Komputasi cluster mendefinisikan beberapa komputer yang terhubung pada jaringan dan diimplementasikan seperti entitas individual. Setiap komputer yang terhubung ke jaringan dikenal sebagai node.

Komputasi cluster memberikan solusi untuk memecahkan masalah yang sulit dengan memberikan kecepatan komputasi yang lebih cepat, dan meningkatkan integritas data. Komputer yang terhubung menerapkan operasi bersama sehingga menghasilkan kesan seperti sistem tunggal (perangkat virtual). Prosedur ini didefinisikan sebagai transparansi sistem.

Keuntungan Komputasi Cluster

Keuntungan komputasi cluster adalah sebagai berikut ?

·         Efektivitas Biaya - Komputasi cluster dianggap jauh lebih hemat biaya. Sistem komputasi ini memberikan peningkatan implementasi pada perangkat komputer mainframe.

·         Kecepatan Pemrosesan ? Kecepatan pemrosesan komputasi cluster divalidasi dengan sistem mainframe dan superkomputer lain yang diperlihatkan di seluruh dunia.

·         Peningkatan Ketersediaan Sumber Daya ? Ketersediaan memainkan peran penting dalam sistem komputasi cluster. Kegagalan beberapa node aktif yang terhubung dapat dengan mudah diubah menjadi node aktif yang berbeda di server, memberikan ketersediaan yang tinggi.

·         Fleksibilitas yang Ditingkatkan - Dalam komputasi cluster, deskripsi yang lebih baik dapat diperbarui dan ditingkatkan dengan memasukkan node unik ke dalam server saat ini.

Jenis Komputasi Cluster

Jenis-jenis komputasi cluster adalah sebagai berikut ?

Ketersediaan Tinggi (HA) dan Kluster Failover

Model cluster ini menghasilkan ketersediaan layanan dan sumber daya dalam teknik tanpa gangguan menggunakan redundansi implisit sistem. Istilah dasar Cluster adalah jika sebuah node menurun, maka aplikasi dan layanan dapat tersedia untuk node yang berbeda. Metode cluster ini hadir sebagai elemen untuk misi penting, surat, dokumen, dan server aplikasi.

Cluster Penyeimbang Beban

Cluster ini mengalokasikan semua lalu lintas masuk/permintaan sumber daya dari node yang menjalankan program dan mesin yang sama. Dalam model kluster ini, beberapa node bertanggung jawab untuk melacak pesanan, dan jika node menolak, maka permintaan didistribusikan di antara semua node yang tersedia. Solusi semacam itu umumnya digunakan di peternakan server web.

Cluster HA & Load Balancing

Model klaster ini menggabungkan kedua fitur klaster, menghasilkan peningkatan ketersediaan dan skalabilitas layanan dan sumber daya. Cluster semacam ini umumnya digunakan untuk server email, web, berita, dan FTP.

Cluster Pemrosesan Terdistribusi & Paralel

Model kluster ini meningkatkan ketersediaan dan implementasi untuk aplikasi yang memiliki tugas komputasi besar. Tugas komputasi yang besar telah dibagi menjadi tugas yang lebih kecil dan didistribusikan ke seluruh stasiun. Cluster semacam itu umumnya digunakan untuk komputasi numerik atau analisis keuangan yang membutuhkan kekuatan pemrosesan yang tinggi.

Proses menggabungkan satu set objek fisik atau abstrak ke dalam kelas objek yang sama dikenal sebagai clustering. Cluster adalah kumpulan objek data yang sama satu sama lain dalam cluster yang sama dan berbeda dari objek di cluster lain. Sekelompok objek data dapat dianggap secara kolektif sebagai satu kelompok dalam beberapa aplikasi. Analisis klaster adalah aktivitas manusia yang penting.

Analisis kluster digunakan untuk membentuk kelompok atau kluster dari record yang sama bergantung pada berbagai pengukuran yang dilakukan pada record tersebut. Desain kuncinya adalah untuk mendefinisikan cluster dengan cara yang dapat berguna untuk tujuan analisis. Data ini telah digunakan di beberapa bidang, seperti astronomi, arkeologi, kedokteran, kimia, pendidikan, psikologi, linguistik, dan sosiologi.

Ada berbagai elemen cluster yaitu sebagai berikut ?

Distribusi Data ? Beberapa teknik pengelompokan mempertimbangkan jenis distribusi data tertentu. Selain itu, mereka dapat menganggap bahwa data dapat dimodelkan sebagai yang muncul dari kombinasi distribusi, di mana setiap cluster berkorelasi dengan distribusi.

Bentuk ? Beberapa cluster dibentuk secara sistematis, seperti persegi panjang atau bulat, tetapi seperti biasa, cluster dapat berbentuk sewenang-wenang. Teknik termasuk DBSCAN dan tautan tunggal dapat mengelola kelompok bentuk sewenang-wenang, tetapi skema berbasis prototipe dan beberapa teknik hierarkis, termasuk tautan lengkap dan rata-rata grup, tidak bisa.

Differing Sizes ? Beberapa metode clustering, termasuk K-means, tidak beroperasi dengan baik ketika cluster memiliki banyak ukuran.

