Hasil Pencarian  ::  Simpan CSV :: Kembali

"Fokus utama penelitian ini adalah merancang dan mengembangkan prototipe sistem registrasi IRS berbasis event-driven architecture serta mengevaluasi sistem tersebut dengan eksperimen chaos engineering. Implementasi sistem menggunakan Spring Boot framework, Apache Kafka sebagai event broker, dan Amazon Web Service (AWS) untuk infrastruktur. Pengujian dilakukan dengan melakukan API testing untuk menguji fungsionalitas sistem dan load testing untuk menguji reliability sistem. Terakhir, eksperimen chaos engineering dengan metode chaos monkey dilakukan untuk menguji resilience sistem. Hasil pengujian menunjukkan bahwa fungsionalitas sistem sebagai layanan IRS bekerja dengan baik. Sistem dapat tetap bekerja di bawah tekanan 40.000 mahasiswa yang disimulasikan mengakses sistem bersamaan. Pada kondisi chaos di mana beberapa server dimatikan, sistem masih dapat berfungsi dengan baik dan mahasiswa masih dapat menggunakan layanan registrasi IRS tanpa masalah.

---

The main focus of this research is to design and develop a prototype of an event-driven architecture based course registration service, and to evaluate the system with chaos engineering. The system was implemented using Spring Boot as its framework, Apache Kafka as the event broker, and Amazon Web Service (AWS) for infrastructure. The testing was done by implementing API testing for evaluating the system’s functionality and load testing to evaluate system’s reliability. Finally, a chaos engineering experiment was carried out to evaluate the resilience of the system. The result shows that the system can deliver its functionality as a course plan registry pretty well. The system was able to work under the pressure of 40.000 student simulated to access the system simultaneously. In the chaos condition where several server were taken down, the system still performs well and able to provide the service without any problem for the students."

"[ABSTRAKPerkembangan sistem informasi saat ini menyebabkan sistem informasi yang digunakan dalam sebuah organisasi terus bertambah dan semakin kompleks. Halini juga memunculkan fenomena meningkatnya jumlah data yang diolah dandihasilkan oleh sistem informasi. Kondisi ini membawa tantangan baru dalampengawasan operasional sistem informasi, seperti keterlambatan peringatankesalahan atau membanjirnya jumlah peringatan yang tidak tepat sasaran. Penelitian ini bertujuan membangun sebuah sistem pengawasan aplikasi padasistem informasi di PT. XYZ menggunakan Event Driven Architecture dan Machine Learning. Pengembangan ini menggunakan perangkat lunak R dan TIBCO StreamBase.

---

ABSTRACTAdvancement in information system nowadays has generated more quantities and complexities of an organization?s information system. This factalso leads to a phenomenon of the increase of data volume being processed andalso generated by any information system. This condition has brought a newchallenge in the operation and monitoring of the information systems, such asdelays in failure alert and also floods of incorrect alerts. This research aims to build a monitoring system for applications in the PT. XYZ information systems, using Event Driven Architecture and Machine Learning techniques. This development is done using R software and also TIBCO StreamBase. , Advancement in information system nowadays has generated more quantities and complexities of an organization’s information system. This factalso leads to a phenomenon of the increase of data volume being processed andalso generated by any information system. This condition has brought a newchallenge in the operation and monitoring of the information systems, such asdelays in failure alert and also floods of incorrect alerts. This research aims to build a monitoring system for applications in the PT. XYZ information systems, using Event Driven Architecture and Machine Learning techniques. This development is done using R software and also TIBCO StreamBase. ]"

"Tingginya jumlah kendaraan bermotor di Indonesia memiliki dampak kepada kualitas udara. Aplikasi Mahoni merupakan upaya solusi dari permasalahan tersebut dengan membawa konsep kota cerdas. Penulis melakukan pengembangan arsitektur microservice yang melayani fitur pada aplikasi Mahoni yaitu servis kualitas udara, perjalanan, dan penukaran poin menjadi kupon sesuai dengan kebutuhan pengguna. Aplikasi Mahoni dikembangkan dengan menggunakan arsitektur event-driven agar dapat mencatat beragam data yang berasal dari sensor udara dan aktivitas pengguna secara real-time. Kafka digunakan sebagai message broker untuk mendapatkan throughput yang tinggi dan mempermudah integrasi dengan komponen big data yang memerlukan data stream untuk melakukan stream processing dan real-time analytics melalui change data capture dengan bantuan Debezium dan Kafka Connect. Data stream diolah menjadi keluaran yang dibutuhkan seperti visualisasi data menggunakan dashboard. Untuk mencapai hal tersebut, arsitektur Kappa diimplementasikan untuk membangun arsitektur big data yang sederhana, scalable, dan reliable. Arsitektur big data pada penelitian ini terdiri dari beberapa komponen yaitu Flink, Cassandra, InfluxDB, dan Grafana. Keterhubungan implementasi keseluruhan arsitektur pada penelitian ini diuji dengan melakukan end-to-end testing. Hasil dari pengujian tersebut menunjukkan bahwa keseluruhan komponen sistem aplikasi Mahoni terhubung dengan baik dalam memenuhi kebutuhan pengguna. Komponen arsitektur event-driven juga dibuktikan dapat mengatasi data stream dengan throughput tinggi dan bersifat loosely-coupled sehingga integrasi komponen baru pada sistem lebih mudah. Komponen arsitektur big data juga dibuktikan dapat mengatasi pertumbuhan data dengan melakukan scaling pada Flink sehingga menghasilkan sistem yang reliable.

