NEW
Font size
WorksheetsBigData Technology
Total questions: 50
Worksheet time: 2hrs 40mins
Arsitektur Big Data dirancang untuk mengelola dan menganalisis data dalam skala yang sangat
kecil
sedang
besar
sangat besar
Komponen yang bertanggung jawab untuk mengumpulkan dan menggabungkan data dari berbagai sumber disebut
Data Sources
Ingestion Layer
Distributed (Hadoop) Storage Layer
Hadoop Infrastructure Layer
Komponen yang bertanggung jawab untuk menyimpan data dalam skala besar secara terdistribusi disebut
Data Sources
Ingestion Layer
Distributed (Hadoop) Storage Layer
Hadoop Infrastructure Layer
Komponen yang menyediakan infrastruktur dan sumber daya komputasi untuk pengolahan data di lingkungan Hadoop disebut
Data Sources
Ingestion Layer
Distributed (Hadoop) Storage Layer
Hadoop Infrastructure Layer
Komponen yang bertanggung jawab untuk mengelola dan mengatur klaster Hadoop disebut
Data Sources
Ingestion Layer
Distributed (Hadoop) Storage Layer
Hadoop Platform Management Layer
Komponen yang bertanggung jawab untuk menjaga keamanan data di dalam lingkungan Big Data disebut
Data Sources
Ingestion Layer
Security Layer
Monitoring Layer
Komponen yang bertanggung jawab untuk memantau kinerja dan kesehatan sistem Big Data disebut
Data Sources
Ingestion Layer
Security Layer
Monitoring Layer
Mesin yang digunakan untuk melakukan pencarian cepat dan analisis pada data Big Data disebut
Data Sources
Ingestion Layer
Search Engines
Monitoring Layer
Mesin yang digunakan untuk memproses dan menganalisis data secara real-time disebut
Data Sources
Ingestion Layer
Real-Time Engines
Search Engines
Komponen yang bertanggung jawab untuk melakukan analisis dan pemrosesan data dalam skala besar disebut
Data Sources
Ingestion Layer
Analytics Engine
Real-Time Engines
Komponen yang bertanggung jawab untuk menyajikan data dan hasil analisis dalam bentuk visualisasi disebut
Data Sources
Ingestion Layer
Analytics Engine
Visualization Layer
Salah satu tujuan utama arsitektur Big Data adalah
Mengelola data dalam skala kecil
Mengumpulkan data dari satu sumber saja
Mengamankan data dari ancaman luar
Menganalisis data dalam skala besar
Manfaat utama dari penggunaan arsitektur Big Data adalah
Membatasi jumlah data yang bisa disimpan
Memproses data dengan kecepatan rendah
Membantu dalam pengambilan keputusan berdasarkan data
Meningkatkan kerentanan data terhadap serangan
Salah satu tugas dari Ingestion Layer adalah
Mengelola klaster Hadoop
Menyediakan infrastruktur komputasi
Mengumpulkan dan menggabungkan data dari berbagai sumber d. Menyajikan data dalam bentuk visualisasi
Menyajikan data dalam bentuk visualisasi
Salah satu manfaat dari Distributed (Hadoop) Storage Layer adalah
Memudahkan pencarian dan analisis data
Mengelola infrastruktur dan sumber daya komputasi
Menyediakan keamanan data dalam lingkungan Big Data
Menyimpan data dalam skala besar secara terdistribusi
Hadoop Infrastructure Layer bertanggung jawab untuk
Mengelola klaster Hadoop
Menyajikan data dalam bentuk visualisasi
Mengumpulkan dan menggabungkan data dari berbagai sumber
Menyediakan infrastruktur dan sumber daya komputasi
Salah satu tugas dari Hadoop Platform Management Layer adalah
Mengelola klaster Hadoop
Menyajikan data dalam bentuk visualisasi
Mengumpulkan dan menggabungkan data dari berbagai sumber
Menyediakan infrastruktur dan sumber daya komputasi
Keamanan data dalam lingkungan Big Data dijaga oleh komponen
Data Sources
Ingestion Layer
Security Layer
Monitoring Layer
Monitoring Layer bertanggung jawab untuk
Mengelola klaster Hadoop
Menyajikan data dalam bentuk visualisasi
Mengumpulkan dan menggabungkan data dari berbagai sumber
Memantau kinerja dan kesehatan sistem Big Data
Visualization Layer bertanggung jawab untuk
Mengelola klaster Hadoop
Menyajikan data dalam bentuk visualisasi
Mengumpulkan dan menggabungkan data dari berbagai sumber
Memantau kinerja dan kesehatan sistem Big Data
Dalam industri garment, salah satu contoh Data Sources yang dapat dikumpulkan adalah
Informasi tentang harga saham perusahaan
Profil pelanggan yang melakukan pembelian online
