Sentimen Analisis

SENTIMEN ANALISIS

Sentimen Analisis adalah jenis natural language yaitu. Pengolah kata untuk melacak mood masyarakat tentang produk atau topic tertentu. Analisis sentiment dapat disebut sebagai opinion mining

Opinion Mining / Sentiment Analysis (sebagian besar researcher menganggap dua istilah ini sama/interchangeable) merupakan sebuah cabang penelitian di domain Text Mining yang mulai booming pada awal tahun 2002-an. Riset-nya mulai marak semenjak paper dari B.Pang dan L.Lee [1] keluar. Secara umum, Sentiment analysis ini dibagi menjadi 2 kategori besar :

• ·         Coarse-grained sentiment analysis
• ·         Fined-grained sentiment analysis

Coarse-grained sentiment analysis - kita mencoba melakukan proses analysis pada level Dokumen. Singkatnya adalah kita mencoba mengklasifikasikan orientasi sebuah dokumen secara keseluruhan. Orientasi ini ada 3 jenih : Positif, Netral, Negatif. Akan tetapi, ada juga yang menjadikan nilai orientasi ini bersifat kontinu / tidak diskrit.

Fined-grained sentiment analysis - kategori kedua ini yang sedang Naik Daun sekarang. Maksudnya adalah para researcher sebagian besar fokus pada jenis ini. Obyek yang ingin diklasifikasi bukan berada pada level dokumen melainkan sebuah kalimat pada suatu dokumen.

contoh :  Saya tidak suka programming. (negatif)

               Hotel yang baru saja dikunjungi sangat indah sekali. (positif)

Berikut adalah Contoh Kasus / Studi Kasus pada Sentimen Analisis

ANALISIS SENTIMEN PENGGUNA JEJARING SOSIAL MENGGUNAKAN METODE SUPPORT VECTOR MACHINE

M. Fachrurrozi, M.T.¹, Novi Yusliani, M.T.²

^1,2Jurusan Teknik Informatika

Fakultas Ilmu Komputer, Universitas Sriwijaya

¹ obetsobets@gmail.com, ² novi.yusliani@gmail.com

Abstrak

Jejaring sosial membantu pengguna Internet dalam berkomunikasi. Hal ini dikarenakan pengguna jejaring sosial dapat menyampaikan pesan dengan memanfaatkan fasilitas yang disediakan oleh setiap jejaring sosial. Pesan yang akan disampaikan melalui jejaring sosial dapat di-post melalui antarmuka situs web jejaring sosial, pesan singkat (SMS), atau melalui berbagai aplikasi untuk perangkat seluler. Pesan-pesan para pengguna jejaring sosial dapat dimanfaatkan untuk berbagai hal, seperti melakukan review terhadap suatu produk atau melakukan review terhadap suatu masalah baik politik maupun masalah sosial terkini. Hal ini dapat dilakukan dengan menganalisis sentimen para pengguna yang disampaikan melalui pesan-pesan dalam situs jejaring sosial. Metode Support Vector Machine merupakan salah satu metode yang dapat dimanfaatkan untuk menganalisis sentimen. Analisis sentimen dengan menggunakan metode Support Vector Machine dilakukan dengan cara mengklasifikasikan sentimen ke dalam kelas positif atau kelas negatif. Tingkat akurasi sistem analisis sentimen pengguna jejaring sosial dengan menggunakan metode Support Vector Machine adalah 81 % atau sebanyak 243 kicauan yang terkelompok secara tepat dari jumlah keseluruhan kicauan sebanyak 300 kicauan.

Kata kunci : analisis sentimen, jejaring sosial, support vector machine

Abstract

Jejaring sosial membantu pengguna Internet dalam berkomunikasi. Hal ini dikarenakan pengguna jejaring sosial dapat menyampaikan pesan dengan memanfaatkan fasilitas yang disediakan oleh setiap jejaring sosial. Pesan yang akan disampaikan melalui jejaring sosial dapat di-post melalui antarmuka situs web jejaring sosial, pesan singkat (SMS), atau melalui berbagai aplikasi untuk perangkat seluler. Pesan-pesan para pengguna jejaring sosial dapat dimanfaatkan untuk berbagai hal, seperti melakukan review terhadap suatu produk atau melakukan review terhadap suatu masalah baik politik maupun masalah sosial terkini. Hal ini dapat dilakukan dengan menganalisis sentimen para pengguna yang disampaikan melalui pesan-pesan dalam situs jejaring sosial. Metode Support Vector Machine merupakan salah satu metode yang dapat dimanfaatkan untuk menganalisis sentimen. Analisis sentimen dengan menggunakan metode Support Vector Machine dilakukan dengan cara mengklasifikasikan sentimen ke dalam kelas positif atau kelas negatif. Tingkat akurasi sistem analisis sentimen pengguna jejaring sosial dengan menggunakan metode Support Vector Machine adalah 81 % atau sebanyak 243 kicauan yang terkelompok secara tepat dari jumlah keseluruhan kicauan sebanyak 300 kicauan.

