See discussions, stats, and author profiles for this publication at: https://www.researchgate.

net/publication/354166121

Data Benchmark pada Google BigQuery dan Elasticsearch

Article in Jurnal Nasional Teknik Elektro dan Teknologi Informasi (JNTETI) · August 2021
DOI: 10.22146/jnteti.v10i3.1745

CITATION READS

1 426

3 authors:

Nisrina Akbar Rizky Putri Widyawan Widyawan

Universitas Gadjah Mada Universitas Gadjah Mada
1 PUBLICATION 1 CITATION 163 PUBLICATIONS 1,823 CITATIONS

SEE PROFILE SEE PROFILE

Teguh Bharata Adji

Universitas Gadjah Mada
153 PUBLICATIONS 923 CITATIONS

SEE PROFILE

All content following this page was uploaded by Nisrina Akbar Rizky Putri on 17 September 2021.

The user has requested enhancement of the downloaded file.

196 Jurnal Nasional Teknik Elektro dan Teknologi Informasi | Vol. 10, No. 3, Agustus 2021

Data Benchmark pada Google BigQuery dan Elasticsearch

(Data Benchmark for Google BigQuery and Elasticsearch)
Nisrina Akbar Rizky Putri1, Widyawan2, Teguh Bharata Adji3

Abstract—Nowadays, the cloud is not only a data storage

medium but can be used as a medium for managing or analyzing I. PENDAHULUAN
data. Google offers Google BigQuery as a platform capable of Dengan segala perkembangan teknologi yang semakin pesat,
managing and analyzing data, while Elasticsearch itself is a search internet kini menjadi salah satu sumber dari banyaknya data
and analysis engine that can be used to analyze data using Kibana. dan informasi. Data merupakan berkas digital yang dihasilkan
Using a dataset in the form of tweets crawled through baik oleh komputer (raw), acak, belum terorganisasi, dan
http://netlytic.org/, containing the hashtags #COVID19 and belum memiliki nilai, fungsi maupun arti [1].
#coronavirus, the data will be analyzed and used to compare its
Setiap harinya terbuat 2,5 Qi-byte data, sehingga 90% data
performance with benchmarks. Benchmark is a process used to
di dunia saat ini telah dibuat hanya dalam dua tahun terakhir
measure and compare performance against an activity so that the
desired level of performance is achieved. Data benchmark is
[2]. Jumlah ini terus bertambah dikarenakan adanya kebiasaan
performed on both platforms to generate or determine the sosial yang baru, transformasi sosial, serta peningkatan sistem
workload of the platforms. The result obtained in this study is that perangkat lunak yang makin luas [3]. Salah satu penyumbang
Google BigQuery has superior results, both from the upload data dengan jumlah cukup banyak adalah media sosial, seperti
container for larger datasets than Elasticsearch and with two Twitter dengan cuitannya yang menjadi sumber data. Twitter
query testing models. The query management time on Google dipilih karena menjadi salah satu media sosial yang populer
BigQuery is also shorter and faster than Elasticsearch. dengan lebih dari 353 juta pengguna aktif dalam setiap
Meanwhile, the visualization results from these two platforms bulannya [4]. Cuitan ini nantinya dapat disimpan sebagai salah
have the same percentage amount. satu media untuk menyampaikan informasi.
Penyimpanan cuitan tidak hanya dilakukan secara lokal,
Intisari—Cloud di masa kini tidak hanya berfungsi sebagai tetapi dapat juga menggunakan cloud. Pengguna dapat dengan
