Can BigData improve the quality of WindPower & Solar Energy?

sumber : http://www.pinterest.com/pin/55169164158593468/

Database System dan Database Management System (DBMS)

Berikut adalah beberapa materi tentang database system, semoga dapat membantu para pembaca semua :

• Database adalah kumpulan dari data yang saling berelasi secara logis dan diskripsi dari data tersebut, dirancang untuk memenuhi kebutuhan informasi dari suatu organisasi.
• Database Management System (DBMS) adalah sebuah system perangkat lunak yang mampu mendifinisikan, membuat, mengelola dan mengontrol akses ke database.
• Database Application adalah sebuah program yang berinteraksi dengan database dengan mengeluarkan permintaan yang sesuai (pernyataan SQL)  ke DBMS.
• Database System  adalah sebuah koleksi program aplikasi yang berinteraksi dengan database.

Berikut ini adalah kelebihan dari Database Management System (DBMS) :

1. pengendalian redundansi data
2. konsistensi data yang lebih baik karena data tersimpan di satu tempat
3. dapat diperoleh informasi lebih untuk jumlah data yang sama
4. data dapat digunakan oleh seluruh bagian organisasi
5. peningkatan integritas data
6. peningkataan keamaan data melalui autentifikasi dan authorisasi
7. penerapan standarisasi, baik dalam format data, sistem penamaan, dokumen, prosedur update, dan aturan mengakses
8. mengabungkan data operasional menjadi satu database dapat menghemat biaya
9. keseimbangan requirement, artinya database dapat membantu keputusan terbaik berdasarkan kebutuhan pengguna
10. meningkatkan aksesibilitas data dan responsif
11. meningkatkan produktivitas
12. peningkatan pemeliharaan melalui data independence (data terpisah dari aplikasi)
13. peningkatan konkurensi
14. meningkatkan layanan backup dan recovery karena mampu meminimalkan kegagalan dari sejumlah proses.

Kelemahan dari database management system (DBMS) :

1. complexity
2. size yang dibutuhkan untuk penyimpanan atau memory semakin banyak
3. cost of DBMS menjadi mahal
4. additional hardware cost
5. membutuhkan performance yang lebih baik dari pada file-based system

Contoh Soal Energi Mekanik

Berikut ini adalah beberapa contoh soal dan pembahansan tentang energi mekanik. Semoga soal berikut dapat bermanfaat bagi kita semua :

Soal 1

sebuah partikel bergerak dengan kecepatan v = 10 m/s kemudian setelah beberapa saat partikel tersebut menambah kecepatannya sehingga kecepatannya sekarang adalah 100 m/s. Berapakah usaha yang dilakukan partikel tersebut ? (masa sama dengan 10 kg)

Penyelesaian

usaha sama dengan perubahan energi kinetik sedangkan energi kinetik sendiri dipengaruhi oleh massa dan kecepatan benda tersebut. Dalam Energi kinetik semakin besar masa benda maka semakin besar pula energi kinetik yang dihasilkan benda. Begitu pula dengan kecepatan benda semakin besar kecepatan benda maka semakin beser pula energi kinetik benda :

• energi kinetik awal partikel adalah Ek = 1/2 mv²  = (1/2)(10)(10)²  = 500 joule.
• energi kinetik akhir partikel adalah Ek = 1/2 mv²  = (1/2)(10)(100)²  = 50.000 joule.

Sehingga dapat disimpulkan usaha yang dilakukan oleh partikel tersebut adalah sebesar 50.000 joule - 500 joule sama dengan 49.500 joule.

