Komputasi Quantum

Ide mengenai komputer kuantum ini berasal dari beberapa fisikawan antara lain Charles H. Bennett dari IBM, Paul A. Benioff dari Argonne National Laboratory, Illinois, David Deutsch dari University of Oxford, dan Richard P. Feynman dari California Institute of Technology (Caltech).

Sebuah komputer kuantum mendapatkan kemampuannya dengan memanfaatkan sifat-sifat kuantum tertentu dari atom ataupun nukleus yang memungkinkan mereka bekerja bersama sebagai suatu bit kuantum, atau “qubit”, yang berfungsi sebagai prosesor sekaligus sebagai memori pada waktu yang sama. Dengan mengarahkan interaksi-interaksi di antara qubit-qubit, sementara mereka terus diisolasikan dari lingkungan eksternal. Para ilmuwan berhasil membuat sebuah komputer kuantum menjalankan kalkulasi-kalkulasi tertentu, seperti pemfaktoran, dengan kecepatan yang secara eksponensial lebih tinggi dibandingkan komputer konvensional.

Algoritma pada Quantum Computing

Para ilmuwan mulai melakukan riset mengenai sistem kuantum tersebut, mereka juga berusaha untuk menemukan logika yang sesuai dengan sistem tersebut. Sampai saat ini telah dikemukaan dua algoritma baru yang bisa digunakan dalam sistem kuantum yaitu algoritma shor dan algoritma grover.

• Algoritma Shor

Algoritma yang ditemukan oleh Peter Shor pada tahun 1995. Dengan menggunakan algoritma ini, sebuah komputer kuantum dapat memecahkan sebuah kode rahasia yang saat ini secara umum digunakan untuk mengamankan pengiriman data. Kode yang disebut kode RSA ini, jika disandikan melalui kode RSA, data yang dikirimkan akan aman karena kode RSA tidak dapat dipecahkan dalam waktu yang singkat. Selain itu, pemecahan kode RSA membutuhkan kerja ribuan komputer secara paralel sehingga kerja pemecahan ini tidaklah efektif.

• Algoritma Grover

Algoritma Grover adalah sebuah algoritma kuantum yang menawarkan percepatan kuadrat dibandingkan pencarian linear klasik untuk list tak terurut. Algoritma Grover menggambarkan bahwa dengan menggunakan pencarian model kuantum, pencarian dapat dilakukan lebih cepat dari model komputasi klasik. Dari banyaknya algoritma kuantum, algoritma grover akan memberikan jawaban yang benar dengan probabilitas yang tinggi. Kemungkinan kegagalan dapat dikurangi dengan mengulangi algoritma. Algoritma Grover juga dapat digunakan untuk memperkirakan rata-rata dan mencari median dari serangkaian angka, dan untuk memecahkan masalah Collision.

Quantum Gates

gerbang kuantum gerbang logika adalah dasar sirkuit kuantum yang beroperasi pada sejumlah kecil qubit . Mereka adalah blok bangunan sirkuit kuantum, seperti klasik gerbang logika yang untuk sirkuit digital konvensional.

Tidak seperti banyak gerbang logika klasik, logika kuantum gerbang reversibel .Namun, adalah mungkin untuk melakukan komputasi klasik menggunakan gerbang hanya reversibel. Sebagai contoh, reversibel gerbang Toffoli dapat melaksanakan semua fungsi Boolean. Gerbang ini memiliki setara kuantum langsung, menunjukkan bahwa sirkuit kuantum dapat melakukan semua operasi yang dilakukan oleh sirkuit klasik.

Quantum gerbang logika yang diwakili oleh matriks kesatuan . Gerbang kuantum yang paling umum beroperasi pada ruang satu atau dua qubit, seperti biasa klasik gerbang logika beroperasi pada satu atau dua bit. Ini berarti bahwa sebagai matriks, gerbang kuantum dapat dijelaskan oleh 2 × 2 atau 4 × 4matriks kesatuan.