media penyimpanan data, tetapi dapat digunakan juga sebagai mudah menggunakan data tersebut di mana pun dan membayar
media untuk mengelola ataupun menganalisis suatu data. Google layanan sesuai dengan yang digunakan [5]. Selain media
menawarkan Google BigQuery sebagai platform yang mampu penyimpanan, cloud dapat digunakan sebagai media untuk
mengelola dan menganalisis data, sedangkan Elasticsearch mengelola ataupun menganalisis suatu data. Google
merupakan mesin pencari dan analisis yang dapat digunakan menawarkan platform yang mampu mengelola dan
untuk menganalisis data dengan menggunakan Kibana. Dengan menganalisis suatu data mentah (raw), yaitu Google BigQuery,
menggunakan dataset berupa cuitan hasil proses crawling melalui sedangkan Elasticsearch merupakan mesin pencari dan analisis
http://netlytic.org/ yang mengandung tagar #COVID19 dan yang bersifat open source sehingga dapat digunakan untuk
#coronavirus, data tersebut dianalisis dan digunakan untuk menganalisis data dengan menggunakan Kibana.
membandingkan kinerjanya dengan benchmark. Benchmark BigQuery adalah sebuah enterprise data warehouse yang
merupakan proses yang digunakan untuk mengukur dan
dapat menyelesaikan suatu masalah dengan menyanggupi
membandingkan kinerja terhadap sebuah aktivitas, sehingga
super-fast SQL queries menggunakan kekuatan pemrosesan
tercapai tingkat kinerja yang diinginkan. Data benchmark
dilakukan pada kedua platfrom untuk menghasilkan atau
dari infrastruktur Google [6]. BigQuery digambarkan sebagai
mengetahui beban kerja dari platfrom. Hasil akhir yang alat dari Google Developers yang memungkinkan
didapatkan menunjukkan bahwa Google BigQuery memiliki hasil dijalankannya kueri dengan cepat dari kumpulan data dalam
yang lebih unggul, baik dari wadah upload untuk dataset yang jumlah besar. Untuk merespons suatu tuntutan pada cloud
lebih besar dibandingkan Elasticsearch dan dengan dua model berdasarkan big data dan analytical, BigQuery menyediakan
pengujian kueri. Waktu pengelolaan kueri pada Google BigQuery kemampuan untuk memproses kueri yang besar dari dataset.
juga lebih singkat dan cepat dibandingkan dengan Elasticsearch. Google BigQuery digambarkan seperti menyediakan
Selain itu, hasil visualisasi dari kedua platform ini memiliki pengelolaan sepenuhnya, NoOps, dan murah biaya dalam
jumlah persentase yang sama. menganalisis [7]. BigQuery dapat melakukan pengelolaan data,
seperti membuat atau menghapus tabel berdasarkan skema
Kata Kunci—Google BigQuery, Elasticsearch, Benchmarking, dengan kode JSON, serta mengimpor data dengan jenis CSV
Tweets. atau JSON. BigQuery juga dapat digunakan dari bahasa apa
pun yang dapat bekerja dengan REST API atau sesuai dengan
1,2,3 Departemen Teknik Elektro dan Teknologi Informasi,
yang dibutuhkan. BigQuery memberikan kredit sebesar $300
dan dalam waktu satu tahun untuk mengeksplor.
Universitas Gadjah Mada, Jl. Grafika No.2, Yogyakarta 55281
Elasticsearch merupakan tool yang dapat menangani analisis
Indonesia (tlp: 0274-552-301; fax: 0274-547-506; e-mail:
[email protected], [email protected], media sosial atau sebagai media penyimpanan dan mesin
[email protected]) pencari serta analisis yang mampu mengelola data secara real-

ISSN 2301 – 4156 Nisrina Akbar Rizky Putri: Data Benchmark pada Google ...
Jurnal Nasional Teknik Elektro dan Teknologi Informasi | Vol. 10, No. 3, Agustus 2021 197

