Pembangunan Algoritme Efisien untuk Menjawab K-Produk Paling Menjanjikan Pada Lingkungan Terdistribusi

Firdausi, Hafara (2021) Pembangunan Algoritme Efisien untuk Menjawab K-Produk Paling Menjanjikan Pada Lingkungan Terdistribusi. Masters thesis, Institut Teknologi Sepuluh Nopember Surabaya.

Text 05111950010040-Master_Thesis.pdf - Accepted Version Restricted to Repository staff only until 1 October 2023. Download (4MB) | Request a copy

Abstract

Strategi pemilihan produk berbasis preferensi pelanggan banyak dipelajari pada lingkungan terpusat. Pada kenyataannya, pengelolaan dan penyimpanan data menjadi semakin terdistribusi. Beberapa strategi pemilihan produk yang sudah ada tidak dapat diimplementasikan secara langsung pada lingkungan terdistribusi karena harus membaca keseluruhan data. Salah satu pendekatan yang paling mudah adalah dengan mengumpulkan semua data dari setiap node menjadi satu untuk diproses. Namun, hal ini akan menyebabkan (1) biaya komunikasi yang tinggi dan (2) waktu pemrosesan kueri yang lama. Terinspirasi dengan strategi pemilihan produk k-Most Promising Products (KMPP), penelitian ini mempelajari permasalahan pemilihan produk menjanjikan pada lingkungan terdistribusi. Penelitian ini mengusulkan algoritme baru yang efisien untuk menjawab kueri kueri k-produk paling menjanjikan pada lingkungan terdistribusi (KMPPD) dengan mengusulkan strategi pemangkasan berbasis Anti-Dominance Region (ADR). Untuk menunjang strategi pemangkasan tersebut, penelitian ini mencoba menggabungkan struktur data Grid-based index dan R-Tree untuk meminimalkan biaya komputasi. Algoritme yang diusulkan juga memanfaatkan dua kueri skyline, yaitu dynamic skyline dan reverse skyline, untuk menghitung nilai kontribusi pasar masing-masing produk. Hasil pengujian menunjukkan bahwa kinerja algoritme KMPPD lebih efisien dibandingkan dengan algoritme KMPPD-RiG untuk menjawab kueri k-produk paling menjanjikan pada lingkungan terdistribusi. Ditambah lagi, algoritme KMPPD memiliki total waktu kueri 97% jauh lebih cepat dibandingkan algoritme Naïve dan algoritme KMPPD-RiG memiliki total waktu kueri 95% jauh lebih cepat dibandingkan algoritme Naïve.
==================================================================================================
Product selection strategies based on customer preferences are widely studied in the centralized environment. However, the increasing rate of data generation causes data management and storage to be increasingly distributed. The existing product selection strategies cannot be directly applied in the distributed environment because the strategies must read the entire data. Intuitively, all data from each node in the network must be put together before processing. However, this naïve approach generates (1) high communication costs and (2) high query execution time. Inspired by the k-Most Promising Products (KMPP) product selection strategy, this study addresses the problem of selecting promising products in the distributed environment. This study proposes a new efficient algorithm for answering k-most promising products queries over distributed environments (KMPPD) by proposing an Anti-Dominance Region (ADR)-based pruning strategy. This study also proposes an index structure that combines R-Tree and Grid-based indexes to minimize computational costs. The proposed algorithm utilizes two skyline queries, i.e., dynamic skyline and reverse skyline, to calculate each product's market contribution value. The results show that the KMPPD algorithm performs more efficiently than the KMPPD-RiG algorithm to answer the k-most promising products over a distributed environment. Moreover, the KMPPD algorithm has a 97% faster query time than the Naïve approach, while the KMPPD-RiG algorithm has a 95% faster query time than the Naïve approach.

Item Type:	Thesis (Masters)
Uncontrolled Keywords:	distributed environment, dynamic skyline, grid-based index, k-Most Promising Products, lingkungan terdistribusi, product selection strategy, R-Tree, reverse skyline, strategi pemilihan produk
Subjects:	T Technology > T Technology (General) > T57.5 Data Processing
Divisions:	Faculty of Information Technology > Informatics Engineering > 55101-(S2) Master Thesis
Depositing User:	Hafara Firdausi
Date Deposited:	16 Aug 2021 03:42
Last Modified:	16 Aug 2021 03:42
URI:	http://repository.its.ac.id/id/eprint/86890

Actions (login required)

View Item