1.Pendahuluan

Jejaring sosial saat ini telah menguasai kehidupan para pengguna Internet. Layanan yang diberikan oleh setiap situs jejaring sosial berbeda-beda. Hal ini menandakan bahwa setiap situs jejaring sosial memiliki ciri khas dan keunggulan tersendiri. Pada umumnya, layanan yang ada pada jejaring sosial adalah chatting, e-mail, berbagi pesan, berbagi video atau foto, forum diskusi, blog, dan lain-lain. Pemanfaatan situs jejaring sosial telah menjadi trend atau gaya hidup sebagian masyarakat.

Jejaring sosial membantu pengguna Internet dalam berkomunikasi. Hal ini dikarenakan pengguna jejaring sosial dapat menyampaikan pesan dengan memanfaatkan fasilitas yang disediakan oleh setiap jejaring sosial. Pesan yang akan disampaikan melalui jejaring sosial dapat di-post melalui antarmuka situs web jejaring sosial, pesan singkat (SMS), atau melalui berbagai aplikasi untuk perangkat seluler. Dengan demikian, pesan-pesan para pengguna jejaring sosial dapat dimanfaatkan untuk berbagai hal, seperti melakukan review terhadap suatu produk atau melakukan review terhadap suatu masalah baik politik maupun masalah sosial terkini. Hal ini dapat dilakukan dengan menganalisis sentimen para pengguna yang disampaikan melalui pesan-pesan dalam situs jejaring sosial.

Analisis sentimen merupakan proses memahami, mengekstrak, dan mengolah data tekstual secara otomatis untuk mendapatkan informasi (Bo Pang dan Lillian, 2008) [1]. Hal ini menandakan bahwa analisis sentimen dapat digunakan untuk mendapatkan informasi yang ada di dalam pesan para pengguna jejaring sosial terhadap topik yang dibahas.

Analisis sentimen dapat dilakukan dengan mengklasifikasi informasi yang ada ke dalam kelas sentimen positif dan ke dalam kelas sentimen negatif. Informasi akan diklasifikasikan ke dalam kelas positif apabila informasi yang disampaikan bernilai baik atau setuju terhadap sesuatu. Sebaliknya, informasi akan diklasifikasikan kedalam kelas negatif apabila informasi yang disampaikan bernilai tidak baik atau tidak setuju. Penelitian ini bertujuan untuk menganalisis sentimen pengguna jejaring sosial terhadap suatu topik bahasan yang ada dengan memanfaatkan pesan para pengguna jejaring sosial.

     2.Dasar Teori

A. Support Vector Machine

Support Vector Machine (SVM) adalah sistem pembelajaran mesin yang menggunakan ruang hipotesis berupa fungsi-fungsi linier dalam sebuah ruang fitur (feature space) berdimensi tingggi, dilatih dengan algoritma pembelajaran yang didasarkan pada teori optimasi dengan mengimplementasikan learning bias yang berasal dari teori pembelajaran statistik (Christianini, et.al., 2000) [2].

Menurut (yuhariz, 2013)[3] SVM adalah sistem pembelajaran mesin yang bekerja atas prinsip Structural Risk Minimization (SRM). SRM bertujuan untuk menemukan hyperplane terbaik yang memisahkan dua buah kelas pada input space. Hyperplane terbaik antara dua kelas dapat ditemukan dengan mengukur margin hyperplane dan mencari titik maksimalnya. Margin adalah jarak antara hyperplane dengan pattern terdekat dari masing-masing kelas. Pattern yang paling dekat disebut sebagai support vector.

Tahapan pembelajaran dalam SVM adalah :

1. Mencari Lagrange Multipliers (αi)

Keterangan:

y_i: kelas data latih (+1/-1).

y_j : kelas data latih (+1/-1).

x_i : vektor bobot kalimat komentar.

x_j : vektor bobot kalimat komentar.

2. Mencari Nilai Bobot (w)

Keterangan :

w : vektor bobot.

y_i : kelas data latih (+1/-1).

x_i : vektor bobot kalimat komentar yang menjadi vektor pendukung.

3.  Mencari Nilai Bias (b)

NSV : jumlah vektor pendukung. w : vektor bobot

y_i: kelas data latih (+1/-1).

x_{i :} vektor bobot kalimat komentar yang menjadi vektor pendukung.

Proses pengklasifikasian (pengujian) dalam SVM menggunakan persamaan 4.