time dan bersifat scalable, yang berarti dapat melakukan lima aktivitas berbeda, yaitu pengujian dengan kueri tingkat
penyesuaian tergantung pada kebutuhan pengguna dan rendah, yaitu “select”; pengujian dengan kueri tingkat
sistemnya [8]. Elasticsearch memiliki kueri dengan level menengah, yaitu “group”; lalu pengujian dengan kueri tingkat
rendah yang berbasis RESTful. Konsep yang dimiliki adalah tinggi, yaitu “join”. Pada pengujian keempat dan kelima
dapat mengasumsikan index sebagai database dengan tipe dan digunakan kueri tingkat rendah, tetapi dilakukan peningkatan
dokumen menjadi record atau row, sedangkan mapping sebanyak dua dan empat kali lipat pada core processor-nya.
diasumsikan seperti table skema. Elastic.co dapat mengimpor Penelitian lainnya melakukan evaluasi dan perbandingan
data dengan jenis CSV ataupun JSON dan biasanya kinerja pada Twitter River dan Logstash. Data yang digunakan
Elasticsearch akan langsung melakukan konversi teks menjadi dalam penelitian ini merupakan data cuitan yang didapatkan
dengan crawling dengan jumlah berkisar 60.000 cuitan.
suatu istilah yang digunakan untuk menyaring karakter-
Parameter yang diamati adalah beban proses CPU, penggunaan
karakter yang tidak diperlukan, sehingga data secara langsung
RAM, penggunaan disk, jumlah masukan data Twitter ke
disaring. Dengan menggunakan Kibana sebagai alat visualisasi,
Elasticsearch, dan jumlah input field Twitter ke Elasticsearch
Elasticsearch dapat diandalkan sebagai alat yang mampu [12].
menganalisis suatu data. Baik Elasticsearch diinstal secara Telah dilakukan juga penelitian yang membandingkan
lokal ataupun dengan masa empat belas hari percobaan dari kinerja pada basis data NoSQL, yaitu Elasticsearch dan
Elastic.co, disediakan beberapa fitur yang dapat dicoba dalam CouchDB, dengan menggunakan sampel dataset yang terdiri
menganalisis dan memvisualisasi data. atas 20.000 dokumen [13]. Pengujian dilakukan dengan cara
Kedua platform di atas mampu menganalisis dan insertion, selection, updation, dan deletion pada data
memvisualisasikan data cuitan. Dengan melakukan suatu sampelnya. Hasil yang didapatkan setelah dilakukan observasi
perbandingan kinerja di antara Google BigQuery dan adalah Elasticsearch membutuhkan lebih banyak waktu
Elasticsearch dengan menggunakan data cuitan tersebut, dibandingkan CouchDB pada perintah insert, update, dan
dilakukan benchmark pada kedua platform. Benchmark delete data. Akan tetapi, dalam melakukan selection data,
merupakan suatu proses yang digunakan untuk mengukur dan kinerja dari Elasticsearch jauh lebih efisien.
membandingkan kinerja terhadap sebuah aktivitas, sehingga Penelitian lain mengenai benchmark dilakukan pada data
suatu organisasi atau perusahaan mencapai tingkat kinerja yang mengenai meteorologi dan oseanografi (MOData) dengan cara
diinginkan. Benchmark sebenarnya dapat diklasifikasikan mengetahui waktu respons suatu indeks dan nonindeks dengan
berdasarkan hal yang sedang atau akan diklasifikasikan. Secara menggunakan tiga model kueri yang diujikan dengan
konseptual, benchmark bertujuan untuk menghasilkan beban menggunakan Hive. Tipe kueri yang diujikan pertama adalah
kerja suatu aplikasi dan uji kemampuan dari suatu proses “SELECT WHERE” serta tipe kedua “SELECT JOIN” dan
dataset untuk menampilkan atau menunjukkan hasil evaluasi “SELECT GROUP BY” [14].
[9]. Benchmark sendiri dapat diklasifikasikan berdasarkan hal Penelitian selanjutnya melakukan perbandingan pada
yang sedang atau akan diklasifikasikan. Pengelompokan ini Amazon Web Service dan Microsoft Azure Cloud Platform
dibagi menjadi benchmark pada perangkat keras atau perangkat untuk High Performance Computing (HPS) [15]. Kedua
lunak. Pada makalah ini disinggung mengenai benchmark pada platform tersebut dibandingkan untuk mengetahui kinerja pada
perangkat lunak, yang di dalamnya terdapat subkategori, yaitu kedua HPC benchmark, yaitu HPC Challenge (HPPC) dan
application software, yang membandingkan suatu kinerja dan High-Performance Conjugate Gradient (HPCG). Kedua
fungsi spesifik suatu aplikasi; sistem perangkat lunak, yaitu benchmark merupakan tes dari beberapa aspek dari sistem
membandingkan kinerja dan fungsi dari perangkat lunak; dan kinerja pada komputer, termasuk pada kecepatan komputasi,
service applications dan micro-benchmark, yang mengukur memory bandwidth, dan network bandwidth.
kinerja paling kecil dan spesifik [10].
Berdasarkan latar belakang tersebut, dengan melakukan II. METODOLOGI
crawling data pada Twitter yang didapatkan dari
http://netlytic.org/, yang memiliki jumlah sekitar 5.000 cuitan A. Crawling Data
mengandung tagar #COVID19 dan #coronavirus, makalah ini Dalam makalah ini, data didapatkan dari http://netlytic.org/.
membandingkan kinerja platform Google BigQuery dan Website tersebut mampu melakukan crawling data pada
Elasticsearch. Benchmarking data dilakukan untuk beberapa media sosial dan juga dapat melakukan pengelolaan
menghasilkan atau mengetahui beban kerja suatu platform dan menggunakan dataset pribadi. Pada makalah ini dibutuhkan
uji kemampuan dalam memproses suatu dataset untuk data berupa cuitan dari Twitter. Crawling dilakukan dengan
menampilkan atau menunjukkan hasil evaluasi yang memiliki menggunakan akun pribadi yang akan mencari berdasarkan
guna [9]. keyword sesuai dengan kebutuhan, lalu dapat dilakukan filter
Beberapa penelitian yang berkaitan dengan topik mengenai berdasarkan bahasa atau sumber dan target dari cuitan dengan
benckmark telah dilakukan. Salah satunya adalah pengujian batas maksimal 2.500 cuitan yang dapat dikenai proses
pada dataset yang berisikan status Twitter dalam jumlah crawling.
100.000 dan 3.000.000 baris status dengan menggunakan Data yang didapatkan pada makalah ini merupakan data
Hadoop 2, Spark, dan Presto [11]. Pengujian dilakukan dengan yang dicuitkan pada tanggal 23 Maret 2021, dengan dilakukan
suatu proses dari kueri dari model yang sudah ditentukan untuk crawling sebanyak dua kali; dalam satu kali crawling
mengetahui waktu responsnya. Pengujian dilakukan dalam didapatkan 2.500 cuitan. Data didapatkan dengan pencarian