Penerapan Komputasi Quantum

Pada 19 Nov 2013 Lockheed Martin, NASA dan Google semua memiliki satu misi yang sama yaitu mereka semua membuat komputer kuantum sendiri. Komputer kuantum ini adalah superkonduktor chip yang dirancang oleh sistem D – gelombang dan yang dibuat di NASA Jet Propulsion Laboratories. NASA dan Google berbagi sebuah komputer kuantum untuk digunakan di Quantum Artificial Intelligence Lab menggunakan 512 qubit D -Wave Two yang akan digunakan untuk penelitian pembelajaran mesin yang membantu dalam menggunakan jaringan syaraf tiruan untuk mencari set data astronomi planet ekstrasurya dan untuk meningkatkan efisiensi searchs internet dengan menggunakan AI metaheuristik di search engine heuristical.

A.I. seperti metaheuristik dapat menyerupai masalah optimisasi global mirip dengan masalah klasik seperti pedagang keliling, koloni semut atau optimasi swarm, yang dapat menavigasi melalui database seperti labirin. Menggunakan partikel terjerat sebagai qubit, algoritma ini bisa dinavigasi jauh lebih cepat daripada komputer konvensional dan dengan lebih banyak variabel.

Penggunaan metaheuristik canggih pada fungsi heuristical lebih rendah dapat melihat simulasi komputer yang dapat memilih sub rutinitas tertentu pada komputer sendiri untuk memecahkan masalah dengan cara yang benar-benar cerdas . Dengan cara ini mesin akan jauh lebih mudah beradaptasi terhadap perubahan data indrawi dan akan mampu berfungsi dengan jauh lebih otomatisasi daripada yang mungkin dengan komputer normal.

Mungkin nanti dengan teknologi kuantum kita bisa juga untuk melihat secara detail seperti apa sebenarnya bentuk dan pergerakan atom! Atau memahami dengan lebih jelas tentang mekanika seluruh galaksi dan alam semesta. Mungkin juga akan mempermudah penciptaan energi fusi nuklir yang dahsyat dan aman. Memprediksi cuaca secara akurat, berbulan-bulan sebelumnya. Dan tentu saja, Artificial Intelligence yang lebih baik.

Sumber : 

https://www.ikons.id/mengenal-komputer-quantum-dan-kegunaannya/

http://yudiipurnomo.blogspot.co.id/2017/04/komputasi-modern-komputer-quantum.html

http://handbook-yudi.blogspot.co.id/2014/05/pengenalan-komputasi-quantum.html

Big Data

BAB 1

PENDAHULUAN

1.1  Latar Belakang

Pada era digital ini, tentunya informasi menjadi suatu hal yang sangat vital dalam menunjang digitalisasi tersebut karena informasi sudah banyak digunakan di berbagai bidang untuk memudahkan pekerjaan setiap pemakainya (user) dan membantu jalannya proses yang ada menjadi lebih cepat, Meskipun informasi sangat membantu kegiatan operasional dan kegiatan strategis namun semua informasi tersebut harus disimpan, dikelola, dan dilindungan informasi lebih dapat dimaksimalkan manfaatnya. Sudah banyak sekali kejadian yang merugikan perusahaan karena tidak memanfaatkan infromasi yang ada atau bahkan membuang informasi yang didapat, hal seperti itu sangat merugikan perusahaan karena tidak dapat memaksimalkan fungsi dari informasi yang ada untuk mempermudah proses pengambilan keputusan, perencanan strategis, dan perencanaan operasional. Hal seperti ini harus dapat dicegah dengan penanganan yang baik serta perhatian yang ekstra agar informasi tersebut dapat berguna maksimal bagi perusahaan.

Saat ini sudah banyak perusahaan yang menyadari pentingnya pengelolaan data dengan cara memanfaatkan big data, big data sendiri adalah “media penyimpanan data yang menawarkan ruang tak terbatas, serta kemampuan untuk mengakodasi dan memproses berbagai jenis data dengan sangat cepat”, hal ini jelas sangat membantu perusahaan dalam mengelola informasi yang dimiliki perusahaan

Jurnal Non-Relational Database dengan Darwinian Network

Abstrak

Darwinian Networks (DN) pertama kali diperkenalkan oleh Dr Butz [1] untuk menyederhanakan dan memperjelas cara bekerja dengannya Jaringan Bayesian (BNs). DN dapat menyatukan tugas pemodelan dan penalaran ke dalam platform tunggal menggunakan manipulasi grafis dari tabel probabilitas yang mengambil nuansa biologis. Dari pandangan DN ini, kami mengusulkan perpustakaan grafis untuk mewakili dan menggambarkan basis data non-relasional menggunakan DN. Karena pertumbuhannya dari database semacam ini, kita membutuhkan lebih banyak alat untuk membantu dalam pekerjaan manajemen, dan DN dapat membantu tugas-tugas ini.