	æ	n		ö
	ç	åai yi	< t × xi	÷	(4)
f (t ) = sgn ç				> +b ÷
	èi=1,xiÎSV			ø

Keterangan :

t : vektor bobot data uji

x_i: vektor pendukung

b : nilai bias

y_i: kelas atau label dari vektor pendukung (+1/-1)

B. Analisis Sentimen

Analisis sentimen merupakan salah satu cabang penelitian di domain Text Mining. Secara umum,

(1) analisis sentimen berkaitan dengan riset komputasional dari opini, sentimen, dan emosi yang diekspresikan secara tekstual. Analisis sentimen bertujuan untuk mengekstrak atribut dari sebuah komentar (opini, sentimen, dan emosi) yang diekspresikan secara tekstual. Setelah itu, akan diberikan penilaian terhadap komentar tersebut, yaitu positif atau negatif (Bo Pang dan Lillian, 2008)

[1]. Secara umum, analisis sentimen dibagi menjadi dua kategori, yaitu:

a. Coarse-grained sentiment analysis

b. Fined-grained sentiment analysis

Coarse-grained sentiment analysis melakukan proses analisis pada level dokumen.

(2) Pengklasifikasian berorientasi pada sebuah dokumen secara keseluruhan, yaitu positif, netral, dan negatif. Sedangkan fined-grained sentiment analysis melakukan proses analisis sebuah kalimat. Tabel 1 menunjukkan contoh fined-grained sentiment analysis.

         3. Sistem Analisis Sentimen menggunakan metode Support Vector Machine 

Sistem analisis sentimen adalah sistem yang berfungsi untuk menganalisis sentimen para pengguna jejaring sosial. Analisis sentimen dapat dilakukan dengan mengklasifikasi informasi yang ada di dalam komentar atau kicauan para pengguna jejaring sosial ke dalam kelas sentimen positif dan ke dalam kelas sentimen negatif. Informasi akan diklasifikasikan ke dalam kelas positif apabila informasi yang disampaikan bernilai baik atau setuju terhadap sesuatu. Sebaliknya, informasi akan diklasifikasikan ke dalam kelas negatif apabila informasi yang disampaikan bernilai tidak baik atau tidak setuju.

Gambar 1 menggambarkan diagram proses dari sistem analisis sentimen menggunakan metode Support Vector Machine. Sistem ini terdiri tiga proses utama yaitu Pre-processing, Pelatihan, dan Pengujian.

A. Pre-Processing

Pre-processing (pemrosesan awal dokumen) merupakan tahapan yang berfungsi untuk mentransformasikan dokumen ke dalam bentuk representasi yang lain. Tujuan dari tahap ini adalah untuk mempercepat pemrosesan terhadap dokumen, mempermudah proses pencarian query ke dalam dokumen, dan mempermudah proses pengurutan dokumen-dokumen yang terambil (retrieved) (yusliani, 2010). Proses-proses yang dilakukan dalam pre-processing yaitu casefolding, stopword removal, dan tokenisasi.

Casefolding adalah proses penyeragaman bentuk huruf dalam sebuah dokumen, yaitu menjadikan semua huruf ke dalam bentuk huruf kecil. Hanya huruf ‘a’ sampai dengan ‘z’ yang diterima. Karakter selain huruf dianggap delimiter. Tokenisasi adalah proses memecah kalimat menjadi kumpulan kata. Pemecahan dilakukan berdasarkan spasi. Stopwords removal adalah kata-kata yang muncul dalam jumlah besar dan dianggap tidak memiliki makna. Contoh stopwords dalam bahasa Indonesia diantaranya yang’, ‘ke’. Daftar stopwords disesuaikan dengan kebutuhan atau kasus. Tabel 2 menunjukkan contoh proses-proses dalam pre-processing.

B. Pelatihan

Pelatihan adalah proses yang dilakukan untuk mendapatkan pola sentimen dari setiap kelas yaitu kelas positif dan kelas negatif. Support Vector Machine adalah salah satu metode yang membutuhkan pelatihan sebelum dilakukan proses pengklasifikasian (pengujian).

C. Pengujian

4. Pengujian

Pengujian dilakukan dengan menggunakan kicauan pengguna di salah satu jejaring sosial. Pengelompokan dilakukan dengan memilih topik yang ingin dikelompokkan. Jumlah kicauan yang diujikan berjumlah 300 sampel kicauan yang diujikan kepada 7 mahasiswa. Hasil pengelompokan kicauan ini akan dibandingkan dengan pilihan responden untuk mengetahui presisi hasil klasifikasi dengan pikiran manusia untuk menentukan kicauan positif dan negatif.

Respoden akan memilih benar atau salah dalam menentukan hasil dari pengujian ini setelah didapat hasil dari 7 respoden maka akan dihitung mana yang paling banyak apakah satu kicauan tersebut lebih banyak benarnya atau salahnya apabila lebih banyak benarnya maka kicauan tersebut dianggap benar masuk dalam kelompoknya apabila salah maka kicauan tersebut dianggap salah. Akurasi sistem didapat dengan menggunakan persamaan 5.