Nisrina Akbar Rizky Putri: Data Benchmark pada Google ... ISSN 2301 – 4156
198 Jurnal Nasional Teknik Elektro dan Teknologi Informasi | Vol. 10, No. 3, Agustus 2021

berupa dua tagar yang berbeda, yaitu #COVID19 dan SELECT

#coronavirus. Data cuitan tersebut didapatkan dalam bentuk author as screen_name, id, user_created_at, user_location_lang,
dua buah file CSV. Untuk kebutuhan dalam makalah ini, kedua user_bio as Description, description as Text,
source, user_followers_count, user_friends_count,
file CSV digabungkan (merged) menjadi satu file CSV dengan
retweeted_screen_name, tweet_type, in_reply_to_screen_name,
total data menjadi 5.000 cuitan. pubdate as Tweet_Create,
B. Merged Dataset FROM ‘benchmarkdata.tweets_merged.Tweets_corona’
WHERE user_location IS NOT NULL AND user_bio IS NOT NULL
Kedua dataset yang didapatkan melalui http://netlytic.org/ AND user_followers_count >= 1 AND user_friends_count >= 1
disimpan di Google Drive. Kemudian, dengan Google Colab, ORDER BY user_created asc
kedua file tersebut digabungkan. Sebelumnya, dilakukan
beberapa impor modul pada Google Colab, salah satunya Sementara itu, di bawah ini merupakan bagian kueri yang
digunakan untuk memanggil data CSV yang disimpan pada digunakan pada pengujian data di Elasticsearch, dengan
Google Drive yang akan diinisialisasikan menggunakan path. diberikan kondisi yang memiliki kolom dengan beberapa
Kemudian, dilakukan langkah dalam penggabungan dataset. syarat.
Kedua file CSV yang memiliki jenis tagar berbeda digabungkan {
menjadi satu file CSV sehingga memudahkan pengelolaan data "range": {
menggunakan Google BigQuery dan Elasticsearch. Berikut ini "user_friends_count": {
"gte": "1"
merupakan syntax yang digunakan dalam penggabungan
}
dataset menggunakan Google Colab. }
all_files = glob.glob(os.path.join(path, “CoronavirusTweets_*.csv”)) }
],
all_df = [] "minimum_should_match": 1
for f in all_file: }
},
df = pd.read_csv(f, sep=’,’)
{
all_df.append(df)
"bool": {
"should": [
merged_df = pd.concat(all_df, ignore_index=True, sort=True)
{
"range": {
merged_df.to_csv(“TD_Merged.csv”)
"user_followers_count": {
C. Pengujian Model Pertama "gte": "1"
}
Setelah data digabungkan menggunakan Google Colab, }
selanjutnya data diujikan menggunakan Google BigQuery dan }
Elasticsearch. Pada pengujian model pertama, dengan data ],
sebanyak 5.000 cuitan, dilakukan selecting data dari masing- "minimum_should_match": 1
}
masing platform. Dari kedua platfrom, terdapat perbedaan
}
dalam cara memasukkan perintah kueri. Berikut ini ditunjukkan ]
kueri pengujian pada Google BigQuery, }
},
SELECT * FROM ‘benchmarkdata.tweets_merged.Tweets_corona’
{
sedangkan di bawah ini merupakan bagian kueri pengujian "range": {
menggunakan Elasticsearch. "@timestamp": {
"gte": "2021-03-23T05:46:19.000Z",
{ "lte": "2021-03-23T13:53:04.000Z",
"range": { "format": "strict_date_optional_time"
"@timestamp": { }
"gte": "2021-03-23T05:46:19.000Z", }
"lte": "2021-03-23T13:53:04.000Z", }
"format": "strict_date_optional_time" ],
} "should": [],
} "must_not": [
} {
"match_phrase": {
D. Pengujian Model Kedua "user_location": "NULL"
}
Pada pengujian model kedua dibuat sebuah kueri dengan },
kondisi yang memilih beberapa kolom dengan syarat {
user_location dan user_bio “IS NOT NULL” serta "match_phrase": {
user_follower_count dan user_friends_count >= 1, yang "user_bio": "NULL"
diurutkan berdasarkan user_created_at dari yang terendah. }
Berikut ini merupakan kueri pengujian pada Google BigQuery, }

