fi-makassar

Workshop Big Data di Universitas Hasanuddin Gowa, Makassar

Selasa, 27 September 2016 waktu Makassar, SOLUSI247 mengadakan workshop mengenai Big Data di Universitas Hasanuddin, Gowa, Makassar. Workshop yang diberikan oleh SOLUSI247 ini membahas tentang produk Chanthel – Document Management System, HGrid247 for Hadoop Processing, tentu saja berkaitan dengan Big Data.

Dijelaskan disini, Chanthel adalah Document Management System garapan SOLUSI247 yang dimana Chanthel ini berfungsi sebagai sistem yang digunakan untuk mengelola dokumen di setiap file cycle dokumen tersebut. Chanthel menghandle dokumen secara elektronik, mulai dari dokumen tersebut masih dalam bentuk draft, di review, di publish, disimpan, lalu sampai pada akhirnya dokumen tersebut dibuang atau dihancurkan. Chanthel digarap oleh SOLUSI247 Yogyakarta yang di ketuai oleh Bpk. Arief Dolant.

Sementara untuk HGrid247 atau lengkapnya Hadoop Grid 247 adalah tools untuk pengolahan Big Data (Big Data Processing). Hadoop Grid 247 ini dirancang oleh Bpk. Solechoel Arifin yang merupakan HGrid247 Lead Developer dari SOLUSI247. HGrid247 digunakan untuk proses ETL (Extraction, Transformation, Loading). Proses ETL ini merupakan proses yang harus dilalui dalam pembentukan data warehouse.

whatsapp-image-2016-09-27-at-3-43-54-pm

Selain Bpk. Arief Dolant dan Bpk. Solechoel Arifin, SOLUSI247 juga mengirim beberapa perwakilan untuk menghadiri workshop ini, diantaranya adalah Bpk. Beno K. Pradekso, Bpk. Sigit Prasetyo, Bpk. Hery Setiawan, serta Bpk. Kokok Riyanto.

Workshop Big Data ini merupakan kerjasama antara SOLUSI247, Unversitas Hasanuddin – Gowa, Makassar Fakultas Teknik Elektro jurusan Teknik Informatika dan IdBigData.

whatsapp-image-2016-09-27-at-9-56-53-am
whatsapp-image-2016-09-27-at-9-56-54-am
whatsapp-image-2016-09-27-at-9-56-58-am
whatsapp-image-2016-09-27-at-9-56-59-am
fi-bioinformatics

Labs247: BigData for Bioinformatics

Rabu – Kamis, 24-25 Agustus 2016, Labs247 dari Solusi247 mengirim beberapa perwakilan yaitu Bpk. Solechoel Arifin, Bagus Rully Muttaqien dan Gaidha N. Annisa untuk mengikuti IT Showcase Forum Riset Life Science Nasional 2016 (FRLN2016) di Sheraton Grand Jakarta Gandaria City, Jalan Sultan Iskandar Muda, Jakarta Selatan, bertajuk “Tantanngan Menuju Kemandirian Riset Nasional” yang diselenggarakan oleh HAKTEKNAS, RISTEKDIKTI, Kementrian Kesehatan, dan Biofarma.

Apa itu Bioinformatics?

Bioinformatics adalah ilmu yang mempelajari atau penerapan tehnik komputasional untuk mengelola dan menganalisis informasi biologis. Bidang ini mencakup penerapan metode-metode matematika, statistika, dan informatika untuk memecahkan masalah-masalah biologis, terutama dengan menggunakan sekuens DNA dan asam amino serta informasi yang

berkaitan dengannya. Contoh topik utama bidang ini meliputi basis data untuk mengelola informasi biologis. penyejajaran sekuens (sequence alignment), prediksi struktur untuk meramalkan bentuk struktur protein maupun struktur sekunder RNA, analisis filogenetik, dan analisis ekspresi gen.

Singkatnya, penggabungan gen atau sel tidak lagi dilakukan secara manual melainkan bisa dilakukan secara digital.

BIGDATA FOR BIOINFORMATICS

Munculnya dataset besar dalam pengaturan klinis menyajikan tantangan dan peluang dalam penyimpanan data dan analisis. Hal ini disebut dengan “Big Data”. Kemajuan teknologi informasi dan komunikasi menyajikan solusi yang paling layak untuk analisis big data dalam hal efisiensi dan skalabilitas.