Jumlah Klasifikasi Benar x 100% (5)

Jumlah Seluruh Data Uji

Hasil pengujian tingkat akurasi sistem memberikan hasil yang optimal, jika dihitung secara keseluruhan, hanya sekitar 81 % atau sebanyak 243

kicauan yang terkelompok secara tepat dari jumlah keseluruhan kicauan sebanyak 300 kicauan. Data pembanding merupakan data yang diperoleh dari responden dengan memberikan mereka kuisioner untuk diisi.

Persentase akurasi sebesar 81% didapatkan dari kuisioner yang dilakukan kepada 7 mahasiswa, dengan jumlah pengelompokan yang benar didapatkan dari jumlah terbanyak yang sama dengan hasil pengelompokan perangkat lunak. Kuisioner dilakukan dengan cara membandingkan hasil yang dikelompokan oleh perangkat lunak dengan opini seseorang terhadap kicauan tersebut.

Data latih yang digunakan pada pengujian diatas sebanyak masing-masing 120 kicauan, baik untuk kicauan positif maupun kicauan negatif. Dengan 120 kicauan data latih didapatkanlah hasil yang optimal dalam akurasi sistem. Pemilihan data latih dapat mempengaruhi hasil dari akurasi sistem yang dibangun. Data latih yang dipilih dengan baik akan meningkatkan akurasi sistem. Kicauan yang dianggap tepat sebagai data latih haruslah diuji terlebih dahulu. Pengujian kicauan yang digunakan dalam data latih berupa menanyakan secara langsung kepada ahli bahasa apakah kicauan tersebut tepat dikatakan positif atau negatif.

Pada pengujian ini juga dihitung waktu yang dibutuhkan perangkat lunak untuk memberikan review terhadap suatu topik tersebut. Waktu yang dibutuhkan untuk menangkap satu kicauan kurang lebih 1 detik maka apabila kicauan yang ingin diambil berjumlah 300 maka waktu yang dibutuhkan adalah 300 detik atau sekitar 5 menit dengan kecepatan internet 0.82 Mbps. Kecepatan internet mempengaruhi hasil dari kecepatan proses pada perangkat lunak karena perangkat lunak bekerja secara online. Apabila kecepatan internet lebih cepat maka waktu yang dibutuhkan akan cepat pula.

5. Kesimpulan

Sistem analisis sentimen pengguna jejaring sosial dengan menggunakan metode Support Vector Machine menghasilkan tingkat akurasi sebesar 81%. Akurasi sistem salah satunya dipengaruhi oleh jumlah Data Latih yang digunakan dalam proses pelatihan.

Kesalahan klasifikasi sering terjadi pada kicauan yang memiliki makna ganda atau ambigu. Kicauan yang memiliki makna ganda atau ambigu dapat dipandang sebagai komentar positif dan dapat pula dipandang sebagai komentar negatif oleh responden, sehingga sistem juga terkadang bisa salah klasifikasi.

Peningkatan akurasi sistem dapat dilakukan dengan memilih data latih yang benar secara teliti. Selain itu, sebaiknya kicauan atau komentar para pengguna jejaring sosial dicek terlebih dahulu. Hal ini dikarenakan sering kali pengguna jejaring sosial menulis kicauan yang tidak sesuai dengan tata bahasa Bahasa Indonesia yang baik.

Daftar Pustaka:

[1] Pang, B., & Lee, L. (2008). Opinion mining and sentiment analysis. Foundations and trends in information retrieval, 2(1-2), 1-135.

[2] Christianini, N., & Shawe-Taylor, J. (2000). Support vector machines. Cambridge, UK: Cambridge University Press, 93(443), 935-948.

[3] Aldyan Y. (2013) Analisis persepsi dan sentimen berita melalui komentar pada artikel berita online dengan pendekatan Support Vector Machine (SVM).

#https://www.researchgate.net/publication/303942719_ANALISIS_SENTIMEN_PENGGUNA_JEJARING_SOSIAL_MENGGUNAKAN_METODE_SUPPORT_VECTOR_MACHINE

QUANTUM COMPUTING

QUANTUM COMPUTING

PENDAHULUAN

       Merupakan alat hitung yang menggunakan mekanika kuantum seperti superposisi dan keterkaitan, yang digunakan untuk peng-operasi-an data. Perhitungan jumlah data pada komputasi klasik dihitung dengan bit, sedangkan perhitungan jumlah data pada komputer kuantum dilakukan dengan qubit. Prinsip dasar komputer kuantum adalah bahwa sifat kuantum dari partikel dapat digunakan untuk mewakili data dan struktur data, dan bahwa mekanika kuantum dapat digunakan untuk melakukan operasi dengan data ini. Dalam hal ini untuk mengembangkan komputer dengan sistem kuantum diperlukan suatu logika baru yang sesuai dengan prinsip kuantum.