 Index: No SQL, Darwinian Networks, Non-Relational Database, Java-script, Software engineering

I.               PENDAHULUAN

Cara di mana kita berkomunikasi, bertukar informasi dan membuat konten berubah selama bertahun-tahun. Kita hidup di era di mana web aplikasi telah merevolusi dunia dalam banyak hal cara, dan kecenderungannya adalah bahwa pertumbuhan ini memungkinkan penciptaan banyak aplikasi baru. Yang besar volume data yang dihasilkan oleh aplikasi web ini, bersama dengan bentuk interaksi pengguna yang baru (dinamis, efisien dan intuitif), skalabilitas aktif permintaan dan kebutuhan akan tingkat yang tinggi ketersediaan, telah mendorong munculnya baru paradigma dan teknologi. Kita dapat mengutip Non-Database relasional (NoSQL) dan Darwinian Networks (DN) sebagai hasil dari permintaan ini. Non-Database relasional [2, 3], juga dikenal sebagai NoSQL atau Bukan hanya database SQL, adalah teknologi yang dirancang untuk mendukung persyaratan aplikasi cloud dan mengatasi skala, kinerja, model data dan keterbatasan basis data relasional. Relasional database [4] memiliki batasan dalam skalabilitas, membutuhkan distribusi server secara vertikal. Mungkin Kelemahan dari masalah ini adalah karena lebih banyak data diperoleh, server membutuhkan lebih banyak memori yang bekerja dan ruang hard disk. NoSQL memiliki horizontal besar fasilitas distribusi. Dalam prakteknya, lebih banyak data tidak selalu menyiratkan kinerja yang lebih tinggi untuk diambil server. Perusahaan besar menggunakan NoSQL dalam teknologi informasi, termasuk Google, yang menggunakan komputer kecil dan menengah untuk data distribusi. Selanjutnya, basis data NoSQL adalah kesalahan toleran. Jaringan Darwin (DN) [5, 6] adalah kerangka kerja probabilistik yang dapat digunakan untuk menyederhanakan bekerja dengan jaringan Bayesian (BNs) [7]. Di DN, tabel probabilitas bersyarat (CPT) diwakili sebagai suatu populasi. Secara grafis, lingkaran yang solid berisi lingkaran kecil yang diisi atau tidak mewakili populasi adalah. Lingkaran dalam disebut sifat. Di DN, sifat mewakili variabel dari masalah domain yang dimodelkan. Sifat bisa bersifat agresif atau jinak, tergantung di mana variabel dalam CPT, LHS atau RHS, masing-masing. Kita dapat mendefinisikan DN sebagai banyak populasi. Kami menggambarkan DN sebagai putus-putus lingkaran di sekitar penduduknya. Kita bisa memanipulasi populasi dalamDN menggunakan operasi, termasuk menggabungkan, replikasi, dan seleksi alam. Dengan ini operasi, DN dapat mewakili inferensi di BNs. Di makalah ini, kami mengusulkan perpustakaan grafis untuk mewakili dan menggambarkan database non-relasional menggunakan DN. Ide kami adalah membuat alat yang berguna untuk membantu dalam manajemen data semacam ini dan itu perwakilan. Perpustakaan akan menjadi interaktif ruang dengan database non-relasional yang tersedia melalui antarmuka grafis. Pengguna akan dapat buat dan edit DN dengan menggunakan antarmuka. Manipulasi DNs kemudian diterjemahkan oleh perpustakaan ke database non-relasional koresponden operasi. Dengan menggunakan operasi DN yang tersedia, pengguna akan dapat melakukan inferensi secara grafis. Kami mengatur sisa makalah sebagai berikut. Bagian II menyajikan database Non-Relasional dan karakteristik utamanya. Bagian III menunjukkan detail tentang Jaringan Darwin. Di bagian IV kami menyajikan perpustakaan yang dibuat dan penggunaannya. Akhirnya, Bagian V menawarkan beberapa pernyataan penutup.