Kerangka pemrograman MapReduce menggunakan dua tugas umum dalam pemrograman fungsional, Map dan Reduce. MapReduce adalah kerangka pemrosesan parallel baru dan hadoop adalah implementasi open-source pada node komputasi tunggal atau cluster. Penggunaan MapReduce dan Hadoop memiliki keuntungan antara lain;

  1. Penyimpanan toleran sehingga pengolahan data yang dapat diandalkan dengan mereplikasi tugas komputasi dan cloning potongan data yang berbeda komputasi node di cluster komputasi.
  2. Pengolahan data high-throughput dan Hadoop Distributed File System (HDFS). Data disimpan dalam HDFS dan dibuat tersedia di slave node dan digunakan untuk perhitungan.

Contoh singkatnya adalah jika dulu dalam penggabungan gen atau sel harus dilakukan di super computer yang ukurannya sangat besar dan dengan harga yang tinggi (high-cost), hal itu tidak diperlukan lagi di era ini.

Saat ini kita memiliki teknologi big data. Jadi, proses penggabungan gen atau sel itu bisa dilakukan secara digital di atas big data dan tentunya low-cost. Proses pengolahan data ini memerlukan tools yang disebut Hadoop. Labs247 (Solusi247) sendiri memiliki teknologi tersebut yang dinamakan Hadoop Grid (HGrid247)

Contoh lain adalah, “Jika ada suatu penyakit baru yang belum diketahui, dengan teknologi big data ini, kita dapat langsung mengidentifikasi dengan cara mencocokan penyakit tersebut dengan data-data yang

fi-bigdata-training

Bigdata Developer Training Solusi247

Solusi247 kembali mengadakan BIGDATA Developer Training yang diikuti oleh para aktifis Bigdata. Training ini dilaksanakan selama 5 hari mulai tanggal 22-26 Agustus 2016 silam, di Grand Royal Hotel, Bogor. Kegiatan ini berisi tentang pelatihan pengolahan data menggunakan framework bigdata yang di sampaikan oleh Bpk. Solechoel Arifin selaku HGrid Lead Developer SOLUSI247.

“Pelatihan ini meliputi konsep Bigdata, bagaimana penyimpanan Bigdata, bagaimana Bigdata memproses data-data yang tersimpan di dalam framework Bigdata. Kemudian dilanjutkan dengan pelatihan tentang tools untuk pemrosesan Bigdata yang kita sebut HGrid247. HGrid247 ini adalah produk ETL untuk Bigdata milik PT. Dua Empat Tujuh (SOLUSI247).” Jelas Pak Arifin ketika di wawancarai.

HGrid247 atau Hadoop Grid 247 ini adalah tools untuk pemrosesan Bigdata dari Solusi247 yang digarap sendiri oleh beliau. Kegiatan training ini diikuti oleh peserta dari BIG (Badan Informasi Geospasial), hadir pula Bpk. Dr.-Ing Khafid selaku Kepala Pusat Pengelola dan Penyebarluasan Informasi Geospasial, Bpk. Beno K. Pradekso (CEO SOLUSI247) serta Bpk. Aria Rahendra (CMO SOLUSI247).

FI Spark2.0

Spark 2.0.0 – Kecepatan dan Kemudahan dalam Kemasan Simple

Databrick akhirnya mengumumkan release Spark 2.0.0 pada 26 Juli 2016. Dua bulan sebelumnya mereka melansir preview-release untuk memberikan kesempatan para penggunanya bereksperimen dan memberikan feedback mengenai fitur-fitur baru Spark.

Release Spark versi 2.0.0 merupakan momen yang ditunggu-tunggu karena menjanjikan banyak kemajuan di sisi fitur dan performance, dan juga mencakup 2500 patches dari 300 lebih kontributor.