ALGORITMA SHOR

Algoritma Shor, dinamai matematikawan Peter Shor , adalah algoritma kuantum yaitu merupakan suatu algoritma yang berjalan pada komputer kuantum yang berguna untuk faktorisasi bilangan bulat. Algoritma Shor dirumuskan pada tahun 1994.  Inti dari algoritma ini merupakan bagaimana cara menyelesaikan faktorisasi terhaadap bilanga interger atau bulat yang besar.

Efisiensi algoritma Shor adalah karena efisiensi kuantum Transformasi Fourier , dan modular eksponensial. Jika sebuah komputer kuantum dengan jumlah yang memadai qubit dapat beroperasi tanpa mengalah kebisingan dan fenomena interferensi kuantum lainnya, algoritma Shor dapat digunakan untuk memecahkan kriptografi kunci publik skema seperti banyak digunakan skema RSA. Algoritma Shor terdiri dari dua bagian:

- Penurunan yang bisa dilakukan pada komputer klasik, dari masalah anjak untuk masalah ketertiban -temuan.

- Sebuah algoritma kuantum untuk memecahkan masalah order-temuan.

Hambatan runtime dari algoritma Shor adalah kuantum eksponensial modular yang jauh lebih lambat dibandingkan dengan kuantum Transformasi Fourier dan pre-/post-processing klasik. Ada beberapa pendekatan untuk membangun dan mengoptimalkan sirkuit untuk eksponensial modular. Yang paling sederhana dan saat ini yaitu pendekatan paling praktis adalah dengan menggunakan meniru sirkuit aritmatika konvensional dengan gerbang reversibel , dimulai dengan penambah ripple-carry. Sirkuit Reversible biasanya menggunakan nilai pada urutan n ^ 3, gerbang untuk n qubit. Teknik alternatif asimtotik meningkatkan jumlah gerbang dengan menggunakan kuantum transformasi Fourier , tetapi tidak kompetitif dengan kurang dari 600 qubit karena konstanta tinggi.

QUANTUM GATES

Gerbang kuantum biasanya direpresentasikan sebagai matriks. Sebuah gerbang yang bekerja pada k qubit diwakili oleh 2 x 2 k k matriks kesatuan. Jumlah qubit dalam input dan output dari gerbang harus sama. Tindakan dari gerbang kuantum ditemukan dengan mengalikan matriks mewakili gerbang dengan vektor yang mewakili keadaan kuantum. Tidak seperti banyak gerbang logika klasik, gerbang logika kuantum yang reversibel (model komputasi dimana proses komputasi sampai batas tertentu adalah reversibel, yaitu waktu-dibalik).

IMPLEMENTASI QUANTUM COMPUTING

     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

MAKALAH CLOUD COMPUTING

BAB I

PENDAHULUAN

A. Latar Belakang

Seiring dengan perkembangan jaman, teknologi saat ini mengalami perkembangankearah pencapaian kemudahan dan kenyamanan luar biasa, sehingga kegiatan sehari-hari yang dianggap tidak mungkin dapat dikerjakan dalam waktu singkat. Pengembangan teknologi computasi berbasis internet saat ini lebih diarahkan pada proses aplikasi sistem yang mudah dan tidak memerlukan banyak waktu atau tenaga. Permasalahan diperoleh dalam pengolahan sistem jaringan. Apabila ada suatu perubahan program aplikasi internet padaserver dalam jaringan lokal, datanya harus di-instal ulang atau disesuaikan kembali. termasuk pada pemakaian komputer biasa diperlukan sistem operasi dan program aplikasi. Sistem operasi sangat menentukan program aplikasi. Kalau pemakai memilih sistem operasi MS Windows misalnya, maka aplikasinya punharus berbasis Windows. Demikian juga kalau sistemnya berbasis DOS, Linux, Mac, dan sebagainya. Sekarang konsep teknologi informasi Cloud Computing  sedang hangat dibicarakan.Istilah Cloud Computing  mulai banyak didengar dan perkembangannya sangat luar biasa. Disebut-sebut teknologiCloud Computing  dapat menghilangkan permasalahan yang dijelaskan diatas. Perusahaan-perusahaan besar di bidang IT pun sekarang mencurahkan perhatiannya ke sana. Apa sebenarnya Cloud Computing  itu? Komputasi awan merupakan istilah bagi dunia TI yang sistemnya hanya disewa. Maksudnya, dalam menerapkan teknologi ini, pelanggan diharuskan untuk menyewa beberapa komponen kerja di TI, seperti server  penyimpanan data hingga data center.

B.     Identifikasi Masalah

              Pada makalah ini, akan kami sampaikan penjelasan tentang cloud computing. Dalam makalah ini dijelaskan mengenai pengertian, sejarah, keunggulan, kelemahan, dan sistem security dari cloud computing.