II.             DATABASE RELATIONAL DAN NON-RELATIONAL

Database relasional telah muncul sebagai penerus model jaringan hirarkis. Itu model relasional menjadi pola untuk sebagian besar Sistem Manajemen Database (DBMS). Ini model memunculkan proses Normalisasi yang mana tujuannya adalah untuk menerapkan serangkaian langkah dengan aturan tertentu di tabel database untuk memastikan desain yang tepat dari tabel ini [8]. Selanjutnya, model ini mengadopsi bahasa untuk manipulasi dan permintaan ini data, SQL (Structured Query Language) yang mana diciptakan oleh IBM dan terinspirasi oleh relasional aljabar. Pada tahun 1982, American National Standard Institute (ANSI) mendefinisikan SQL sebagai resmi bahasa standar untuk lingkungan relasional [9]. Untuk waktu yang lama, database relasional telah menjadi tipe database yang paling banyak digunakan di perusahaan itu memiliki volume data yang tinggi untuk disimpan [2, 3]. Berpikir bahwa jumlah data ini cenderung tumbuh setiap kali, Anda mulai melihat mereka yang berhubungan database memiliki faktor pembatas tertentu, khususnya ketika kita mengacu pada sistem skala [10]. Kita dapat menyebutkan kasus Facebook, yang mencapai tingkat petabyte (pada tahun 2011 volume data ini melebihi 30 petabyte, dan kurang dari setahun sebelumnya volumenya adalah 20 petabyte). Kasus ini nyata contoh bagaimana pertumbuhan data ini telah berkembang cepat [11]. Untuk jenis organisasi ini, penggunaan DBMS relasional sangat bermasalah dan tidak efisien. Karena keterbatasan ini, kami memiliki model alternatif baru untuk lingkungan basis data yang dapat mengisi celah ini. Satu contoh model-model ini yang sudah cukup kekuatan dan ruang adalah NoSQL ("Tidak Hanya SQL") [12]. NoSQL adalah istilah umum yang mendefinisikan a database non-relasional. Model ini datang bersama proposal untuk bertemu, mengatur, dan mengelola besar volume data, mencari kinerja tinggi dan ketersediaan [13].

A.    Paradigma baru : NoSQL

Database pada umumnya di gunakan dalam memecahkan berbagai hal masalah model relasional, desainer NoSQL mempromosikan alternatif dengan penyimpanan tinggi, kecepatan, dan ketersediaan yang bagus. Mereka berusaha menyingkirkannya aturan dan struktur tertentu yang memandu Model Relasional. Dengan pelanggaran ini dalam relasional model, kami memenangkan kinerja dan lebih fleksibel sistem basis data untuk berbagai fitur yang ada unik untuk setiap perusahaan. Fleksibilitas ini telah menjadi penting untuk memenuhi persyaratan skalabilitas yang tinggi diperlukan untuk mengelola sejumlah besar data, serta untuk memastikan ketersediaan tinggi, fitur utama untuk Web 2.0 aplikasi. Proposal dari database NoSQL tidak memadamkan Model Relasional, tetapi menggunakannya dalam kasus di mana diperlukan lebih banyak fleksibilitas penataan basis data [13]. Gerakan ini sangat menjamur di bidang open source dan meskipun ada banyak basis data dalam kategori ini. Pergerakan mulai mendapatkan lebih banyak kekuatan ketika beberapa perusahaan, dianggap sebagai raksasa teknologi, mulai menggunakan mereka implementasi eksklusif. Kami bisa menyebutkan Google, yang sejak 2004 berinvestasi di BigTable. Kita juga memiliki Cassandra, yang dikembangkan oleh Facebook untuk menangani arus besar informasi. Pada tahun 2010, Cassandra terbukti menjadi basis data terkonsolidasi dan sekarang digunakan oleh Twitter, yang menggunakan MySQL sebelumnya [14]. Database NoSQL memiliki beberapa hal penting karakteristik yang membuat mereka sangat berbeda database relasional seperti skalabilitas Horizontal; Skema bebas skema atau fleksibel; Dukungan asli untuk replikasi; API sederhana untuk mengakses database.