Beberapa hal yang dijanjikan oleh Spark 2.0.0 adalah :

apache spark20 technical preview

Lebih Mudah :

Support ANSI SQL dan API yang disederhanakan. Spark berfokus pada dua hal : a) dukungan ANSI SQL dan b) penyederhanaan API. Beberapa hal yang dilakukan pada sisi programming API adalah: menggabungkan API developer dalam library Spark, seperti misalnya antara DataFrames dan Datasets, serta SQLContext dan HiveContext. API berbasis dataFrame dengan “pipeline” API-nya akan menjadi package utama dari API machine learning. Meskipun library yang lama tetap dipertahankan untuk backward compatibility, fokus di masa depan akan lebih pada pengembangan API berbasis DataFrame. User dapat menyimpan dan me-load pipeline dan model machine learning dalam berbagai bahasa pemrograman yang disupport oleh Spark. Support tambahan untuk R, yaitu : Algoritma terdistribusi untuk Generalized Linear Models (GLM), Naive Bayes, Survival Regression, and K-Means Mendukung UDF (user defined function) untuk dapat dijalankan di level partisi (dapply & gapply) serta tuning hyper-parameter (lapply)

Lebih Cepat :

Peningkatan kecepatan 5 sampai 10 kali daripada Spark 1.6 untuk beberapa operator, sebagai hasil dari project Tungsten Fase 2 yang mencakup whole stage code generation dan optimisasi code Catalyst.

Lebih Cerdas :

Streaming terstruktur, yaitu menggabungkan berbagai macam komponen komputasi Spark yang mendukung komputasi streaming untuk menghasilkan aplikasi yang berkesinambungan. Selama ini pemrosesan streaming sering dinilai sebagai titik lemah dari Spark, dan Spark 2.0.0 bertujuan untuk mengatasi hal ini. Ada beberapa perbaikan yang dilakukan dalam Spark 2.0, di antaranya:

  • Intergrasi streaming API dengan batch job
  • Interaksi transaksional dengan storage system
  • Integrasi dengan komponen komputasi lain melalui Spark SQL, penggabungan dengan data statis, dan library yang sudah menggunakan DataFrame. Target selanjutnya adalah integrasi dengan MLlib dan library-library lain.
fi-ibm

Partisipasi Solusi247 dalam IBM SolutionsConnect 2016

Dengan lebih dari 330.000 pegawai di seluruh dunia dan pendapatan US$96 miliar (angka dari 2004), IBM adalah perusahaan teknologi informasi terbesar di dunia, dan salah satu yang terus berlanjut dari abad 19. Dia memiliki teknisi dan konsultan di lebih dari 170 negara dan laboratorium pengembangan yang berlokasi di seluruh dunia, di setiap cabang ilmu komputer dan teknologi informasi; beberapa dari mereka adalah pionir di bidang mulai dari komputer mainframe ke nanoteknologi.


IBM di Indonesia

Kita hidup di era digital di mana apa pun yang bisa didigitalkan. Juga, karena revolusi mobile, telah ada pertumbuhan eksponensial dalam jumlah perangkat yang terhubung. Kedua tren ini telah menyebabkan ledakan data dan perangkat. Menurut sebuah perkiraan, jumlah perangkat akan mencapai 75 miliar pada tahun 2020. Dan sekitar sembilan puluh persen dari data yang dibuat dalam dua tahun terakhir adalah karena proliferasi perangkat ini.

Ditahun 2016 ini, IBM mengadakan event IBM SolutionsConnect 2016 yang bertajuk “Technology Leadership in the Cognitive Era”, yang diselenggarakan di InterContinental Midplaza Hotel - Jakarta, 9 August 2016. IBM ingin teknologinya bermanfaat bagi masyarakat Indonesia, baik itu bagi penyedia maupun pengguna teknologi. Event ini diusung oleh IBM dengan tujuan untuk memperkenalkan produk-produk baru mereka kepada kurang lebih 350 CIO yang hadir dalam event tersebut.

photo_2016-08-09_10-59-39

Sebagai partner dari IBM, Solusi247 ikut berpartsipasi dalam acara tersebut dikarenakan Solusi247 memiliki produk appliance yang dimana produk tersebut menggunakan hardware dari IBM sebagai servernya. Produk dari Solusi247 tersebut dinamakan Braja Appliance with IBM Power Linux Cluster.

IBM SolutionsConnect merupakan acara yang sangat penting, tidak hanya untuk penyedia-penyedia teknologi tapi juga untuk pengguna teknologi seperti klien-klien kita di area Telkom, militer, government, ini (IBM SolutionsConnect) sangat penting karena disini akan diperkenalkan banyak sekali teknologi-teknologi baru yang dikeluarkan oleh IBM yang merupakan leader dari berbagai macam teknologi IT di dunia.