Soal 2

sebuah benda berada pada ketinggian 10 meter dari atas lantai dengan keadan diam. berapakah energi kinetik dan potensial benda tersebut. (masa sama dengan 10 kg dan g = 10 m/s2 ).

penyelesaain

Seperti pada penjelasaan soal 1 dimana energi kenetik berhubungan dengan masa dan kecepatan sehingga kalau semakin besar kecepatan semakin besar energi kinetik benda sehingga kalau kecepatannya 0 energi kinetiknya juga ) ingat rumus 1/2 mv². Energi potensial adalah energi yang dimiliki suatu benda karena ketinggian letak benda tersebut. Rumusan untuk energi potensial adalah Ep = mgh dimana m adalah masa dan g percepatan gravitasi dan h adalah ketinggian benda sehingga

• energi potensial benda adalah Ep = mgh = (10)(10)(10) = 1000 joule 

Jadi besarnya energi potensial benda tersebut adalah sebesar 1000 joule. 

 

Genetic Algoritm dan Paralel Genetic Algoritm

Genetic algorithm merupakan algoritma yang terispirasi dari proses evaluasi yang ada di alam. Genetic algorithm diperkenalkan pertama kali oleh John Holand. Genetic algorithm merupakan algoritma yang sangat baik dalam proses-proses optimalisasi. Proses-proses optimalisasi itu misalnya seperti mencari nilai maksimal untuk suatu fungsi, mencari jalan terpendek untuk mengunjungi beberapa kota sekaligus, dan lain sebagainya. 

Seperti pada proses biologi sesungguhnya, pada genetic algorithm juga memiliki istilah-sitilah seperti kromosom, gen, individu, populasi, generasi, mutasi, dan crossover. Biasanya sebuah solusi dari suatu masalah akan direpresentasikan sebagai individu. Kumpulan dari individu tersebut disebut populasi, jadi populasi juga bisa dikatakan sebagai kumpulan dari solusi-solusi masalah yang akan dioptimasi. Untuk mencapai individu terbaik maka pada genetic algorithm koromosom-koromsom akan mengalami crossover dan mutasi sehingga akan dihasilkan individu terbaik. 

Paralel genetic algorithm digunakan agar indivu yang dihasilkan akan mencapai hasil terbaik. Salah satu motode dalam paralel genetic algorithm adalah dengan menggunakan island - island atau pulau - pulau. Setiap pulau akan diisi oleh sebuah populasi yang terdiri dari berbagai individu. Nantinya setiap individu dari setiap pulau akan dicari yang terbaik untuk mewakili masing-masing pulau. Jumlah individu perwakilan pulau bisa bervariasi bisa juga sama antar pulau tergantung kebutuhan si peneliti. Individu-individu perwakilan setiap pulau akan di seleksi dan di crossover serta di mutasi agar dapat individu yang lebih bagus lagi.

Dalam genetic algorithm terdapat sebuah isu penting yaitu waktu pencarian individu yang mamakan banyak waktu dan sumber daya. Begitu pula halnya dengan paralel genetik algorithm akan makan lebih banyak sumber daya untuk pengolahanya, sehingga sangat disarankan untuk menyesuaikan pemakaian paralel genetic algorith dengan tujuan dan sumber daya yang dimiliki dan  masalah yang dioptimalisasi. Jika masala yang akan di optimalisasi sederhana saja maka sebaiknya gunakan saja genetic algorithm. Namun juka masalah sudah cukup kompleks misalnya masalah multidimensi makan paralel genetic algorithm bisa menjadi pilihan alternatif. 

Jika kita memiliki masalah-masalah yang berhubungan dengan optimasi maka genetic algorithm merupakan metode yang cukup disarankan untuk pemecahannya. Namun kita juga bisa untuk memodifikasi dan menggabungkan genetic algorithm dengan metode-metode lainya misalnya seperti artificial neural network, logika fuzzy, simulated aneling, particle swarm, ant colony dan lain sebagainya masih banyak lagi.

Intinya dari algoritma genetika agar efisien dalam memecahkan masalah-masalah optimasi adalah kita harus kreatif dalam memodifikasi genetic algorithm. Misalnya dalam proses merepresentasikan solusi masalah menjadi kromosom atau individu.