Optimasi Query

Teknik optimasi dapat dilakukan dengan beberapa cara. Terdapat 2 pendekatan
optimasi yang umum digunakan sebagaimana diungkapkan oleh Chanowich (2001), yakni:
a. Heuristik atau rule-based
Teknik ini mengaplikasikan aturan heuristik untuk mempercepat proses query.
Optimasi jenis ini mentransformasikan query dengan sejumlah aturan yang akan
meningkatkan kinerja eksekusi, yakni:
- melakukan operasi selection di awal untuk mereduksi jumlah baris
- melakukan operasi projection di awal untuk mereduksi jumlah atribut
- mengkonversikan query dengan banyak join menjadi query dengan banyak
subquery
- melakukan operasi selection dan join yang paling kecil keluarannya sebelum
operasi lain
b. Cost-based
Teknik ini mengoptimasikan cost yang dipergunakan dari beberapa alternatif untuk
kemudian dipilih salah satu yang menjadi cost terendah. Teknik ini mengoptimalkan
urutan join terbalik yang dimungkinkan pada relasi-relasi r1  r2  ... rn. Teknik ini
dipergunakan untuk mendapatkan pohon left-deep join yang akan menghasilkan
sebuah relasi sebenarnya pada node sebelah kanan yang bukan hasil dari sebuah
intermediate join.
Data hasil query lebih dari kurang dari atau sama dengan 5165 record, penggunaan
query dengan cross product membutuhkan waktu yang lebih kecil dibanding dengan
metode subset query. Sebaliknya untuk data lebih besar dari 5165 record, penggunaan
subset query jauh lebih cepat disbanding dengan menggunakan cross product.
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.
Proses akses data akan lebih cepat jika data terletak pada block tabel yang berdekatan
daripada harus mencari di beberapa data file yang terletak pada block yang berbeda.

www.atmaluhur.ac.id

Komentar

Posting Komentar

Postingan populer dari blog ini

Data Mining

Pengenalan Data Mining Ada beberapa definisi dari data mining yang dikenal di buku-buku teks data mining. Diantaranya adalah : - Data mining adalah serangkaian proses untuk menggali nilai tambah dari suatu kumpulan data berupa pengetahuan yang selama ini tidak diketahui secara manual. - Data mining adalah analisa otomatis dari data yang berjumlah besar atau kompleks dengan tujuan untuk menemukan pola atau kecenderungan yang penting yang biasanya tidak disadari keberadaannya. Menarik untuk diingat bahwa kata mining sendiri berarti usaha untuk mendapatkan sedikit barang berharga dari sejumlah besar material dasar. Dari definisi-definisi itu, dapat dilihat ada beberapa faktor yang mendefinisikan data mining : - data mining adalah proses otomatis terhadap data yang dikumpulkan di masa lalu - objek dari data mining adalah data yang berjumlah besar atau kompleks - tujuan dari data mining adalah menemukan hubungan-hubungan atau pola-pola yang mungkin memberikan indikasi yang berm
Baca selengkapnya

Apakah Big Data itu Penting? Untuk apa?

Big Data tidak hanya berputar pada jumlah data yang organisasi miliki, tetapi hal yang penting adalah bagaimana mengolah data internal dan eksternal. Kita dapat mengambil data dari sumber manapun dan menganalisanya untuk menemukan jawaban yang diinginkan dalam bisnis seperti: pengurangan biaya, pengurangan waktu, pengembangan produk baru dan optimalisasi penawaran produk; dan pengambilan keputusan yang cerdas. Ketika organisasi mampu menggabungkan jumlah data besar yang dimilikinya dengan analisis bertenaga tinggi, organisasi dapat menyelesaikan tugas-tugas yang berhubungan dengan bisnis seperti: • Menentukan akar penyebab kegagalan untuk setiap masalah bisnis. • Menghasilkan informasi mengenai titik penting penjualan berdasarkan kebiasaan pelanggan dalam membeli. • Menghitung kembali seluruh risiko yang ada dalam waktu yang singkat. Nah, Inilah sedikit gambaran mengenai big data yang saya bahas dalam beberapa postingan akhir-akhir ini. Bagaimana menurut kalian mengenai Big Data?
Baca selengkapnya

Query Optimizer

Query Optimizer Query optimizer adalah bagian dari DBMS yang berfungsi mengoptimasi query. Proses yang biasanya terjadi dalam optimizer adalah optimizer memeriksa semua ekspresi-ekspresi aljabar yang sama yang diberikan query dan memilih salah satunya yang memiliki harga taksiran paling rendah. Tugas dari optimizer adalah untuk mentransformasikan inisial ekspresi query ke dalam sebuah rencana evaluasi yang menghasilkan record yang sama. Keuntungan dari optimizer adalah dapat mengakses semua informasi statistik dari sebuah database. Selain itu optimizer juga dapat dengan mudah untuk melakukan optimisasi kembali apabila informasi statistik sebuah database berubah dan optimizer dapat menangani strategi yang berbeda-beda dalam jumlah besar yang tidak mungkin dilakukan oleh manusia. Input dari optimizer adalah sebuah tree yang sudah mengalami proses parsing di dalam query parser. Tree tersebut biasanya disebut dengan parse tree. Sedangkan output dari optimizer adalah berupa
Baca selengkapnya