Teknologi IBM yang menjadi pionir bagi semua teknologi di kognitif era ini menjadi sesuatu yang harus diperkenalkan kepada banyak pihak terutama pihak pengguna teknologi karena teknologi-teknologi IBM merupakan teknologi yang paling terdepan dibandingkan teknologi-teknologi lainnya.” Papar Bagus Rully selaku perwakilan dari Solusi247 yang hadir di event IBM SolutionsConnect 2016.


 

FI NYPD

Big Data Membantu NYPD Menangani Kejahatan Dengan Lebih Cepat

Pada tanggal 4 Desember 2015, petugas NYPD di kantor polisi 73 New York menerima peringatan pada ponsel mereka dari sistem baru mereka, Shot-spotter : Delapan tembakan telah dilepaskan di dekat 409 Saratoga Avenue di kawasan Bedford-Stuyvesant, Brooklyn.

Kejadian selanjutnya menunjukkan seberapa jauh teknologi dapat berperan dalam membantu tugas polisi.

Polisi menemukan selongsong peluru di atap gedung, kemudian dengan menggunakan ponsel mereka, mengetahui ada sebuah surat perintah penangkapan yang belum dieksekusi untuk seorang wanita di gedung tersebut. Mereka kemudian mendapat surat perintah penggeledahan untuk apartement wanita tersebut melalui ponsel mereka, di mana mereka menemukan dua senjata, dan menangkap tiga orang tersangka.

Para petugas NYPD berhasil melaksanakan tugasnya dengan cepat berkat bantuan sistem kesadaran situasional / Situational Awareness System, yang disebut dengan DAS (Domain Awareness System).

Ide mengenai kesadaran situasional atau situational awareness ini bukanlah sesuatu yang baru. Setiap individu maupun organisasi idealnya dapat menyesuaikan perilaku dan tindakan mereka dengan situasi yang ada. Dan seiring dengan perkembangan teknologi sensor dan sinyal, semakin besar kebutuhan untuk dapat mengumpulkan data dari dunia luar ke dalam sebuah sistem untuk melakukan monitoring dan analisis. Mengetahui apa yang terjadi di domain yang relevan di dunia luar merupakan sesuatu yang penting dan semakin menjadi kebutuhan banyak pihak.

Salah satu pihak yang tampaknya paling berkepentingan terhadap hal ini adalah organisasi di sektor publik. Kepolisian New York (NYPD), pemerintah kota Chicago, dan juga sebuah grup yang terdiri dari instansi-instansi pemerintah di Kanada adalah beberapa pihak yang telah mengembangkan dan memanfaatkan sistem kesadaran situasional. Salah satu hal yang dipelajari dari pengalaman mereka membangun sistem SA adalah, semakin terarah target sistemnya, semakin baik hasilnya.

MASAS, atau Multi-Agency Situational Awareness System, yang dikelola oleh Canadian Public Safety Operations Organizations (CanOps), dimaksudkan untuk memonitor dan menampilkan informasi yang relevan dengan keamanan publik. MASAS mencakup informasi mengenai kebakaran, gempa bumi, cuaca buruk, masalah lalulintas, kerusakan jalan, kerumunan massa, lokasi dan status shelter, perbatasan, dan lain sebagainya.

Cakupan luas dari MASAS ini sebetulnya bertujuan baik, namun hal ini sepertinya membatasi value dari sistemnya sendiri. Misalnya seperti disebutkan pada website mereka, karena instansi-instansi enggan untuk berbagi informasi sensitif dengan instansi lain, maka informasi yang di-share adalah informasi yang tidak sensitif (yang akhirnya juga tidak terlalu bermanfaat).

Chicago termasuk kota pertama yang mengadopsi sistem SA pada tahun 2012. Sistem yang dinamakan WindyGrid ini adalah sistem informasi geografis yang menyajikan gambaran terpadu dari pengoperasian kota di atas peta Chicago, yang memberikan akses ke seluruh data spasial kota, baik secara historikal maupun real time.