C.    Tujuan

              Seperti yang telah kami jelaskan dalam kata pengantar, makalah ini dibuat dalam rangka memperdalam pemahaman tentang cloud computing. Tujuan makalah ini adalah menjabarkan mengenai pengertian, sejarah, keunggulan, kelemahan, dan sistem security dari cloud computing.

BAB II

PENJELASAN

A.    Pengertian Cloud Computing

Komputasi awan (bahasa Inggris: cloud computing) adalah gabungan pemanfaatan teknologi komputer ('komputasi') dan pengembangan berbasis Internet ('awan'). Awan (cloud) adalah metafora dari internet, sebagaimana awan yang sering digambarkan di diagram jaringan komputer. Sebagaimana awan dalam diagram jaringan komputer tersebut, awan (cloud) dalam Cloud Computing juga merupakan abstraksi dari infrastruktur kompleks yang disembunyikannya. Ia adalah suatu metoda komputasi di mana kapabilitas terkait teknologi informasi disajikan sebagai suatu layanan (as a service), sehingga pengguna dapat mengaksesnya lewat Internet ("di dalam awan") tanpa mengetahui apa yang ada didalamnya, ahli dengannya, atau memiliki kendali terhadap infrastruktur teknologi yang membantunya. Menurut sebuah makalah tahun 2008 yang dipublikasi IEEE Internet Computing" Cloud Computing adalah suatu paradigma di mana informasi secara permanen tersimpan di server di internet dan tersimpan secara sementara di komputer pengguna (client) termasuk di dalamnya adalah desktop, komputer tablet, notebook, komputer tembok, handheld, sensor-sensor, monitor dan lain-lain."

Cloud computing pada dasarnya adalah menggunakan Internet-based service untuk mensupport  business process. Kata-kata “Cloud” sendiri merujuk kepada simbol awan yangdi dunia TI digunakan untuk menggambarkan jaringan internet (internet cloud ).

Wikipedia

mendefinisikan cloud computing sebagai “komputasi berbasis Internet, ketika banyak server digunakan bersama untuk menyediakan sumber daya, perangkat lunak dandata pada komputer atau perangkat lain pada saat dibutuhkan, sama seperti jaringan listrik”.

Gartner

mendefinisikannya sebagai “sebuah cara komputasi ketika layanan berbasis TIyang mudah dikembangkan dan lentur disediakan sebagai sebuah layanan untuk pelanggan menggunakan teknologi Internet.”

Forester

mendefinisikannya sebagai “standar kemampuan TI, seperti perangkat lunak, platform aplikasi, atau infrastruktur, yang disediakan menggunakan teknologi Internetdengan cara swalayan dan bayar-per-pemakaian.”Agar lebih mudah membayangkan skema Cloud Computing, silahkan lihat ilustrasi berikut.

B.     Sejarah Cloud Computing

Konsep awal Cloud Computing muncul pertama kali pada tahun 1960 oleh John McCarthy yang berkata “komputasi suatu hari nanti akan menjadi sebuah utilitas umum” ide dari cloud computing sendiri bermula dari kebutuhan untuk membagikan data untuk semua orang di seluruh dunia. Mohamed J.C.R Licklider, pencetus ide ini, menginginkan semua orang untuk dapat mengakses apa saja di mana saja. Dengan munculnya grid computing, cloud computing melalui internet menjadi realitas.

Cloud computing adalah sebuah mekanisme dimana kemampuan teknologi informasi disediakan bukan sebagai produk, melainkan sebagai layanan berbasis internet yang memungkinkan kita “meenyewa” sumber daya teknologi informasi (software, processing power, storage, dan lainnya) melalui internet dan memanfaatkan sesuai kebutuhan kita dan membayar yang digunakan oleh kita saja.

Cloud computing merupakan evolusi dari vrtualization,service oriented architecture, autonomic dan utily computing. Cara kerja dari cloud computing bersifat transparan, sehingga end-user tidak perlu pengetahuan, control akan, teknologi insfratuktur dari cloud computing untuk dapat menggunakannya dalam menyelesaikan tugas-tugas mereka .merka hanya perlu tahu bagaimana cara mengaksesnya.

C.     Keunggulan Cloud Computing

Uraian mengenai keuntungan (sisi potensial) yang didapat dalam penggunaan Cloud Computing. Namun, secara spesifik, merujuk kepada (Thia, 2008) keuntungan Cloud Computing antara lain: (1) Keuntungan bagi para pelaku bisnis adalah minimalisasi biaya investasi infrastruktur publik sehingga bisnis bisa lebih terfokus pada aspek fungsionalitasnya, (2) Bagiapplication developer, layanan PaaS memungkinkan pengembangan dan implementasi aplikasi dengan cepat sehingga meningkatkan produktivitas, (3) Bagi para praktisi yang bergerak di industri TI, hal ini berarti terbukanya pasar baru bagi industri jasa pengembangan teknologi informasi, (4) Bagi pebisnis di bidang infrastruktur, hal ini merupakan peluang yang besar karena dengan meningkatnya penggunaan layanan SaaS ini akan meningkatkan penggunaaan bandwidth internet, (5) Integrasi aplikasi dengan berbagai perangkat. Keunggulan lainnya adalah :

