_id=f.id;

select * from mhs_mf_ta m, fak_mf_ta

f, kurlkl_mf_ta k where

m.jur_id=f.id and f.id=k.fakul_id;

Berikut ini merupakan tabel

perbandingan dari keseluruhan query sebagai

ringkasan.

PLAN_TABLE_OUTPUT NO HISTOGRAM

Plan hash value: 3840543679

------- -------------------------------- --------------- -------- -------- ------------- -----------

| Id | Operation | Name | Rows | Bytes | Cost (%CPU)| Time | CPU COST

------- -------------------------------- --------------- -------- -------- ------------- -----------

| 0 | SELECT STATEMENT | | 24 | 6864 | 100 (3)| 00:00:02 | 3.278689

|* 1 | HASH JOIN | | 24 | 6864 | 100 (3)| 00:00:02 | 3.278689

| 2 | NESTED LOOPS | | 1 | 197 | 89 (4)| 00:00:02 | 4.371585

|* 3 | TABLE ACCESS FULL | MHS_MF_TA | 1 | 133 | 88 (4)| 00:00:02 | 4.371585

| 4 | TABLE ACCESS BY INDEX ROWID| FAK_MF_TA | 1 | 64 | 1 (0)| 00:00:01 | 0

|* 5 | INDEX UNIQUE SCAN | SYS_C004591 | 1 | | 0 (0)| 00:00:01 | 0

| 6 | TABLE ACCESS FULL | KURLKL_MF_TA | 2708 | 235K| 11 (0)| 00:00:01 | 0

------- -------------------------------- --------------- -------- -------- ------------- -----------

11

Tabel 2 Perbandingan hasil masing-masing

query

Query

berdasar

kan

histogra

m

Query

sistem

nyata

Hist

ogra

m

No

Hist

ogra

m

%

Error

Varia

nce

Q

ue

ry

1

select *

from

mhs_mf_t

a m,

fak_mf_ta

f,

kurlkl_mf

_ta k

where

m.jur_id=

f.id and

k.fakul_id

=f.id and

m.nim=00

41010000

5;

select *

from

mhs_mf_t

a m,

fak_mf_ta

f,

kurlkl_mf

_ta k

where

m.nim=0

04101000

05 and

k.fakul_id

=f.id and

m.jur_id=

f.id;

10.9

2 15.3

0.286

27451

Q

ue

ry

2

select *

from

mhs_mf_t

a m,

fak_mf_ta

f where

f.id=m.jur

_id;

select *

from

mhs_mf_t

a m,

fak_mf_ta

f where

f.id=m.jur

_id;

12.0

2

12.0

2 0

Q

ue

ry

3

select *

from

mhs_mf_t

a m,

fak_mf_ta

f where

m.jur_id=

f.id and

m.nim=00

41010000

5;

select *

from

mhs_mf_t

a m,

fak_mf_ta

f where

m.nim=0

04101000

05 and

m.jur_id=

f.id;

6.55

7

13.1

1

0.499

84744

5

Q

ue

ry

4

select *

from

mhs_mf_t

a m,

kurlkl_mf

_ta k,

fak_mf_ta

f where

m.jur_id=

f.id and

k.fakul_id

=f.id and

m.nim=00

41010000

5

select *

from

mhs_mf_t

a m,

kurlkl_mf

_ta k,

fak_mf_ta

f where

m.nim=0

04101000

05 and

m.jur_id=

f.id and

k.fakul_id

=f.id;

10.9

2 15.3

0.286

27451

Ditampilkan pada tabel 2 informasi-

informasi tentang beberapa query yang

dibangun menurut histogram, query sistem

nyata yang dimaksud adalah query jika tanpa

dasar histogram untuk penyusunannya, biaya

yang dibutuhkan untuk mengeksekusi

masing-masing query tersebut berdasarkan

histogram maupun tidak berdasarkan

histogram, dan masing-masing tingkat error

dari besar perbandingan biaya kedua teknik.

Tampak dari informasi yang diberikan tabel

2 bahwa mayoritas biaya yang dibutuhkan

untuk mengeksekusi query yang dibangun

menggunakan histogram lebih kecil

dibandingkan query yang dibangun tidak

berdasarkan histogram.

