IMPLEMENTASI ALGORITMA SAX DAN RANDOM PROJECTION UNTUK TIME SERIES MOTIF DISCOVERY PADA BIG DATA PLATFORM STUDI KASUS: RESONANSI ELEMEN ORBITAL ASTEROID

Muhammad Naufal Fazanadi, - (2019) IMPLEMENTASI ALGORITMA SAX DAN RANDOM PROJECTION UNTUK TIME SERIES MOTIF DISCOVERY PADA BIG DATA PLATFORM STUDI KASUS: RESONANSI ELEMEN ORBITAL ASTEROID. S1 thesis, Universitas Pendidikan Indonesia.

[img] Text
S_KOM_1505439_Title.pdf

Download (378kB)
[img] Text
S_KOM_1505439_Chapter1.pdf

Download (196kB)
[img] Text
S_KOM_1505439_Chapter2.pdf
Restricted to Staf Perpustakaan

Download (1MB)
[img] Text
S_KOM_1505439_Chapter3.pdf

Download (196kB)
[img] Text
S_KOM_1505439_Chapter4.pdf
Restricted to Staf Perpustakaan

Download (1MB)
[img] Text
S_KOM_1505439_Chapter5.pdf

Download (57kB)
[img] Text
S_KOM_1505439_Appendix.pdf
Restricted to Staf Perpustakaan

Download (914kB)
Official URL: http://repository.upi.edu/

Abstract

Fenomena Big Data telah terjadi pada banyak bidang pengetahuan, salah satunya adalah pada bidang astronomi. Data yang memiliki jumlah yang sangat banyak pada bidang astronomi salah satunya adalah data resonansi elemen orbital asteroid. Data tersebut dapat diolah sehingga para ilmuwan dapat mencari mean motion resonance pada suatu partikel asteroid untuk mengetahui pada tahun keberapa asteroid akan beresonansi dengan planet planet tertentu. Untuk itu, penelitian ini membuat sebuah model komputasi untuk mendapatkan mean motion resonance secara cepat dan efektif dengan memodifikasi dan mengimplementasikan algoritma SAX dan algoritma motif discovery random projection pada Big Data Platform yaitu Apache Hadoop dan Apache Spark. Hasil penelitian ini menunjukkan adanya percepatan yang sangat signifikan antara penggunaan stand alone dan penggunaan Big Data platform dengan perancangan 2 skenario. Skenario pertama yaitu penggunaan cluster dengan 4 cores dan beberapa worker node dan skenario kedua yaitu penggunaan cluster dengan 2 worker node dan beberapa jumlah core. Penelitian ini juga membuktikan bahwa model komputasi yang dibangun dibandingkan dengan kelauran software SwiftVis mendapatkan rata-rata akurasi sebesar 83%. The Big Data phenomenon has occurred in many fields of knowledge, one of them is in the field of astronomy. One of data that has a very large amount in the astronomy field is the resonance data of asteroid orbital elements. The data can be processed so that scientists can find the mean motion resonance in an asteroid particle to find out in what year the asteroid will resonate with a particular planet. But now, it cannot be denied that to process the data with a large amount of data will take a lot of time. For this reason, this research makes a computational model to get mean motion resonance quickly and effectively by modifying and implementing the SAX algorithm and motif discovery random projection algorithm on the Big Data platform, using Apache Hadoop and Apache Spark. The results of this study indicate a very significant acceleration between standalone use and the use of Big Data platforms by designing 2 scenarios. The first scenario is the use of clusters with 4 cores and several worker nodes and the second scenario is the use of clusters with 2 worker nodes and a number of cores. This study also proves that the computational model compared to the result from SwiftVis software gets an average accuracy of 83%.

Item Type: Tugas Akhir,Skripsi,Tesis,Disertasi (S1)
Additional Information: No. Panggil : S KOM MUH i-2019 ; Pembimbing : I. Lala Septem Riza, II. Judhistira Aria Utama ; NIM : 1505439
Uncontrolled Keywords: Big Data, algoritma SAX, algoritma random projection, time series, motif discovery, mean motion resonance
Subjects: L Education > L Education (General)
Q Science > QA Mathematics > QA75 Electronic computers. Computer science
T Technology > T Technology (General)
Divisions: Fakultas Pendidikan Matematika dan Ilmu Pengetahuan Alam > Program Studi Ilmu Komputer
Depositing User: Muhammad Naufal Fazanadi
Date Deposited: 18 Jul 2019 06:37
Last Modified: 18 Jul 2019 06:37
URI: http://repository.upi.edu/id/eprint/36173

Actions (login required)

View Item View Item