ISSN 2301 – 4156 Nisrina Akbar Rizky Putri: Data Benchmark pada Google ...
Jurnal Nasional Teknik Elektro dan Teknologi Informasi | Vol. 10, No. 3, Agustus 2021 199

Gbr. 1 Log model pertama pada Google BigQuery.

Gbr. 2 Log model pertama pada Elasticsearch.

E. Alat dan Bahan dengan total tiga puluh kolom. Pengujian pertama dilakukan
untuk membandingkan Google BigQuery dan Elasticsearch
Spesifikasi laptop yang digunakan dalam pengujian ini
dalam mengelola suatu kueri. Sebelumnya, pada Google
adalah sebagai berikut.
BigQuery dibuat tabel dengan cara mengimpor data CSV
• Intel(R) Core (TM) i3-2310M CPU @ 2.10GHz 2.10GHz secara lokal dengan besar file maksimal 10 MB. Jika ukuran
• Sistem operasi 64-bit melebihi 10 MB, dilakukan impor melalui GCS yang tidak
• Memori 4GB(RAM) memiliki batas maksimal dalam ekspor data. Elasticsearch
• 5.000 cuitan dari Twitter yang mengandung tagar mengimpor data secara lokal dengan batas maksimal tepatnya
#COVID19 dan #coronavirus. 1.024 MB.
Gbr. 1 dan Gbr. 2 merupakan hasil pengolahan kueri pada
III. HASIL DAN PEMBAHASAN kedua platform. Hasil yang diambil adalah query time, yang
Pada tahapan crawling data, hasil yang didapatkan adalah merupakan waktu yang dibutuhkan dalam pengelolaan kueri,
5.000 cuitan yang memiliki tagar #COVID19 dan #coronavirus dan total time, yang merupakan waktu keseluruhan permintaan

Nisrina Akbar Rizky Putri: Data Benchmark pada Google ... ISSN 2301 – 4156
200 Jurnal Nasional Teknik Elektro dan Teknologi Informasi | Vol. 10, No. 3, Agustus 2021

Gbr. 3 Log model kedua pada Google BigQuery.

Gbr. 4 Log model kedua pada Elasticsearch.