1.  Tanpa Investasi Awal

Dengan cloud computing, kita dapat menggunakan sebuah layanan tanpa investasiyang signifikan di awal. Ini sangat penting bagi bisnis, terutama bisnis pemula(startup). Mungkin di awal bisnis, kita hanya perlu layanan CRM untuk 2 pengguna.Kemudian meningkat menjadi 10 pengguna.Tanpa model cloud computing, maka sejak awal kita sudah harus membeli hardware yang cukup untuk sekian tahun ke depan. Dengan cloud computing, kita cukupmembayar sesuai yang kita butuhkan.

2.  Mengubah CAPEX menjadi OPEX

Tanpa cloud computing, investasi hardware dan software harus dilakukan di awal,sehingga kita harus melakukan pengeluaran modal (Capital Expenditure, atau CAPEX). Sedangkan dengan cloud computing, kita dapat melakukan pengeluaranoperasional (Operational Expenditure, atau OPEX). Jadi, sama persis dengan biaya utilitas lainnya seperti listrik atau telepon ketika kita cukup membayar bulanan sesuai pemakaian. Hal ini akan sangat membantu perusahaan secara keuangan.

3.      Lentur dan Mudah Dikembangkan

Dengan memanfaatkan Cloud Computing, bisnis kita dapat memanfaatkan TI sesuaikebutuhan. Perhatikan Gambar di bawah untuk melihat beberapa skenario kebutuhan bisnis. Penggunaan TI secara bisnis biasanya tidak datar-datar saja. Dalam skenario “Predictable Bursting”, ada periode di mana penggunaan TImeningkat tajam. Contoh mudah adalah aplikasi Human Resource (HR) yang padaakhir bulan selalu meningkat penggunaannya karena mengelola gaji karyawan. Untuk skenario “Growing Fast”, bisnis meningkat dengan pesat sehingga kapasitas TI jugaharus mengikuti.Contoh skenario “Unpredictable Bursting” adalah ketika sebuah website berita mendapat pengunjung yang melonjak karena ada berita menarik. Skenario “On and Off” adalah penggunaan TI yang tidak berkelanjutan. Misalnya, sebuah layanan pelaporan pajak, yang hanya digunakan di waktu-waktu tertentu setiap tahun.

Dengan cloud computing, karena sifatnya yang lentur dan mudah dikembangkan(elastic and scalable), maka kapasitas dapat ditingkatkan pada saat dibutuhkan,dengan biaya penggunaan sesuai pemakaian.

4.      Fokus pada Bisnis, bukan TI

Dengan menggunakan Cloud Computing, kita dapat fokus pada bisnis utama perusahaan, dan bukan berkecimpung di dalam pengelolaan TI. Hal ini dapatdilakukan karena pengelolaan TI dilakukan oleh penyedia layanan, dan bukan olehkita sendiri. Misalnya, melakukan patching, security update, upgrade hardware,upgrade software, maintenance, dan lain-lain. Apabila kita memiliki tim TI, maka tim tersebut dapat fokus pada layanan TI yang spesifik untuk bisnis kita, sedangkan hal-hal umum sudah ditangani oleh penyedialayanan.

D.    Kekurangan Cloud Computing

Merujuk kepada (Robbins, 2009), resiko yang harus dihadapi userdalam penggunaan Cloud Computing ini antara lain: (1) service level, artinya kemungkinan service performance yang kurang konsisten dariprovider. Inkonsistensi cloud provider ini meliputi, data protection dan datarecovery, (2) privacy, yang berarti adanya resiko data user akan diakses oleh orang lain karena hosting dilakukan secara bersama-sama, (3) compliance, yang mengacu pada resiko adanya penyimpangan level compliance dariprovider terhadap regulasi yang diterapkan oleh user, (4) data ownershipmengacu pada resiko kehilangan kepemilikan data begitu data disimpan dalam cloud, (5) data mobility, yang mengacu pada kemungkinan share data antar cloud service dan cara memperoleh kembali data jika suatu saatuser melakukan proses terminasi terhadap layanan cloud Computing.Beberapa pertimbangan lain yang menjadi resiko Cloud Computing adalah:

- Ketidakpastian kemampuan penegakan kebijakan keamanan pada provider

- Kurang memadainya pelatihan dan audit TI

- Patut dipertanyakan kendali akses istimewa pada situs provider

- Ketidakpastian kemampuan untuk memulihkan data

- Kedekatan data pelanggan lain sehingga kemungkinan tertukar

- Ketidakpastian kemampuan untuk mengaudit operator

- Ketidakpastian keberlanjutan keberadaan provider

- Ketidakpastian kepatuhan provider terhadap peraturan.

