Hasil Pencarian  ::  Simpan CSV :: Kembali

"Aplikasi kolaboratif berbasis real-time menjadi bagian dari kehidupan sehari-hari manusia, terutama di masa pandemi ketika setiap orang sulit untuk bertemu secara langsung. Salah satu aplikasi tersebut adalah aplikasi collaborative whiteboard, yang bisa digunakan untuk menggambar secara bebas. Salah satu implementasi dari sistem collaborative whiteboard adalah Tldraw. Tldraw yang semula dikembangkan menggunakan arsitektur client-server kemudian diimprovisasi menggunakan arsitektur peer-to-peer yang memanfaatkan teknologi WebRTC, menghasilkan aplikasi Tldraw yang rendah latensi. Namun, aplikasi Tldraw tersebut dinilai tidak bersifat scalable, karena arsitektur peer-to-peer tersebut menggunakan topologi full-mesh. Dilatarbelakangi oleh hal tersebut, penelitian ini mengusulkan optimasi aplikasi Tldraw menggunakan topologi random peer sampling. Usulan optimasi tersebut dinilai memiliki pertumbuhan penggunaan sumber daya yang lebih landai apabila dibandingkan dengan Tldraw P2p, meskipun memiliki sedikit overhead.

---

A real-time based collaborative applications are taking part in human daily life, especially in the pandemic era when it is prohibited to directly meet other people. One example of those kind of application is collaborative whiteboard application, which can be use to draw things freely. Tldraw previously developed using client-server architecture, which later improved using peer-to-peer architecture using WebRTC technology, resulting a low-latency Tldraw application. Nevertheless, those improvisations seem to be not scalable, since the peer-to-peer architecture use full-mesh network topology. Motivated by that, this research propose optimization for Tldraw application using random peer sampling topology. Those optimizations resulting in lower growth of cpu, memory, and bandwidth usage with little overhead."

"Aplikasi real-time collaborative editor mengizinkan beberapa pengguna bekerja pada suatu dokumen dalam waktu yang sama meski dalam lokasi yang berjauhan. Real-time collaborative editor yang populer seperti Google Docs dan Figma memanfaatkan arsitektur client-server dalam mengimplementasikan fitur tersebut. Arsitektur client-server dalam membuat real-time collaborative editor memiliki beberapa kelemahan, diantaranya hilangnya kepemilikan data pengguna serta latensi sinkronisasi perubahan yang lebih tinggi daripada seharusnya. Tldraw adalah aplikasi real-time collaborative editor berupa whiteboard bersifat open-source. Tldraw masih memanfaatkan arsitektur client-server dalam implementasi real-time collaboration. Local-first software adalah proposal jenis aplikasi yang menyelesaikan kelemahan-kelemahan tersebut. Berdasarkan proposal tersebut, diusulkan implementasi Tldraw P2P yang merupakan pengembangan dari aplikasi Tldraw yang memenuhi aspek Local-first software. Tldraw P2P memanfaatkan teknologi peer-to-peer networkingWebRTC dan implementasi CRDT Yjs untuk memenuhi aspek local-first software. Dalam penelitian ini, Tldraw P2P diuji dalam aspek local-first software serta latensi sinkronisasi. Dari hasil pengujian, berhasil ditunjukkan bahwa Tldraw P2P berhasil memenuhi aspek local-first software yang tidak dipenuhi Tldraw, serta memiliki latensi sinkronisasi yang lebih rendah dibandingkan Tldraw.