B.    PERBEDAAN UNTAMA ANTARA DBMS RELATIONAL DAN NoSQL

Ketika kita berpikir tentang kemungkinan menggunakan database NoSQL daripada relasional model, kita perlu mengambil beberapa pertanyaan pertimbangan, seperti eskalasi, konsistensi, dan ketersediaan data. Untuk lebih memahami semua itu perbedaan, Tabel I mencontohkan dengan singkat ini pertanyaan. Kami juga bisa merangkum kedua jenis itu database (Relational Model dan NoSQL) dan karakteristik utama sebagai berikut.

Tabel I.

·       Database Relasional

- Apa itu: berdasarkan itu semua data disimpan tabel, dengan konsep entitas dan hubungan. Data dipisahkan dalam bentuk yang unik, coba mengurangi redundansi maksimum, karena informasi dibuat oleh semua data, yang merupakan hubungan antar tabel yang membuat ini layanan.

- Fitur: tabel, skema yang ditentukan, hierarki, redundansi minimal, dan hubungan entitas, bentuk normal, transaksi ACID (atomicity, konsistensi, isolasi, daya tahan).

- Kapan menggunakan: lokal, keuangan, perusahaan; informasi keamanan; konsistensi data.

·       NoSQL Databases

- Apa itu: solusi alternatif untuk relasional database, memiliki skalabilitas dan kinerja tinggi.

- Fitur: catatan, bebas skema, toleransi kesalahan, skalabilitas, pengelompokan, mapreduce, sharding. 

- Kapan menggunakan: sistem cloud, analisis sosial, tinggi skalabilitas, kinerja dalam permintaan / tulis replikasi.

III.          DARWINIAN NETWORK

Darwinian Network (DN) [5, 6] diusulkan untuk menyederhanakan bekerja dengan Bayesian jaringan (BNs) [7]. Daripada memodelkan variabel dalam domain masalah, DN mewakili tabel probabilitas dalam model. Grafisnya manipulasi tabel kemudian mengambil sebuah perasaan biologis, di mana CPT P (X / Y) dipandang sebagai representasi baru dari populasi p (C, D) menggunakan kedua sifat tempur C (berwarna jernih) dan sifat jinak D (berwarna gelap).

A.    Definisi

Suatu sifat dapat bersifat agresif atau jinak. Sifat traversik adalah digambarkan oleh lingkaran (putih) yang jelas. Sifat jinak td diilustrasikan oleh lingkaran gelap (hitam). Sebuah populasi p(C, D) mengandung satu set sifat-sifat CD yang tidak kosong, di mana C dan D berada disjoint, C secara eksklusif agresif, dan D secara eksklusif jinak. Populasi digambarkan oleh kurva tertutup sifat-sifatnya. Sebagai contoh, Gambar 4 (i) menunjukkan delapan populasi, termasuk p(b, ag), yang merupakan kependekan untuk p({b},  {a, g}), diilustrasikan dengan kurva tertutup di sekitar sifat agresif (b) dan dua (gelap) sifat jinak a dan g.

IV.           GRAPHICAL LIBRARY

Pada bagian ini, kami akan menjelaskan bagaimana Jaringan Darwin (DN) dapat dimodelkan secara non-relasional. Selanjutnya, kami juga membahas bagaimana evolusi dapat disimpan sebagai koleksi di database non-relasional yang sama. Dengan menjelaskan itu, kami memformalkan produk dari makalah ini:  Library javascript sederhana untuk mewakili DN di database non-relasional dengan intuitif dan antarmuka grafis untuk pengguna. Untuk memastikan bahwa produk dikembangkan dengan baik dan dikontrol selama seluruh proses, kami menggunakan pendekatan PM5 untuk kelola proyek ini [15].