Differing Densities ? Cluster yang memiliki kepadatan yang sangat bervariasi dapat menghasilkan masalah untuk metode termasuk DBSCAN dan K-means.

Cluster Terpisah dengan Buruk - Ketika cluster bersentuhan atau tumpang tindih, beberapa pendekatan pengelompokan menggabungkan cluster yang harus tetap independen. Bahkan teknik yang menemukan klaster berbeda secara sewenang-wenang membuat poin ke satu klaster atau lainnya.

Hubungan antar Cluster - Dalam sebagian besar teknik clustering, tidak ada pertimbangan eksplisit dari asosiasi antar cluster, termasuk posisi relatifnya. Peta pengorganisasian mandiri adalah metode pengelompokan yang secara langsung memperlakukan hubungan antar kelompok selama fase pengelompokan. Selain itu, penugasan suatu titik ke satu klaster memengaruhi definisi klaster terdekat.

Subspace Clusters - Cluster hanya dapat ada dalam subset dimensi (atribut), dan cluster yang diputuskan menggunakan satu set dimensi dapat berbeda dari cluster yang diputuskan dengan menggunakan set lain.

Sementara masalah ini dapat meningkat dengan sedikitnya dua dimensi, masalah ini menjadi lebih akut ketika dimensi meningkat, karena beberapa himpunan bagian dimensi yang mungkin bersifat eksponensial dalam jumlah total dimensi. Karena itu tidak berlaku untuk hanya melihat cluster di semua kemungkinan subset dimensi kecuali beberapa dimensi relatif rendah.

Apa saja elemen cluster

Proses menggabungkan satu set objek fisik atau abstrak ke dalam kelas objek yang sama dikenal sebagai clustering. Cluster adalah kumpulan objek data yang sama satu sama lain dalam cluster yang sama dan berbeda dari objek di cluster lain. Sekelompok objek data dapat dianggap secara kolektif sebagai satu kelompok dalam beberapa aplikasi. Analisis klaster adalah aktivitas manusia yang penting.

Analisis kluster digunakan untuk membentuk kelompok atau kluster dari record yang sama bergantung pada berbagai pengukuran yang dilakukan pada record tersebut. Desain kuncinya adalah untuk mendefinisikan cluster dengan cara yang dapat berguna untuk tujuan analisis. Data ini telah digunakan di beberapa bidang, seperti astronomi, arkeologi, kedokteran, kimia, pendidikan, psikologi, linguistik, dan sosiologi.

Ada berbagai elemen cluster yaitu sebagai berikut ?

Distribusi Data ? Beberapa teknik pengelompokan mempertimbangkan jenis distribusi data tertentu. Selain itu, mereka dapat menganggap bahwa data dapat dimodelkan sebagai yang muncul dari kombinasi distribusi, di mana setiap cluster berkorelasi dengan distribusi.

Bentuk ? Beberapa cluster dibentuk secara sistematis, seperti persegi panjang atau bulat, tetapi seperti biasa, cluster dapat berbentuk sewenang-wenang. Teknik termasuk DBSCAN dan tautan tunggal dapat mengelola kelompok bentuk sewenang-wenang, tetapi skema berbasis prototipe dan beberapa teknik hierarkis, termasuk tautan lengkap dan rata-rata grup, tidak bisa.

Differing Sizes ? Beberapa metode clustering, termasuk K-means, tidak beroperasi dengan baik ketika cluster memiliki banyak ukuran.

Differing Densities ? Cluster yang memiliki kepadatan yang sangat bervariasi dapat menghasilkan masalah untuk metode termasuk DBSCAN dan K-means.

Cluster Terpisah dengan Buruk - Ketika cluster bersentuhan atau tumpang tindih, beberapa pendekatan pengelompokan menggabungkan cluster yang harus tetap independen. Bahkan teknik yang menemukan klaster berbeda secara sewenang-wenang membuat poin ke satu klaster atau lainnya.

Hubungan antar Cluster - Dalam sebagian besar teknik clustering, tidak ada pertimbangan eksplisit dari asosiasi antar cluster, termasuk posisi relatifnya. Peta pengorganisasian mandiri adalah metode pengelompokan yang secara langsung memperlakukan hubungan antar kelompok selama fase pengelompokan. Selain itu, penugasan suatu titik ke satu klaster memengaruhi definisi klaster terdekat.

Subspace Clusters - Cluster hanya dapat ada dalam subset dimensi (atribut), dan cluster yang diputuskan menggunakan satu set dimensi dapat berbeda dari cluster yang diputuskan dengan menggunakan set lain.

Sementara masalah ini dapat meningkat dengan sedikitnya dua dimensi, masalah ini menjadi lebih akut ketika dimensi meningkat, karena beberapa himpunan bagian dimensi yang mungkin bersifat eksponensial dalam jumlah total dimensi. Karena itu tidak berlaku untuk hanya melihat cluster di semua kemungkinan subset dimensi kecuali beberapa dimensi relatif rendah.

Sumber  https://www.tutorialspoint.com/what-are-the-elements-of-the-cluster