---

The high number of motorized vehicles in Indonesia has an impact on air quality. Mahoni application is an attempt to solve the problem by bringing the concept of smart city. The author develops a microservice architecture that serves features in the Mahoni application, namely air quality services, travel, and redemption of points into coupons according to user needs. Mahoni application is developed using event-driven architecture in order to record various data from air sensors and user activities in real-time. Kafka is used as a message broker to get high throughput and facilitate integration with big data components that require data streams to perform stream processing and real-time analytics through change data capture with the help of Debezium and Kafka Connect. Stream data is processed into the required output such as data visualization using dashboards. To achieve this, Kappa architecture is implemented to build a simple, scalable, and reliable big data architecture. The big data architecture in this research consists of several components, namely Flink, Cassandra, InfluxDB, and Grafana. The connectedness of the implementation of the entire architecture in this study was tested by conducting end-to-end testing. The results of the test show that all components of the Mahoni application system are well connected in meeting user needs. The event-driven architecture component is also proven to be able to cope with high-throughput data streams and is loosely-coupled so that the integration of new components in the system is easier. The big data architecture component is also proven to be able to cope with data growth by scaling Flink to produce a reliable system."

"Tingginya jumlah kendaraan bermotor di Indonesia memiliki dampak kepada kualitas udara. Aplikasi Mahoni merupakan upaya solusi dari permasalahan tersebut dengan membawa konsep kota cerdas. Penulis melakukan pengembangan arsitektur microservice yang melayani fitur pada aplikasi Mahoni yaitu servis kualitas udara, perjalanan, dan penukaran poin menjadi kupon sesuai dengan kebutuhan pengguna. Aplikasi Mahoni dikembangkan dengan menggunakan arsitektur event-driven agar dapat mencatat beragam data yang berasal dari sensor udara dan aktivitas pengguna secara real-time. Digunakan message broker untuk mendapatkan throughput yang tinggi dan mempermudah integrasi dengan komponen big data yang memerlukan data stream untuk melakukan stream processing dan real-time analytics melalui change data capture. Data stream diolah menjadi keluaran yang dibutuhkan seperti visualisasi data menggunakan dashboard. Untuk mencapai hal tersebut, arsitektur Kappa diimplementasikan untuk membangun arsitektur big data yang scalable dan reliable. Keterhubungan implementasi keseluruhan arsitektur pada penelitian ini diuji dengan melakukan end-to-end testing. Hasil pengujian menunjukkan bahwa keseluruhan komponen sistem aplikasi Mahoni terhubung dengan baik dalam memenuhi kebutuhan pengguna. Komponen arsitektur event-driven terbukti dapat mengatasi data stream dengan throughput tinggi dan bersifat loosely-coupled sehingga integrasi komponen baru pada sistem lebih mudah. Komponen arsitektur big data juga terbukti dapat mengatasi pertumbuhan data dengan melakukan scaling sehingga menghasilkan sistem yang reliable.

---

The high number of motorized vehicles in Indonesia is causing air quality issues. To combat this problem, the Mahoni application introduces a smart city concept. It employs a microservice architecture, offering features such as air quality monitoring, travel assistance, and point redemption for coupons according to user needs. Event-driven architecture is utilized for real-time data collection from air sensors and user interactions. Message broker is used to get high throughput and facilitate integration with big data components that require data streams to perform stream processing and real-time analytics through change data capture. Stream data is processed into the required output such as data visualization using dashboards. To achieve this, Kappa architecture is implemented to build a scalable and reliable big data architecture. The connectedness of the implementation of the entire architecture in this study was tested by conducting end-to-end testing. The results of the test show that all components of the Mahoni application system are well connected in meeting user needs. The event-driven architecture component is proven to cope with high-throughput data streams and is loosely-coupled, allowing easy integration of new components. The big data architecture component is also proven to accommodate data growth by scaling, ensuring a reliable system."

"Penelitian ini berfokus pada pengembangan sistem peringatan dini gempa bumi yang memanfaatkan arsitektur event-driven dan model deep-learning. Tujuannya adalah untuk memodelkan data seismik guna mendeteksi gelombang awal, hiposenter, magnitudo, dan kedalaman gempa. Penulis mengumpulkan data dari ratusan titik seismograf dan mengolahnya dengan model deep-learning untuk menghasilkan prediksi yang akurat. Sistem ini dirancang untuk memberikan visualisasi dan informasi yang mendukung Badan Meteorologi, Klimatologi, dan Geofisika (BMKG) dalam mendeteksi aspek-aspek kritis gempa. Selain itu, penulis mengembangkan sistem terdistribusi untuk mengelola permintaan dan pengolahan data skala besar dengan efisiensi tinggi. Antarmuka pemrograman aplikasi (API) juga disajikan untuk memungkinkan prediksi data yang mudah diakses dan dipahami. Terakhir, integrasi antara model machine learning dengan backend dan frontend dirancang untuk memberikan tampilan yang ramah pengguna. Penelitian ini berkontribusi dalam mengembangkan sistem peringatan dini gempa yang lebih canggih dan responsif, sehingga dapat meningkatkan kesiapan dan keamanan masyarakat dalam menghadapi bencana alam.

---

This study focuses on the development of an earthquake early warning system utilizing event-driven architecture and deep-learning models. The aim is to model seismic data to detect initial waves, hypocenters, magnitude, and depth of earthquakes. Data from hundreds of seismograph points were collected and processed using deep-learning models to generate accurate predictions. The system is designed to provide visualizations and information to support the Meteorology, Climatology, and Geophysics Agency (BMKG) in detecting critical earthquake aspects. Additionally, a distributed system was developed to manage large-scale data requests and processing efficiently. An Application Programming Interface (API) is also presented for accessible and understandable data predictions. Finally, the integration of machine learning models with backend and frontend is designed to offer a user-friendly display. This research contributes to the development of a more sophisticated and responsive early warning system, enhancing public preparedness and safety in the face of natural disasters."