Kualitas kain di berbagai lokasi
Rekaman panggilan layanan pelanggan
Dalam industri makanan, Search Engines digunakan untuk
Mengumpulkan data makanan di berbagai lokasi
Menganalisis data penjualan produk
Memproses data sensor suhu dalam ruangan penyimpanan makanan
Mencari informasi tentang resep makanan baru
Real-Time Engines di industri retail digunakan untuk
Menganalisis data produk terbaru dari kompetitor
Memantau harga saham perusahaan
Memproses data penjualan secara real-time
Mencari informasi tentang harga produk
Manfaat utama penggunaan arsitektur Big Data di industri makanan adala
Membatasi jumlah data yang bisa disimpan
Memproses data dengan kecepatan rendah
Membantu dalam pengambilan keputusan berdasarkan data
Meningkatkan kerentanan data terhadap serangan
Salah satu tugas dari Ingestion Layer di industri supermarket adalah
Mengelola klaster Hadoop
Menyediakan infrastruktur komputasi
Mengumpulkan dan menggabungkan data dari berbagai sumber
Menyajikan data dalam bentuk visualisasi
Protocol Converter Pattern digunakan untuk
Memproses data secara real-time
Mengumpulkan dan menggabungkan data dari berbagai sumber
Mengonversi protokol komunikasi data
Mengirim data ke berbagai tujuan atau destinasi
Multidestination Pattern digunakan untuk
Memproses data secara real-time
Mengumpulkan dan menggabungkan data dari berbagai sumber
Mengonversi protokol komunikasi data
Mengirim data ke berbagai tujuan atau destinasi
Real-Time Streaming Pattern berguna dalam industri untuk
Mempercepat proses transformasi data
Mengamankan data dari serangan cyber
Mengumpulkan dan mengintegrasikan data dari berbagai sumber
Menyediakan infrastruktur untuk streaming data
ETL Tools (Extract, Transform, Load) digunakan dalam industri untuk
Mempercepat proses transformasi data
Mengamankan data dari serangan cyber
Mengumpulkan dan mengintegrasikan data dari berbagai sumber
Menyediakan infrastruktur untuk streaming data
Lapisan Infrastruktur Hadoop mencakup
Komponen inti Hadoop seperti HDFS dan YARN
Aplikasi dan layanan terkait yang berjalan di atas Hadoop
Server fisik yang menjalankan infrastruktur Hadoop
Layanan cloud yang mendukung implementasi Hadoop
Salah satu alasan mengapa Hadoop sering diimplementasikan di cloud adalah
Ketersediaan sumber daya yang terbatas di lingkungan lokal
Kemampuan cloud untuk mengelola dan skalabilitas infrastruktur
Kebutuhan untuk menjaga keamanan data di lingkungan lokal
Hadoop tidak kompatibel dengan infrastruktur lokal
Arsitektur Hadoop terdiri dari
Lapisan Infrastruktur Hadoop, Ingestion Layer, dan Distributed Storage Layer
Hadoop Infrastructure Layer, Hadoop Platform Management Layer, dan Monitoring Layer
Data Sources, Analytics Engine, dan Visualization Layer
Security Layer, Real-Time Engines, dan Search Engines
Salah satu asumsi Hadoop tentang infrastrukturnya adalah
Penggunaan infrastruktur fisik untuk keamanan data yang lebih baik
Ketergantungan pada infrastruktur virtual untuk fleksibilitas yang tinggi
Penggunaan infrastruktur cloud untuk skalabilitas yang lebih baik
Keperluan akan infrastruktur yang terhubung langsung ke internet
Implementasi Hadoop dapat dilakukan
Hanya di lingkungan lokal dengan server fisik
Hanya di cloud dengan menggunakan layanan virtual
Baik di lingkungan lokal dengan server fisik maupun di cloud dengan layanan virtual
Hanya di lingkungan lokal dengan menggunakan layanan virtual
Perbedaan antara infrastruktur virtual dan datacenter fisik adalah
Infrastruktur virtual berbasis perangkat keras, sedangkan datacenter fisik berbasis perangkat lunak
Infrastruktur virtual tidak memerlukan perangkat keras fisik, sedangkan datacenter fisik melibatkan perangkat keras fisik
Infrastruktur virtual lebih mahal daripada datacenter fisik
Infrastruktur virtual lebih sulit dikonfigurasi daripada datacenter fisik
Implikasi infrastruktur virtual dalam implementasi Hadoop adalah
Ketergantungan pada layanan cloud untuk menyediakan sumber daya infrastruktur
Keterbatasan skalabilitas dan fleksibilitas
Tidak adanya dukungan untuk komponen inti Hadoop seperti HDFS dan YARN
