Analisis Literatur Terhadap Penerapan Machine Learning dalam Automasi Manajemen Basis Data
Keywords:
automasi database, machine learning, manajemen indeks, optimasi query, tuning konfigurasiAbstract
Perkembangan teknologi seperti Internet of Things dan cloud computing, membawa dampak pada pertumbuhan data yang sangat cepat dan menuntut adanya inovasi dalam pengelolaan database. Masalah klasik manual dan tradisional, upaya mengelola beban kerja serta dinamisnya pola data yang shifting, menjadi tantangan utama. Untuk itu, pendekatan cerdas yang dapat mengotomatisasi manajemen database sangat diperlukan. Artikel ini bertujuan untuk mengeksplorasi secara sistematis penggunaan Machine Learning (ML) dalam automasi manajemen database. Pada penelitian ini, penulis menerapkan Systematic Literature Review (SLR) pada beberapa artikel dalam lima tahun terakhir yang relevan. Dengan menjadikan makalah tersebut sebagai fokus utama, hasil review menyatakan bahwa dalam empat domain utama, yakni optimasi query, deteksi anomali, Auto-ML, dan analisis prediktif, ML terbukti sangat mendukung. Implementasi ML terbukti mengoptimalkan efisiensi dan responsif sistem, ancaman di dalam sistem terdeteksi secara real-time, dan pengambilan keputusan yang bergantung pada database dipercepat. Sementara demikian, perlu dicermati, meskipun sangat bermanfaat, sulitnya interpretabilitas serta kebutuhan komputasi tinggi menjadi tantangan untuk implementasi lebih luas ke depan.
References
R. Elmasri and S. B. Navathe, Fundamentals of Database Systems, 7th ed., Boston: Pearson, 2016.
I. Goodfellow, Y. Bengio, and A. Courville, Deep Learning, Cambridge: MIT Press, 2016.
T. Kraska, A. Beutel, E. H. Chi, J. Dean, and N. Polyzotis, "The Case for Learned Index Structures," in Proc. of the 2018 ACM SIGMOD, pp. 489–504, 2018.
R. Marcus and O. Papaemmanouil, "Deep Reinforcement Learning for Join Order Enumeration," arXiv preprint arXiv:1803.00055, 2018.
M. Sharma and M. Kaushik, "A Review on the Use of Machine Learning in Database Management," Journal of Big Data, vol. 9, no. 1, pp. 1–21, 2022.
D. Van Aken, A. Pavlo, G. Gordon, and B. Zhang, "An Inquiry into Machine Learning-based Automatic Configuration Tuning Services for Databases," in Proc. of the 2021 ACM SIGMOD, pp. 1241–1253, 2021.
G. Roberts, "The Use of Machine Learning in Database Systems," University of Virginia Technical Report, 2020.
Z. Yan, V. Uotila, and J. Lu, "Join Order Selection with Deep Reinforcement Learning," PVLDB, vol. 16, no. 12, pp. 3882–3894, 2023.
I. Sabek and M. Hassan, "The Case for Learned In-Memory Joins," PVLDB, vol. 16, no. 7, pp. 1749–1761, 2023.
A. Pavlo, "External vs. Internal: An Essay on Machine Learning Agents for Autonomous Database
Downloads
Published
Issue
Section
License
Copyright (c) 2025 A. Akhmad Sultan, Kurnia Wahyu Prima, Ayu Hasnining, Nur Azizah (Author)
This work is licensed under a Creative Commons Attribution-ShareAlike 4.0 International License.