A. Deskripsi Basis Data

Sistem ini dibentuk oleh non-relasional server database dan antarmuka web untuk memanipulasi data. Server menjalankan javascript Node.js platform, membentuk bagian backend Library, yang juga mencakup penanganan permintaan klien dan mengelola database. Antarmuka web juga ditulis dalam javascript dan berkomunikasi dengan browser dengan menawarkan visualisasi terbaru dari database. Untuk menggambar DN di browser, web antarmuka menggunakan Scalable Vector Graphics (SVG), yang merupakan format gambar vektor berbasis XML untuk grafis dua dimensi dengan dukungan untuk interaktivitas dan animasi. Yang penting pertama konsep di perpustakaan adalah representasi dari suatu sifat. Dengan konvensi, sifat akan direpresentasikan sebagai satu karakter atau string tunggal. Misalnya, sifat a adalah diwakili oleh karakter ‘a’. Konsep kedua yang kami gunakan dalam proyek ini adalah konvensi kode identifikasi unik untuk setiap koleksi, disebut id. ID adalah 32 yang dihasilkan secara acak karakter kode panjang. Apalagi, id itu unik untuk setiap populasi, aturan yang ditegakkan oleh yang non relasional server basis data. Populasi diwakili oleh a koleksi dalam database. Bidang pertama dari koleksi adalah id populasi. Bidang kedua adalah dnId, itu adalah id untuk DN dari mana ini populasi terkandung. Selanjutnya, populasi telah dua bidang array: agresif dan jinak. Mereka berdua tahan urutan karakter (karakter). Untuk visualisasi populasi ini, kami juga perlu simpan posisi populasi di layar. Kita bisa mencapai itu dengan menambahkan dua lagi bidang: posX dan posY, menyimpan populasi posisi horisontal dan vertikal, masing-masing. Terakhir, kami membuat bidang yang dibuat. Saat menyimpan populasi telah dibuat. Berikut satu contoh populasi p (a; b) seperti yang ada dalam database:

DN adalah koleksi yang dibuat untuk menjadi direferensikan oleh populasi. Bidang pertamanya adalah identitas unik. Mengikuti nama bidang yang disebut, yang merupakan  masukan pengguna untuk mengidentifikasi DN secara spesifik. DN adalah digunakan untuk pemodelan domain masalah dan mereka juga digunakan untuk inferensi. Jadi, kami membutuhkan lapangan untuk membedakan antara dua situasi ini. Yang itu adalah field Boolean isEvlotion yang menyimpan false jika DN digunakan dalam pemodelan dan benar jika digunakan dalam kesimpulan. Koleksi DN juga memiliki bidang dibuat untuk menyimpan tanggal pembuatan pengguna. Dibawah ini adalah a dokumen dari koleksi DN:

Hal terakhir yang dibutuhkan perpustakaan mewakili dalam database adalah evolusi. Pertama bidang adalah id uniknya. Selanjutnya, kami memiliki nama bidang, digunakan untuk menyimpan identifikasi akrab bagi pengguna. Bidang yang paling penting dalam koleksi ini adalah dns satu. Di sini, kami memiliki jenis bidang array dengan urutan urutan nomor DN. ID ini sesuai dengan DNs dengan is isvolusi medan benar. Dengan demikian, koleksi evolusi dapat menghemat urutan DN, yang persis arti dari proses inferensi dalam DN. Terakhir, createdAt memiliki fungsi serupa di sini. Ini mungkin dokumen evolusi dari koleksi evolusi: 

B.    Web Interface

Web interface terdiri dari layar di mana pengguna dapat membuat, mengedit, dan menghapus DN dan evolusi. DN dibuat secara independen dari evolusi. Artinya, pengguna dapat menentukan DN dan simpan di layar. Nanti, jika pengguna mau melakukan evolusi dengan DN tertentu, pengguna bisa pilih dari daftar DN dan mulai populasi manipulasi. Perhatikan bahwa kapan pun pengguna memulai evolusi salinan DN asli dibuat, artinya semua manipulasi populasi tidak diterapkan pada DN yang ditentukan, tetapi untuk salinannya. Pengguna dapat membuat DN, mengedit, dan menghapus DN di DN layar daftar, seperti yang ditunjukkan pada Gambar 5 dan 6.