WindyGrid mencakup informasi mengenai layanan panggilan 911 dan 311, lokasi aset transit dan mobile, status bangunan, tweets berdasarkan lokasi geografis, dan lain sebagainya. Sistem ini hanya berfokus pada data spasial, sehingga cakupannya lebih sempit daripada sistem di Kanada. Sebenarnya yang lebih dibutuhkan oleh Chicago adalah sistem yang berfokus pada penangangan kejahatan. Karena WindyGrid dibangun atas prakarsa CIO kota Chicago, maka sistem ini cenderung didasari oleh kebutuhan efisiensi informasi dibandingkan prioritas strategis.

Pencegahan kejahatan dan terorisme menjadi prioritas dari sistem DAS yang dimiliki NYPD. Sistem ini pada awalnya dikembangkan oleh biro kontraterorisme, dan saat ini digunakan secara luas dalam tugas harian kepolisian. DAS mengumpulkan dan menganalisa data dari berbagai sensor -termasuk 9000 kamera CCTV, 500 kamera pembaca plat nomor, 600 sensor radiasi dan kimia, dan jaringan detektor untuk mendeteksi suara tembakan yang menjangkau 24 mil persegi, dan 54 juta panggilan ke 911 dari masyarakat. Sistem ini juga dapat menarik data dari arsip kejahatan NYPD, termasuk 100 juta surat pemanggilan.

Project DAS dimulai pada tahun 2008 dan terus dikembangkan hingga saat ini. Pada tahun 2010 ditambahkan fungsi analytics, dan pada 2011 ditambahkan kemampuan pengenalan pola. Pada tahun 2014 mulai dikembangkan fungsi “predictive policing” , dan pada tahun 2015 petugas kepolisian dapat memperoleh informasi 911 secara real-time.

Antarmuka utama dengan sistem adalah smartphone, yang saat ini digunakan oleh 35.000 anggota NYPD. Lebih dari 10.000 polisi menggunakan DAS setiap harinya. Sistem ini disebut sebagai ‘keajaiban teknologi’, yang lahir dari kepemimpinan dan prioritas yang kuat.

Terfokusnya SA yang dimiliki NYPD merupakan kunci kesuksesan sistem ini. Tingkat kejahatan di kota New York semakin menurun (saat ini di bawah rata-rata nasional US), dan tingkat penyelesaian kasus pembunuhan meningkat. Tentunya banyak faktor yang menjadi penyebabnya, termasuk di antaranya penggunaan DAS ini, namun salah satu yang paling penting adalah budaya kepolisian yang mengedepankan bukti (evidenced based policing) yang menjadi karakteristik NYPD.

Dari beberapa pengalaman penerapan sistem berbasis kesadaran situasional ini terlihat jelas nilai strategis dari penerapan sebuah sistem berbasis kesadaran situasional. Teknologi yang ada saat ini sangat memungkinkan untuk mengetahui apa yang terjadi di luar, yang mungkin mempengaruhi kesuksesan sebuah organisasi atau perusahaan. Namun mengingat keluasan dan kompleksitas dunia luar itu sendiri, sebaiknya sistem SA dibangun dengan fokus yang jelas, misalnya pada customer, kompetitor, atau regulator. Pada akhirnya yang dituju tentunya adalah pemahaman terhadap situasi secara menyeluruh, namun mulailah dari sesuatu yang spesifik.

Diterjemahkan dari : http://fortune.com/2016/07/17/big-data-nypd-situational-awareness/


Source : ID Big Data – Big Data Membantu NYPD Menangani Kejahatan Dengan Lebih Cepat

FI Heron

Twitter Open Source-kan Heron, Framework Real Time Stream Processing

Satu lagi framework yang bergabung ke dalam ekosistem Big Data Open Source. Meramaikan percaturan dalam pemrosesan Big Data, khususnya real-time streaming data processing, bulan Mei lalu Twitter mengumumkan bahwa mereka meng-open-source-kan Heron, sistem real-time stream processing yang mereka kembangkan untuk menggantikan Apache Storm.

Setelah sebelumnya mengumumkan bahwa mereka mengganti framework pemrosesan real-time streaming mereka dari Storm ke Heron, dan menerbitkan paper mengenai arsitekturnya, baru setahun kemudian publik dapat ikut menggunakan dan mengembangkannya.