---

A real-time collaborative editor allows multiple users to work on the same document simultaneously, even from distant geographic locations. Popular real-time collaborative editors such as Google Docs and Figma use client-server architecture in implementing these features. However, client-server architecture has a few weaknesses, such as lost user data ownership and unnecessarily higher update synchronization latency. Tldraw is an open-source real-time collaborative editor in the form of a whiteboard. Tldraw is still using a client-server architecture in its implementation. Local-first software is a proposal for a type of application that aims to solve these weaknesses. Based on the Local-first software proposal, Tldraw P2P is proposed as an implementation of Tldraw which fulfills local-first software aspects. Tldraw P2P utilizes WebRTC, a peer-to-peer networking technology, and Yjs, a CRDT implementation, to fulfill local-first software aspects. In this research, Tldraw P2P is evaluated on local-first software aspects and sync latency. The evaluation results demonstrated that Tldraw P2P had fulfilled local-first software aspects that Tldraw does not while also having lower sync latency than Tldraw"

"Pemrosesan data real-time dalam skala besar semakin krusial seiring meningkatnya volume data dari berbagai sumber seperti sensor dan perangkat Internet of Things (IoT). Apache Kafka merupakan platform event streaming yang banyak digunakan dalam sistem pemrosesan data real-time karena sifatnya yang scalable dan fault-tolerant. Namun, efektivitas Kafka sangat bergantung pada konfigurasi sistemnya, termasuk strategi multi-threading dan partitioning. Penelitian ini bertujuan untuk mengevaluasi dampak implementasi multi-threading Kafka consumer pada arsitektur berbasis Kafka dalam konteks sistem homogenisasi dan Complex Event Processing (CEP). Dengan mengadopsi arsitektur milik Corral-Plaza et al. (2020) sebagai baseline dan membandingkannya dengan pendekatan multi-threading yang diadaptasi dari Leang et al. (2019), dilakukan eksperimen pada tiga skenario: single-threaded, multi-threading pada Kafka consumer, dan multi-threading pada homogenisasi atau pemrosesan data. Setiap skenario diuji dalam berbagai message rate mulai dari 5.000 hingga 200.000 msg/s, dengan pengukuran metrik throughput, consumer lag, dan penggunaan resource. Hasil eksperimen menunjukkan bahwa penerapan multi-threading secara signifikan meningkatkan throughput dan mengurangi consumer lag tanpa menimbulkan lonjakan konsumsi resources yang tidak proporsional. Di antara skenario multi-threading tersebut, skenario multi-threading pada homogenisasi (S3) memang menunjukkan penggunaan CPU yang lebih tinggi dan konsumsi memori yang setara dengan S2. Namun, keunggulan utama S3 terletak pada kemampuannya menjaga tingkat consumer lag tetap rendah, terutama pada message rate tinggi, meskipun tidak menghasilkan throughput yang secara signifikan lebih besar dibandingkan skenario S2. Dengan demikian, penelitian ini membuktikan bahwa strategi multi-threading Kafka consumer, jika diterapkan secara tepat, dapat meningkatkan performa sistem stream processing Kafka secara signifikan, terutama dalam skenario aplikasi real-time yang membutuhkan latensi rendah dan throughput tinggi.

---

Real-time data processing at scale is increasingly crucial as the volume of data from various sources such as sensors and Internet of Things (IoT) devices continues to grow. Apache Kafka is widely used as an event streaming platform in real-time systems due to its scalable and fault-tolerant architecture. However, Kafka’s performance is highly dependent on proper configuration, particularly regarding multi-threading strategies and partitioning. This study aims to evaluate the impact of multi-threading in a existing Kafka-based architecture within the context of data homogenization and Complex Event Processing (CEP). Experiments were conducted on three scenarios: original Single Stream Thread and the two proposed architecture: multi-threaded Kafka stream thread and multi-threaded data processing. Each scenario was tested with message rates ranging from 5,000 to 200,000 messages per second. Evaluation metrics include throughput, consumer lag, and system resource usage. The results show that multi-threading significantly improves throughput and reduces consumer lag without causing disproportionate increases in resource consumption. Among the multi-threaded scenarios, the data processing multi-threading model exhibited higher CPU usage and memory usage comparable to the consumer multi-threading scenario. Its main advantage lies in maintaining lower consumer lag under high message rates, although it does not deliver significantly higher throughput than multi-threaded stream thread. These findings indicate that, when applied appropriately, multi-threading strategies can significantly enhance the performance of Kafka-based stream processing systems."