TABEL I
SELECTION TIME
Lalu, untuk total waktu keseluruhan, Google BigQuery
membutuhkan 1.400 ms dan Elasticsearch membutuhkan
Google BigQuery Elasticsearch waktu 3.988 ms. Kedua platform ini menghasilkan outcome
(ms) (ms) row yang sama, yaitu sejumlah 5.000 baris.
Query Time 141 103 Gbr. 3 dan Gbr. 4 merupakan hasil kueri pengujian kedua.
Total Time 1400 3988 Hasil yang didapatkan pada pengujian model kedua
Outcome Row 5.000 5.000 ditunjukkan pada Tabel II. Hasil query time dari Google
pada website. Hasil keluaran pada pengujian model pertama BigQuery adalah sebesar 79 ms, sedangkan pada Elasticsearch
dari kedua platform yang didapatkan disajikan pada Tabel I. dibutuhkan waktu 89 ms. Total time yang dibutuhkan pada
Hasil query time pada Google BigQuery adalah 141 ms, Google BigQuery sebesar 1.100 ms, sedangkan Elasticsearch
sedangkan pada Elasticsearch membutuhkan waktu 103 ms. membutuhkan waktu yang lebih lama, yaitu 6.245 ms.

ISSN 2301 – 4156 Nisrina Akbar Rizky Putri: Data Benchmark pada Google ...
Jurnal Nasional Teknik Elektro dan Teknologi Informasi | Vol. 10, No. 3, Agustus 2021 201

Gbr. 5 TOP hashtag pada Google BigQuery.

Gbr. 6 TOP hashtag pada Elasticsearch.

TABEL II Google BigQuery memvisualisasikan 61,4% tagar yang
CONDITION TIME
digunakan dalam cuitan adalah ‘lainnya’ atau dapat dikatakan
Google BigQuery Elasticsearch sebagai cuitan dengan tagar yang beragam dan 30,3%
(ms) (ms) merupakan cuitan yang membahas COVID19. Sementara itu,
Query Time 79 89 pada Elasticsearch, persentase tertinggi terdapat pada tagar
Total Time 1.100 6.245 #COVID19, dengan jumlah persentase 29,92%.
Outcome Row 3.222 4.907 Selanjutnya, visualisasi pada Gbr. 7 dan Gbr. 8
Sementara itu, pada outcome row yang didapatkan Google menunjukkan TOP source dari dataset pada kedua platform
BigQuery sejumlah 3.222 baris, lebih sedikit dibandingkan yang memiliki hasil sedikit berbeda. Pengguna yang
Elasticsearch yang berjumlah 4.907 baris. menggunakan Twitter Web App pada Google BigQuery
Pada visualisasi data, Google BigQuery memiliki Data memiliki persentase 32,6%, sedangkan pada Elasticsearch
Studio, sedangkan pada Elasticsearch sudah menjadi satu memiliki persentase 28,6%. Urutan kedua dan ketiga diduduki
dengan Kibana, seperti pada Gbr. 5 dan Gbr. 6 yang source yang sama pada kedua platform, tetapi nilai persentase
menunjukkan TOP hashtag dari dataset. Kedua platform pada Elasticsearch lebih tinggi dibandingkan pada Google
tersebut menunjukkan jumlah persentase yang cukup berbeda. BigQuery.

Nisrina Akbar Rizky Putri: Data Benchmark pada Google ... ISSN 2301 – 4156
202 Jurnal Nasional Teknik Elektro dan Teknologi Informasi | Vol. 10, No. 3, Agustus 2021

Gbr. 7 TOP source pada Google BigQuery.

Gbr. 8 TOP source pada Elasticsearch.