E.     Sistem Security Cloud Computing

Sebelum layanan Cloud computing menjadi begitu diinginkan, pelanggan harus merasa aman dengan informasi yang mereka transfer. Pada jurnal tersebut dijelaskan model pertama yang menjelaskan (model privasi) dengan mengimplementasikan secara ekonomi efisien metode sedangkan intrusi CP sistem deteksi memfokuskan upaya lebih terhadap pencegahan serangan. Ketika merancang sebuah skema keamanan untuk layanan Cloud computing, ada yang mendasari dilema dimana keamanan tidak bisa datang pada biaya aspek yang diinginkan seperti kecepatan data atau keterjangkauan. untuk mengatasi dilema ini, beberapa skema keamanan seperti sistem Reputasi Dirichlet memungkinkan pengguna untuk mengontrol tingkat keamanan yang besar.

Kelebihan dari strategi keamanan Cloud computing

Privacy                        Menyediakan enkripsi yang sangat kuat dari informasi

Model                         Pengguna dapat dengan mudah menyesuaikan parameter keamanan mereka

                        Menyediakan metode yang terorganisir yang dapat diimplementasikan dengan mudah

CP Intrusion                Melindungi terhadap berbagai skema intrusi

Detection                    Memberikan pencegahan yang sangat baik dari serangan

Dirichlet                      Menyediakan sistem canggih checks and balances

Reputation                  Menghindari kemampuan bagi penyerang untuk beradaptasi

                                    Menyediakan banyak kontrol pengguna

Anonymous         Paling cocok untuk jarak kecil, sehingga pengguna baik tersembunyi dari penyerang

Bonus Point                Hadiah Kredit memberikan insentif bagi pengguna untuk berpartisipasi

Network Slicing         Menyediakan kebingungan penyerang            Menghemat bandwidth jaringan kecepatan data yang cepat mudah dicapai

Kekurangan dari strategi keamanan Cloud computing

Privacy                        Kesalahan dan bug yang sulit untuk menemukan dan memperbaiki

Model                          Layanan dapat menjadi macet dengan mengalihkan informasi

                                    Sistem hanya preventif, sehingga tidak melindungi terhadap penyerang agresif

CP Intrusion                Harus diperbarui sering membingungkan penyerang

Detection                    Mei keliru mendeteksi dan menghentikan tidak mengganggu informasi

Dirichlet                      Mengandalkan strategi rumit yang sulit untuk menerapkan

Reputation                  Pengguna kepercayaan hasil kerentanan terhadap pelanggan menipu

                                    Kinerja adalah semata-mata tergantung pada partisipasi pengguna

Anonymous                 Data kecepatan secara drastis dikurangi

Bonus Point                Memberikan perlindungan intrusi kecil

Network Slicing          Karena struktur relay, perlindungan tidak dapat diandalkan

                                    Dapat menjadi mahal jika diimplementasikan dalam jaringan yang besar

           

BAB III

KESIMPULAN

Cloud Computing adalah suatu paradigma di mana informasi secara permanen tersimpan di server di internet dan tersimpan secara sementara di komputer pengguna (client) termasuk di dalamnya adalah desktop, komputer tablet, notebook, komputer tembok, handheld, sensor-sensor, monitor dan lain-lain. keuntungan Cloud Computing antara lain: (1) Keuntungan bagi para pelaku bisnis adalah minimalisasi biaya investasi infrastruktur publik sehingga bisnis bisa lebih terfokus pada aspek fungsionalitasnya, (2) Bagi application developer, layanan PaaS memungkinkan pengembangan dan implementasi aplikasi dengan cepat sehingga meningkatkan produktivitas, (3) Bagi para praktisi yang bergerak di industri TI, hal ini berarti terbukanya pasar baru bagi industri jasa pengembangan teknologi informasi, (4) Bagi pebisnis di bidang infrastruktur, hal ini merupakan peluang yang besar karena dengan meningkatnya penggunaan layanan SaaS ini akan meningkatkan penggunaaan bandwidth internet, (5) Integrasi aplikasi dengan berbagai perangkat. Beberapa pertimbangan lain yang menjadi resiko Cloud Computing adalah:

- Ketidakpastian kemampuan penegakan kebijakan keamanan pada provider

- Kurang memadainya pelatihan dan audit TI

- Patut dipertanyakan kendali akses istimewa pada situs provider

- Ketidakpastian kemampuan untuk memulihkan data

- Kedekatan data pelanggan lain sehingga kemungkinan tertukar

- Ketidakpastian kemampuan untuk mengaudit operator

- Ketidakpastian keberlanjutan keberadaan provider

- Ketidakpastian kepatuhan provider terhadap peraturan.