Gambar 5 tampilan list DN

Untuk menambah dan menghapus populasi, edit screen, yang digambarkan pada Gambar 7 menawarkan dua alat sederhana: bentuk untuk menambahkan populasi di atas dan pilihan untuk mengklik ganda suatu populasi untuk menghapusnya. Pengguna dapat daftar agresif dan sifat jinak dengan memisahkan mereka dengan koma. Itu antarmuka mem-parsing input untuk kenyamanan. Pada daftar evolusi, pengguna mengedit dan melanjutkan evolusi tetapi tidak dapat membuatnya. Evolusi hanya bisa terjadi dibuat dari layar daftar DN. Pada Gambar 8, layar daftar evolusi ditampilkan. Kapanpun sebuah evolusi dihapus, semua DN yang sesuai adalah juga dihapus. Tetapi perhatikan bahwa DN asli adalah tidak pernah dimodifikasi, hanya salinannya. Selanjutnya, pengguna bisa melakukan evolusi dengan memanipulasi populasi di layar evolusi, seperti yang diilustrasikan pada Gambar 9. Populasi dapat mereplikasi dan bergabung. Untuk meniru, diperlukan klik ganda dalam suatu populasi, yang memicu jendela pop-up yang menanyakan sifat mana akan dihapus di replika. Untuk menggabungkan populasi, pengguna dapat menyeret satu di atas yang lain. 

gambar 6

gambar 7 mengedit DN

gambar 8 List evolusi yang ada.

gambar 9 manipulasi hasil populasi

Web interface saat ini berfungsi secara terbuka, yaitu semua pengguna memiliki akses yang sama database. Pekerjaan masa depan akan menciptakan individu bagian, membatasi pengguna ke basis data mereka sendiri. Pekerjaan masa depan juga dapat mengimplementasikan representasi beberapa DN. Di sini, idenya adalah menciptakan koleksi baru untuk menjadi entitas di mana semua DN terkandung. Pendekatan ini mirip dengan caranya populasi dari DN tertentu mengacu pada id dari DN itu.

V. KESIMPULAN

Kami mengusulkan kerangka representasi untuk Jaringan Darwin dengan Non-Relasional Database, tersedia di

https: // dnslab. herokuapp.com/ . Ini adalah javascript implementasi operasi dasar untuk adaptasi dan evolusi dalam DN. Utama keuntungan dari perpustakaan grafis DN adalah untuk memvisualisasikan ide-ide dan teknik-teknik baru dari DN. Jadi, ini adalah alat yang hebat untuk mengajar, cepat prototyping dengan DN dan pengujian. Non-relasional database (NoSQL) adalah solusi alternatif untuk database relasional, memiliki skalabilitas tinggi dan kinerja. Kami telah menunjukkan yang komprehensif perbandingan antara relasional dan non-relasional database. Motivasi dan konsep dasar tentang database non-relasional dinyatakan juga contoh untuk menggambarkan karakteristik utamanya. Berikutnya, kami mempelajari bagaimana perbandingan paradigma database ini dengan database relasional. Kami juga menyediakan contoh untuk menjelaskan kelebihan dan kerugian. Dengan memanfaatkan fitur unik dari NoSQL kami mengembangkan kerangka kerja intuitif untuk memvisualisasikan bekerja dengan DN. Misalnya, pengguna dapat membuat DN, mengedit, dan menghapus DN di DN layar daftar. Fitur lain yang menonjol adalah DN manipulasi. Dengan daftar evolusi, pengguna bisa mengedit nama dan melanjutkan evolusi. Pengguna bisa memanipulasi populasi untuk mereplikasi dan menggabungkan mereka ketika melakukan evolusi. Jurnal ini mengusulkan perpustakaan grafis untuk mewakili dan menggambarkan database non-relasional menggunakan DN. Kesimpulan, kami telah menetapkan empat keuntungan utama penggunaan Pustaka grafis DN:

 Perpustakaan adalah ruang interaktif dengan non-relasional database tersedia melalui antarmuka grafis. Pengguna dapat membuat dan mengedit DN dengan menggunakan antarmuka web.