Alasan Twitter mengembangkan Heron pada awalnya adalah karena beberapa kesulitan yang mereka hadapi ketika menggunakan Storm, terutama ketika sistem yang mereka deploy sudah sangat besar. Beberapa kesulitan yang dihadapi di antaranya adalah kesulitan dalam hal profiling dan reasoning mengenai Storm worker di tingkat data dan tingkat topologi, alokasi resource yang bersifat statis, tidak adanya dukungan back-pressure, dan lain sebagainya.

Mengapa saat itu Twitter tidak beralih ke Apache Spark streaming atau Apache Flink misalnya, dan justru memutuskan untuk mengembangkan sendiri sistemnya secara internal? Alasan utamanya adalah peralihan framework tersebut akan menyebabkan mereka harus menulis ulang banyak sekali code dari sistem mereka yang sudah sangat besar. Sebab, sebagai pihak yang mengembangkan Storm, Twitter adalah pengguna Apache Storm yang paling lama, jauh sebelum Storm menjadi open source.

Heron didesain sebagai sebuah sistem yang memiliki backward compatibility dengan Apache Storm. Hal ini merupakan sebuah keputusan yang strategis, bukan saja untuk Twitter sendiri, namun juga untuk pengguna yang sudah mengimplementasikan Apache Storm, mereka dapat beralih ke Heron dengan relatif mudah.

Paradigma pemrosesan Heron sangat mirip dengan Apache Storm, di mana dasarnya adalah DAG (Direct Acyclic Diagram) yang disebut topology, dengan komponennya berupa spout dan bolt.

Heron dibangun dengan perubahan mendasar dalam arsitektur streamingnya, dari sistem berbasis thread, menjadi sebuah sistem berbasis proses. Heron juga didesain untuk deployment dalam cluster dengan mengintegrasikannya dengan scheduler open source yang powerful seperti Apache Mesos, Apache Aurora, Apache REEF atau Slurm.

Banyak yang dijanjikan dengan Heron, seperti misalnya 2-5 kali efisiensi, kemudahan dan stabilitas, dan lain sebagainya. Salah satu kelebihan utama Heron adalah sudah dibuktikan dalam skala yang besar di Twitter sendiri, dan kompatibilitasnya dengan Storm sebagai framework yang sudah banyak diimplementasi sebelumnya. Namun apakah masyarakat Big Data akan dengan serta merta mengadopsinya sebagai framework pilihan mereka, masih harus kita lihat bagaimana perkembangannya ke depan. Karena saat ini banyak sekali framework open source untuk pemrosesan streaming yang ada dan berkompetisi untuk menjadi yang terdepan, seperti misalnya Apache Spark, Apache Flink, Apache Samza, Apache Apex, atau bahkan Apache Storm sendiri yang juga telah me-release versi 1.0 dengan banyak perubahan dan perbaikan.

Baca juga : APACHE STORM 1.0 PENINGKATAN PERFORMA DAN SARAT FITUR BARU


Source : ID Big Data

FI CSR

CSR SOLUSI247 – Buka Bersama & Santunan 100 Anak Yatim

Ramadhan adalah bulan mulia dimana dosa-dosa diampuni dan pahala dilipatgandakan, salah satunya dengan memberi kepada sesama. Dalam rangka bulan suci Ramadhan ini, sudah menjadi agenda rutin Solusi247 untuk selalu menyempatkan diri berbuka puasa bersama dengan anak-anak yatim yang biasa disebut dengan CSR Solusi247 atau tanggung jawab sosial perusahaan. Kegiatan kali ini diselenggarakan di Pesantren Al-Quran Al-Hidayah Yayasan Hidayatul Islam, Balekambang, Condet, Jakarta Timur, yang diikuti oleh sekitar 100 anak-anak yatim yang dilaksanakan pada hari Rabu, 15 Juni 2016.

CSR (Corporate Social Responsibility) Solusi247 berisi kegiatan siraman rohani oleh Ustad Masyudi, pembacaan ayat-ayat suci Al-Qur'an, santunan 100 anak yatim, buka puasa bersama, shalat maghrib berjama'ah dan diakhiri dengan shalat tarawih berjama'ah. Kegiatan CSR Solusi247 ini tentu saja bertujuan untuk menjalin silaturahmi dan berbagi rezeki kepada sesama umat muslim yang membutuhkan. Kegiatan yang dimulai dari pukul 16.00 WIB berakhir pada pukul 20.30 WIB.