Ketergantungan pada server fisik untuk menjalankan Hadoop
Salah satu alasan mengapa Hadoop cocok diimplementasikan di infrastruktur cloud adalah
Kemampuan cloud untuk menyediakan server fisik yang handal
Keamanan yang lebih baik di lingkungan cloud
Skalabilitas dan elastisitas infrastruktur cloud
Ketergantungan pada infrastruktur virtual untuk pengolahan data yang lebih cepat
Hosting di VM lokal mengacu pada
Penggunaan server fisik dalam implementasi Hadoop di lingkungan lokal
Penggunaan layanan virtual yang disediakan oleh penyedia cloud
Pemindahan seluruh infrastruktur Hadoop ke lingkungan virtual
Implementasi Hadoop di lingkungan lokal dengan menggunakan virtual machine
Salah satu alasan mengapa VM lokal digunakan dalam implementasi Hadoop adalah
Fleksibilitas yang lebih baik dibandingkan dengan infrastruktur cloud
Ketergantungan yang rendah terhadap sumber daya infrastruktur lokal
Kemampuan untuk memastikan keamanan data di lingkungan lokal
Skalabilitas yang lebih tinggi dibandingkan dengan infrastruktur cloud
Lapisan Infrastruktur Hadoop mencakup
Server fisik yang menjalankan infrastruktur Hadoop
Komponen inti Hadoop seperti HDFS dan YARN
Aplikasi dan layanan terkait yang berjalan di atas Hadoop
Layanan cloud yang mendukung implementasi Hadoop
Hadoop Distributed File System (HDFS) adalah
Basis data NoSQL yang menyimpan data dalam bentuk tabel
Sistem file terdistribusi yang digunakan oleh Hadoop untuk menyimpan dan mengelola data
Model data yang menggunakan grafik untuk menyimpan dan menghubungkan data
Basis data NoSQL yang menyimpan data dalam bentuk dokumen
Salah satu karakteristik utama dari NoSQL adalah
Menggunakan bahasa SQL untuk mengakses dan mengelola data
Memiliki skema yang ketat untuk struktur data
Tidak memerlukan penggunaan relasi antartabel
Menggunakan skema yang mirip dengan basis data relasional tradisional
NoSQL (MongoDB) adalah contoh implementasi NoSQL yang menggunakan
Skema yang ketat dan menyimpan data dalam tabel relasional
Model data dokumentasi untuk menyimpan data dalam bentuk dokumen
Grafik untuk menyimpan data dengan hubungan kompleks
Model data berorientasi kolom untuk menyimpan data dalam bentuk kolom
NoSQL (HBase) adalah contoh implementasi NoSQL yang digunakan terutama untuk
Menyimpan data dalam bentuk tabel relasional
Menyimpan data dengan skema yang ketat
Menyimpan data dengan hubungan grafik
Menyimpan data secara terdistribusi dan mendukung skalabilitas tinggi
NoSQL (GraphDB) adalah contoh implementasi NoSQL yang digunakan untuk
Menyimpan data dalam bentuk tabel relasional
Menyimpan data dengan skema yang ketat
Menyimpan data dengan hubungan grafik
Menyimpan data dalam bentuk dokumen
Hadoop Distributed File System (HDFS) membagi file menjadi
Blok-blok kecil yang disimpan secara terdistribusi di berbagai node dalam klaster
Dokumen-dokumen yang disimpan dalam koleksi
Grafik yang menggambarkan hubungan antara data
Tabel-tabel relasional yang terkait satu sama lain
Salah satu keuntungan menggunakan NoSQL adalah
Dukungan penuh terhadap bahasa SQL untuk query data
Kemampuan untuk menyimpan data dalam bentuk tabel relasional
Skalabilitas yang tinggi dan kemampuan menangani data dengan volume besar
Memiliki skema yang ketat dan terstruktur
Keuntungan utama menggunakan NoSQL (MongoDB) adalah
Fleksibilitas skema yang tinggi dan kemampuan menyimpan data dalam bentuk dokumen
Kecepatan tinggi dalam eksekusi query dengan bahasa SQL
Kemampuan menyimpan data dalam bentuk tabel relasional dengan skema yang ketat
Skalabilitas yang tinggi dan kemampuan menangani data dengan volume besar
Salah satu kelebihan NoSQL (HBase) adalah
Dukungan penuh terhadap bahasa SQL untuk query data
Keamanan yang tinggi dalam penyimpanan dan akses data
Skalabilitas yang tinggi dan kemampuan menangani data dengan volume besar
Kemampuan untuk menyimpan data dalam bentuk dokumen
NoSQL (GraphDB) cocok digunakan untuk aplikasi yang membutuhkan
Ketersediaan data dalam bentuk tabel relasional
Penyimpanan data dengan skema yang ketat
Analisis data dalam bentuk grafik dan hubungan kompleks
Penyimpanan data dalam bentuk dokumen