 Manipulasi DNs kemudian diterjemahkan oleh perpustakaan ke koresponden non-relasional operasi basis data.

 Dengan menggunakan operasi DN yang tersedia, pengguna dapat melakukan inferensi secara grafis.

 Kerangka ini adalah alat yang hebat untuk belajar DN.

 dan semua kode sumber tersedia secara online gratis di GitHub melalui halaman web:

https://gitlab.com/jhonatanoliveira/dn-lab Dengan kerangka kerja ini, DN dapat diterapkan sebagai alat yang sederhana namun sangat kuat mereka, memungkinkan pengguna untuk menggambarkan penalaran dengan DN.

UCAPAN TERIMA KASIH

CNPq (Conselho Nacional de Desenvolvimento Ciencia Tecnologico - ”Dewan Nasional Teknologi dan Ilmiah Development ”) mendukung pekerjaan ini.

REFERENSI

[1]. C. J. Butz, “Introducing darwinian networks,” in Proceedings of the Twenty- Eighth International Florida Artificial Intelligence Research Society Conference, 2015, pp. 604–610.

[2]. C. Mohan, “History repeats itself: Sensible and nonsensql aspects of the nosql hoopla,” in Proceedings of the 16th International Conference on Extending Database Technology, 2013, pp. 11–16.

[3]. A. Lith and J. Mattsson, “Investigating storage solutions for large data-a comparison of well performing and scalable data storage solutions for real time extraction and batch insertion of data,” 2010.

[4]. D. Maier, Theory of Relational Databases. Computer Science Pr, 1983.

[5]. C. J. Butz, J. S. Oliveira, and A. E. dos Santos, “Darwinian networks,” in Proceedings of the Twenty-Eighth Canadian Artificial Intelligence Conference, 2015, pp. 16–29.

[6]. ——, “On Darwinian networks,” Computational Intelligence, 2015.

[7]. J. Pearl, Probabilistic Reasoning in Intelligent Systems: Networks of Plausible Inference. Morgan Kaufmann, 1988.

[8]. E. F. Cood, The Relational Model for Database Managment. Addison-Wesley Publishing Company, 1990.

[9]. IBM, “Relational database,” 2012, online; Available at http://www- 03.ibm.com/ibm/history/ibm100/ us/en/icons/reldb/, Accessed 24-July-2016. [Online]. Available: http://www- 03.ibm.com/ibm/history/ibm100/ us/en/icons/reldb/

[10]. Uniredes, “List of the most used databases in the would,” 2013, online; Available at http://uniredes.org/kb/?View= entry&EntryID=224, Accessed 24-July- 2016. [Online]. Available: http://uniredes.org/kb/?View=entry&EntryI D= 224

[11]. InfoQ, “Facebook - the biggest migration,” 2011, online; Available at https://www.infoq.com/br/news/ 2011/08/facebook-maior-migracao, Accessed 24-July- 2016. [Online]. Available: https://www.infoq.com/br/ news/2011/08/facebook-maior-migracao

[12]. N. Database, “List of nosql databases,” 2015, online; Available at http://nosql-database.org, Accessed 16-July- 2016. [Online]. Available: http://nosql-database.org/

[13]. MongoDB, “Mongodb for giant ideas,” 2016, online; Available at https://www.mongodb.com/, Accessed 25- July-2016. [Online]. Available: https://www.mongodb. com/

[14]. NoSQLDatabases, “How to create a consistent hasher using php,” 2010, online; Available at http://www. nosqldatabases.com/main/tag/consistent-hashing, Accessed 21-July-2016. [Online]. Available: http: //www.nosqldatabases.com/main/tag/consist ent-hashing

[15]. P. R. M. Andrade, A. B. Albuquerque, O. F. Frota, and J. F. S. Filho, “Pm5: One approach to the management of it projects applied in the brazilian public sector,” in Proceedings of 13th International Conference on Software Engineering Research and Practice - SERP. WorldComp, 2015.

Kelompok : 
Axel Aryobowo (51414858)
M.Himawan Noer Adiyasa (57414308) 

Sumber :

https://papers.ssrn.com/sol3/papers.cfm?abstract_id=3016606