FI INTEL

Braja Appliance di INTEL IoT Conference 2016

Jakarta, Selasa, 14 Juni 2016.

       Solusi247 mengikuti event tahunan yang diselenggarakan oleh INTEL yang bertemakan INTEL IoT SOLUTIONS CONFERENCE 2016. Ini adalah kali ketiga Solusi247 mengikuti event tersebut. Solusi247 diminta untuk mengikuti showcase pada acara tersebut. Showcase yang dipamerkan Solusi247 pada event ini adalah Braja Appliance, Braja Appliance, dimana Braja tersebut menggunakan processor INTEL dalam setiap nodes server-nya.

       Braja Big data Appliance adalah solusi Big Data terpadu yang bertujuan untuk mempermudah dan mempercepat adopsi Big Data dalam suatu organisasi. Hal ini dirancang untuk memenuhi kebutuhan dalam mengolah data yang sangat besar dan kompleks di mana aplikasi pengolah data umum saja tidak cukup. Dengan mengintegrasikan berbagai kerangka kerja Big Data dan komponen ke dalam satu produk. Braja adalah infrastruktur Big Data yang terjangkau dan sangat terukur untuk bisnis Anda.

       Internet of Things (IoT) memacu inovasi di hampir semua segi kehidupan kita. Dengan menghubungkan “benda” yang belum pernah dihubungkan sebelumnya, akan tercipta pengetahuan data baru yang melahirkan perubahan berharga. Namun, ada hambatan yang memperlambat penerapan IoT.

       Antusias peserta sangat besar saat mengunjungi booth dari Solusi247. Hal ini dikarenakan Braja sangat mendukung pengolahan big data dimana teknologi big data diperkirakan akan menjadi fenomenal di tahun 2018 nanti.

       Perwakilan dari Solusi247 dalam event tahunan INTEL ini diantaranya Bpk. S. Arifin, Bagus Rully Muttaqien, dan Sigit Prasetyo. Peserta yang berpartisipasi dalam acara ini tidak lain adalah government serta perusahaan yang bergerak di industri IT.

FI ApacheStorm

Apache Storm 1.0 Peningkatan Performa dan Sarat Fitur Baru

Pada tanggal 12 April lalu versi terbaru dari Apache Storm dirilis. Taylor Goetz, VP Apache Software Foundation untuk project Apache Storm, menyatakan bahwa versi 1.0 ini merupakan sebuah titik yang penting dalam evolusi Apache Storm. Versi terbaru ini mengandung sejumlah besar fitur baru dan perbaikan kinerja.

Storm merupakan sebuah event processor yang memungkinkan dilakukannya proses data streaming secara terdistribusi. Aplikasi Storm terdiri dari komponen yang disebut dengan “spout” dan “bolt”, yang dikonfigurasi dalam sebuah Direct Acyclic Graph untuk merepresentasikan pemrosesan data. Ciri utama dari Storm adalah kemampuan untuk melakukan proses data secara real time.

Apache Storm versi 1.0 memiliki peningkatan performa yang cukup dramatis bahkan diklaim hingga 16 kali lebih cepat dari versi sebelumnya dengan pengurangan latensi hingga 60%. Selain performa ada beberapa fitur yang patut menjadi perhatian, diantaranya :

  1. Pacemaker, heartbeat daemon yang memiliki performa lebih baik dari Zookeeper
  2. Distributed Cache API, yang memungkinkan berbagi file antar topology
  3. High Availability Nimbus, mengatasi permasalahan single point of failure pada Nimbus proses
  4. Streaming Window API, yang menambahkan dukungan terhadap parameter window length dan sliding interval
  5. Automatic Backpressure, yang memungkinkan memperlambat spout secara otomatis ketika ambang batas dari ukuran task buffer terlampaui
  6. Resources Aware Scheduler, implementasi scheduler baru yang menggunakan ketersediaan memory dan CPU sebagai dasar untuk pengaturan task kepada worker
  7. Dynamic Worker Profiling, fitur baru ini memungkinkan pengguna untuk melihat data profile dari worker langsung dari Storm UI

Apache Storm 1.0 ini dapat didownload pada laman https://storm.apache.org/releases.html


Source : IDBigData