Claim Missing Document
Check
Articles

Found 2 Documents
Search

Perbandingan Performa SQL dan NoSQL Dengan PHP Pada 5 Juta Data Setiawan Budiman; Faisal Fadhila; Vian Ardiyansyah Saputro; Ema Utami; Khusnawi Khusnawi
IJCIT (Indonesian Journal on Computer and Information Technology) Vol 6, No 1 (2021): IJCIT - Mei 2021
Publisher : LPPM Universitas Bina Sarana Informatika

Show Abstract | Download Original | Original Source | Check in Google Scholar | Full PDF (386.427 KB) | DOI: 10.31294/ijcit.v6i1.9692

Abstract

Dunia digital sekarang sudah merambah pada seluruh aspek kehidupan. Salah satu yang berperan penting dalam digitalisasi adalah database. Seluruh perusahaan digital pasti akan mempunyai database untuk kepentingan usaha. Semakin lama database yang dikelola akan semakin banyak, oleh karena itu kita membutuhkan aplikasi database yang ideal untuk digunakan. Pada penelitian ini, kami akan melakukan perbandingan kecepatan proses data antara SQL (MySQL) dengan NoSQL (MongoDB) dengan menggunakan VPS webserver Apache dan bahasa program PHP yang umum digunakan oleh banyak perusahaan. Metodologi yang kami gunakan adalah menguji coba kecepatan SELECT, INSERT, DELETE dan UPDATE pada jumlah data mulai 1.000, 10.000, 100.000, 1.000.000, 2.000.000 dan 5.000.000. Khusus untuk SELECT dan INSERT, kami melakukan proses looping data seperti yang umum dilakukan pada program PHP (do while). Hasil dari penelitian ini kami dapatkan bahwa proses ujicoba dengan jutaan data akan terasa lebih cepat saat menggunakan MongoDB dibanding MySQL untuk proses SELECT INSERT dan UPDATE. Namun berbeda ketika menggunakan proses DELETE, MySQL memiliki waktu respon yang lebih baik dibandingkan dengan MongoDB. Hal ini disebabkan karena MongoDB menggunakan program PHP sebagai aplikasi yang menjalankan proses query. Digital world has been impact almost every aspect of life. Database is the most important thing at digitization. All digital company will have databases. After several period of usage, the database size will improve, therefore we need to use the ideal database system. At this paper, we will compare the speed of processing data between SQL (MySQL) vs NoSQL (MongoDB) which run on VPS Apache webserver using famous PHP script. The methodology that we use for speed measurement will use SELECT, INSERT, DELETE and UPDATE at big data start from 1.000, 10.000, 100.000, 1.000.000, 2.000.000 and 5.000.000. Especially for SELECT and INSERT, we do the looping procedure that usually use at PHP script (do while). The result from this paper declare that processing million of data will be faster on MongoDB if compare with MySQL when we use SELECT, INSERT and UPDATE. However, it is different when using the DELETE process, MySQL has a better response time compared to MongoDB. This is because MongoDB uses a PHP program as an application that runs the query process.
Prediksi Harga Laptop Menggunakan Algoritma GRU dan BILSTM Elsina Novela Waroi; Arief Arief; Khusnawi Khusnawi
Jurnal Sosial Teknologi Vol. 4 No. 7 (2024): Jurnal Sosial dan Teknologi
Publisher : CV. Green Publisher Indonesia

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.59188/jurnalsostech.v4i7.1278

Abstract

Pandemi COVID-19 yang dimulai pada awal tahun 2020 telah mengubah berbagai aspek kehidupan, terutama di Indonesia. Namun, implementasi WFH di Indonesia menghadapi beragam tantangan terkait infrastruktur teknologi, budaya organisasi, dan adaptasi karyawan. Sebanyak 32.37% usaha besar dan menengah menerapkan WFH secara parsial, dan 2.24% secara penuh pada tahun 2021. WFH juga dipicu oleh peningkatan polusi udara. Dalam WFH, perangkat kerja seperti laptop menjadi vital, tetapi fluktuasi harga laptop menimbulkan kebingungan dalam perencanaan anggaran pembelian. Metode penelitian yang digunakan adalah studi kualitatif melalui wawancara mendalam dengan perwakilan manajemen dan karyawan dari berbagai sektor industri. Prediksi harga laptop diperlukan untuk membantu masyarakat merencanakan anggaran secara akurat. Penelitian ini berfokus pada prediksi harga laptop menggunakan algoritma BiLSTM dan GRU dengan pendekatan cluster-then-predict. Berdasarkan evaluasi komparatif, model BiLSTM menunjukkan performa yang lebih baik dibandingkan GRU di sebagian besar cluster. Pada Cluster 3, BiLSTM memiliki nilai R2 tertinggi sebesar 0.205 dan MAPE terendah sebesar 2.80%, menunjukkan prediksi yang lebih akurat dibandingkan GRU dengan R2 sebesar 0.181 dan MAPE sebesar 2.72%. Untuk Cluster 1 dan Cluster 2, BiLSTM juga unggul dengan nilai R2 masing-masing sebesar 0.066 dan 0.144 serta MAPE sebesar 3.01% dan 3.24%, sementara GRU memiliki nilai R2 negatif (-0.031) di Cluster 1 dan 0.079 di Cluster 2 dengan MAPE sebesar 3.09% di kedua cluster. Secara keseluruhan, BiLSTM memberikan hasil prediksi yang lebih baik dibandingkan GRU.