KESIMPULAN

Setelah dilakukan uji coba dan

evaluasi terhadap model simulasi optimasi

query menggunakan histogram, maka dapat

ditarik kesimpulan sebagai berikut:

1. Untuk menggabungkan model optimasi

query menggunakan histogram dan model

untuk determinasi biaya sumber daya adalah

dengan mempelajari variabel penghubung

kedua model setelah dilakukan studi literatur

dari jurnal-jurnal pendukung. Setelah itu

menterjemahkan variabel-variabel yang

terdapat dalam jurnal menjadi sebuah model

menggunakan Vensim Simulation.

2. Pada tabel 2 sebelumnya menampilkan

tiga dari empat query yang diuji

menunjukkan hasil eksekusi menggunakan

12

konsep histogram lebih kecil dibandingkan

eksekusi query tanpa menggunakan

histogram. Maka, model yang diajukan dapat

membantu meminimalisasi biaya sumber

daya.

SARAN

Adapun beberapa saran yang dapat

diberikan kepada peneliti berikutnya apabila

ingin mengembangkan model yang telah

dibuat ini agar menjadi lebih baik adalah

sebagai berikut:

1. Model dapat dikembangkan lagi dengan

mengimplementasikan algoritma tambahan,

yaitu split and merge.

2. Prinsip model dapat dikembangkan lagi

menjadi suatu software yang secara otomatis

menjalankan proses optimasi.

DAFTAR RUJUKAN

Anh, N. K. (2009). Query Processing and

Optimization. The Connexions

Project, 3.

Bellinger, G. (2004). Translating Systems

Thinking Diagrams to Stocks & Flow

Diagrams. Retrieved February 11,

2012, from The Way of Systems:

http://www.systems-

thinking.org/stsf/stsf.htm

Chhanda Ray, N. G. (2010). Determination

of Cost Model for Constraintbased.

ACEEE, 237.

Li, D., Han, L., & Ding, Y. (2010). SQL

Query Optimization Methods of

Relational Database System. 2010

Second International Conference on

Computer Engineering and

Applications, 558.

Nerella, V. K., Surapaneni, S., Madria, S. K.,

& Weigert, T. (2010). Exploring

Query Optimization in Programming

Codes by Reducing Run-Time

Execution. IEEE 34th Annual

Computer Software and Applications

Conference, 407-411.

Pegasus Communications, Inc. (2011).

Causal Loop Diagrams. Retrieved

February 11, 2012, from

www.pegasuscom.com:

http://www.pegasuscom.com/cld.html

Rebba, R., & Mahadevan, S. (2006).

Validation of models with

multivariate output. Elsevier.

Silberschatz, A., Korth, H. F., & Sudarshan,

S. (2005, September 1). Database

System Concept - 5th edition.

Retrieved Januari 30, 2011, from

Department of Computer Science and

Engineering Indian Institute of

Technology Bombay:

http://www.cse.iitb.ac.in/~sudarsha/d

b-book/slide-dir/ch14.pdf

13

Stockinger, H. (2003). Distributed Database

Management Systems and the Data

Grid. IEEE, 1.

Suryani, E. (2006). Pemodelan dan Simulasi.

Yogyakarta: Graha Ilmu.

Utama, I. G. (2010). Pemodelan dan

Simulasi. Surabaya: STIKOM.

Wah, T. Y., & A. B, Z. (2000). Query

Processing Techniques in Data

Warehousing Using Cost Model. The

Electronic Journal on Information

Systems in Developing Countries, 1-

9.

Wiktionary. (2010, Oktober 23). compile

time. Retrieved Januari 30, 2011,

from Wiktionary:

http://en.wiktionary.org/wiki/compile

_time

Zafarani, E., Derakhshi, M. R., Asil, H., &

Asil, A. (2010). Presenting a New

Method for Optimizing Join Queries

Processing in Heterogeneous

Distributed Databases. Third

International Conference on

Knowledge Discovery and Data

Mining, 379-382.