pertama, sedangkan pada Google BigQuery cenderung lebih

IV. KESIMPULAN cepat dan stabil.
Penelitian ini dilakukan untuk mengetahui perbandingan
kinerja dari platform Google BigQuery dan Elasticsearch REFERENSI
Kibana. Beberapa perbedaan bisa terlihat dari kedua platform [1] E. Pratama dan I.P. Agus, Handbook Data Warehouse. Bandung,
Indonesia: Informatika Bandung, 2018.
ini, dari besar input data yang dapat dilakukan masing-masing
[2] C. Dobre dan F. Xhafa, “Intelligent Services for Big Data Science,”
platform, Google BigQuery lebih unggul karena dapat Futur. Gener. Comput. Syst., Vol. 37, hal. 267–281, 2014.
mengimpor data jauh lebih besar dari Elasticsearch. Walau [3] V.K. Jain dan S. Kumar, “Big Data Analytic Using Cloud Computing,”
disaat memvisualsasikan jumlah tagar dan source keduanya Proc. - 2015 2nd IEEE Int. Conf. Adv. Comput. Commun. Eng. (ICACCE
memiliki persentase yang hampir sama. Pada pengujian kueri 2015), 2015, hal. 667–672.
pada kedua platform menunjukan hasil dalam pemrosesan data [4] H. Tankovska (2021) “Global Social Networks Ranked by Number of
dengan menggunakan Google BigQuery lebih cepat dan stabil Users 2021,” [Online], https://www.statista.com/statistics/272014/global
-social-networks-ranked-by-number-of-users/, tanggal akses: 31-Mar-
dibandingkan dengan Elasticsearch. Pada pengujian model 2021).
kedua memiliki pengaruh pada kinerja platform terutama pada [5] P. Srivastava dan R. Khan, “A Review Paper on Cloud Computing,” Int.
Elasticsearch yang membutuhkan waktu pengelolaan cukup J. Adv. Res. Comput. Sci. Softw. Eng., Vol. 8, No. 6, hal. 17-20, 2018.
lama kurang lebih dua kali lipat dibandingkan pengujian model [6] J. Tigani dan S. Naidu, Google BigQuery Analytics, Hoboken, USA:

ISSN 2301 – 4156 Nisrina Akbar Rizky Putri: Data Benchmark pada Google ...
Jurnal Nasional Teknik Elektro dan Teknologi Informasi | Vol. 10, No. 3, Agustus 2021 203

Wiley, 2014. Twitter River and Logstash Performances as Elasticsearch Inputs for
[7] O. Dawelbeit dan R. McCrindle, “Efficient Dictionary Compression for Social Media Analysis of Twitter,” Proc. 2015 Int. Conf. Inf. Commun.
Processing RDF Big Data Using Google BigQuery,” Proc. 2016 IEEE Technol. Syst. ICTS 2015, 2016, hal. 181–186.
Glob. Commun. Conf. (GLOBECOM 2016), 2016, hal. 1–6. [13] S. Gupta dan R. Rani, “A Comparative Study of Elasticsearch and
[8] V.A. Zamfir, M. Carabas, C. Carabas, dan N. Tapus, “Systems CouchDB Document Oriented Databases,” Proc. Int. Conf. Inven.
Monitoring and Big Data Analysis Using the Elasticsearch System,” Comput. Technol. (ICICT 2016), 2016, hal. 1–4.
Proc. - 2019 22nd Int. Conf. Control Syst. Comput. Sci. (CSCS 2019), [14] A.U. Abdullahi, R. Ahmad, dan N.M. Zakaria, “Big data: Performance
2019, hal. 188–193. Profiling of Meteorological and Oceanographic Data on Hive,” Proc.
[9] Y.C. Tay, “Data Generation for Application-Specific Benchmarking,” 2016 3rd Int. Conf. Comput. Inf. Sci. (ICCOINS 2016), 2016, hal. 203–
Proc. VLDB Endow., Vol. 4, No. 12, hal. 1470–1473, 2011. 208.
[10] A. Bog, Benchmarking Transaction and Analytical Processing Systems. [15] C. Kotas, T. Naughton, dan N. Imam, “A Comparison of Amazon Web
Cham, Switzerland: Springer, 2014. Services and Microsoft Azure Cloud Platforms for High Performance
Computing,” 2018 IEEE Int. Conf. Consum. Electron. (ICCE 2018),
[11] D.O. Baskoro, Big Data Benchmark pada Hadoop 2, Spark, dan Presto
Menggunakan Metode Perbandingan Waktu Respon Query, Skripsi, 2018, hal. 1–4.
Universitas Gadjah Mada, Yogyakarta, Indonesia, 2015.
[12] P.P.I. Langi, Widyawan, W. Najib, dan T.B. Aji, “An Evaluation of

Nisrina Akbar Rizky Putri: Data Benchmark pada Google ... ISSN 2301 – 4156
View publication stats