Perpustakaan Digital ITB

Pemodelan berbasis query merupakan prinsip utama dalam pemodelan data Cassandra. Pemodelan yang hanya mempertimbangkan model konseptual data saja akan menghasilkan query yang tidak efisien atau bahkan query yang tidak dapat dijalankan (Chebotko dkk., 2015). Sayangnya, metode evolusi model data Cassandra yang telah dikembangkan sejauh ini, yakni metode CoDEvo (Suárez- Otero dkk., 2023) dan Orion (Chillón dkk., 2024), hanya memperhitungkan model konseptual saja, tidak dengan query terhadap model konseptual tersebut. Pada tugas akhir ini, dikembangkan metode evolusi model data yang berbasis query untuk model data column family Cassandra. Tujuan dari metode ini adalah menghasilkan model data yang efektif dan efisien baik untuk eksekusi query maupun evolusi. Langkah-langkah pada metode ini berasal dari mekanisme pemodelan data oleh metode-metode lain yang sudah ada yang dimodifikasi agar sesuai dengan tujuan tersebut. Mekanisme utama yang dimanfaatkan adalah enumerasi kandidat dan schema optimization dengan binary integer program dari metode NoSE (Mior dkk., 2017). Kandidat model column family yang dienumerasi diperluas dengan mekanisme support query, column family merging & partition key softening, dan agregasi. Kemudian, dirumuskan model cost baru khusus evolusi. Schema optimization dimodifikasi dengan memadukan model cost tersebut dengan model cost workload metode NoSE. Evaluasi metode yang dikembangkan dilakukan dengan perbandingan terhadap metode CoDEvo melalui pengujian dengan studi kasus sintetis. Pengujian ini menunjukkan bahwa metode yang dikembangkan berhasil mencapai tujuan yang dirumuskan. Dari segi efektivitas, yang dihasilkan tidak hanya model column family tetapi juga panduan langkah-langkah eksekusi query. Dari segi efisiensi, metode ini menyeimbangkan trade-off antara efisiensi eksekusi query dan evolusi secara terkuantifikasi.