Adabeberapa cara atau metode yang bisa anda gunakan untuk melakukan migrasi data yaitu : A. Export & Import. Dalam beberapa kasus, tools mendukung ekspor data ke data netral dan melakukan impor Berdasarkanarah pertukaran data, komunikasi data terbagi atas dua metode, yaitu Simplex (Komunikasi satu arah) dan Duplex (Komunikasi dua arah). Berikut adalah penjelasannya. Simplex adalah komunikasi yang tidak memungkinkan penerima dan pengirim saling bertukar informasi. Metode transmisi dimana data hanya disalurkan ke satu arah disebut? PengertianData Migration. © Freepik.com. IBM menjelaskan bahwa data migration adalah proses mentransfer data dari satu sistem penyimpanan ke yang lainnya. Ada beberapa alasan mengapa perusahaan perlu melakukan data migration. Misalnya, saat mereka ingin mengganti server atau perangkat penyimpanan data. Transmisidata, komunikasi digital atau pemancaran data adalah transfer data (bitstream digital atau sinyal analog digital) melalui saluran komunikasi point-to-point atau point-to-multipoint. Contoh saluran tersebut antara lain kabel tembaga, serat optik, saluran komunikasi nirkabel, media penyimpanan dan bus komputer. Padadasarnya, DMA mempunyai dua metode yang berbeda dalam mentransfer data; Metode pertama adalah HALT, disebut juga Burst Mode DMA, karena DMA controller memegang kontrol dari sistem bus dan mentransfer semua blok data ke atau dari memori pada single burst. 5pZgO. Pengertian Packet Switching Packet switching adalah metode transfer data antar jaringan dalam bentuk paket. Tujuannya untuk meminimalkan latency transmisi jaringan dan mempercepat proses transfer. Melalui metode ini, semua data yang dipecah menjadi potongan-potongan kecil dengan panjang variabel, yang sering disebut Packet. Saat pengguna mengirim sebuah file melalui jaringan, dokumen akan ditransfer dalam beberapa paket data yang lebih kecil dan tidak utuh. File tersebut akan dibagi menjadi beberapa paket berbeda dengan header yang berisi akan alamat IP asal, alamat IP tujuan, dan jumlah paket di seluruh data. Setiap bagian dari paket yang terbagi tadi berisi informasi alamat IP yang mengidentifikasi perangkat pengirim dan penerima data. Dengan menggunakan alamat ini, switch jaringan dan router akan menentukan cara terbaik untuk mentransfer paket antara hop di jalur ke tujuannya. Pada perangkat tujuan, semua bagian packet akan terpasang kembali ke file yang sama secara otomatis tanpa adanya campur tangan manusia. Semua paket yang ditransfer melalui metode packet switching umumnya diarahkan dari perangkat sumber ke tujuan melalui Switch dan Router. Cara Kerja Packet Switching Packet Switching menggunakan teknik Store and Forward saat melakukan switching paket. Hop akan menyimpan paket itu lalu meneruskannya ke perangkat tujuan. Teknik ini sangat bermanfaat karena paket dapat terhapus dari suatu hop karena alasan tertentu. Untuk mencapai tujuan, paket dapat melewati beberapa jalur berbeda. Setiap paket berisi alamat Sumber dan tujuan yang digunakan untuk melakukan perjalanan secara independen melalui jaringan. Dengan kata lain, paket milik file yang sama mempunyai kemungkinan untuk melalui jalur berbeda jika ada kemacetan di beberapa jalur. Setiap paket dalam teknik packet switching memiliki dua bagian Header dan Payload. Header berisi informasi pengalamatan paket yang digunakan oleh router perantara untuk mengarahkan data ke tujuan. Sedangkan Payload membawa data aktual. Sebuah paket ditransmisikan berdasarkan informasi header-nya segera setelah mencapai sebuah node. Paket-paket pesan tidak dirutekan melalui jalur yang sama. Jadi, paket-paket dalam pesan tiba di tujuan dalam keadaan tidak teratur. Perangkat tujuan bertanggung jawab untuk menyusun ulang paket dan mengambil data asli. Jenis Packet Switching Ada dua metode packet switching yang umum digunakan pada sebuah jaringan, berikut adalah penjelasan singkatnya 1. Connection-oriented Switching Jenis packet switching yang sering juga disebut dengan virtual circuit switching ini merakit dan memberi nomor paket data saat menerimanya. Data kemudian melakukan perjalanan secara berurutan melintasi rute yang telah ditentukan. Oleh karena itu, informasi alamat tidak diperlukan dalam jenis circuit switching ini. Pada dasarnya adalah suatu hubungan secara logik yang dibentuk untuk menyambungkan dua stasiun. Paket dilabelkan dengan nomor sirkit maya dan nomor urut. Paket dikirimkan dan datang secara berurutan Jaringan dapat menyediakan sequencing dan kontrol error. Packet diteruskan lebih cepat, atau tidak perlu membuat keputusan routing. Kurang reiable, atau hilangnya sebuah node menyebabkan hilangnya seluruh circuit yang melaluinya. 2. Connectionless Switching Jenis packet switching klasik yang sering juga disebut sebagai datagram packet switching ini mencakup beberapa paket, masing-masing dirutekan secara individual. Ini berarti setiap paket berisi informasi perutean yang lengkap yang bergantung pada beban fluktuatif pada node jaringan adaptor, sakelar, dan router saat ini. Setiap paket dalam connectionless packet switching mencakup beberapa informasi berikut di bagian header-nya Alamat sumber. Alamat tujuan. Jumlah total paket. Nomor urut Seq untuk pemasangan kembali. Keuntungannya menggunakan connections switching, yaitu Mencegah terjadinya fase setup dari panggilan. Dengan demikian, jika suatu stasiun hanya ingin mengirim satu atau sebagian kecil paket-paket, maka pengiriman dengan datagram akan lebih cepat. Karena datagram lebih primitif maka akan lebih fleksibel. Pengiriman dengan datagram akan lebih dapat dipercaya. Setelah paket mencapai tujuan mereka melalui berbagai rute, perangkat penerima mengatur data-data tersebut untuk membentuk pesan asli. Perbedaan antara Connection-oriented Switching dan Connectionless Switching Berikut ini merupakan beberapa perbedaan antara connection-oriented switching dan connectionless switching, yaitu Dengan Connection-oriented Switching, node tidak perlu membuat keputusan-keputusan perjalanan untuk tiap paket. Hal tersebut hanya dibuat sekali untuk semua paket dengan menggunakan connection-oriented switching tersebut. Dengan Connection-oriented Switching, paket-paket mengikuti definisi awal rute, dan dengan demikian hal tersebut lebih sulit untuk jaringan beradaptasi untuk keadaan dengan beban yang penuh. Pada Connection-oriented Switching, jika suatu node gagal, semua virtual circuit yang melewati node-node tersebut akan hilang. Sedangkan pengiriman dengan connectionless switching, jika suatu node gagal, maka paket berikutnya akan menemukan rute alternatif yang mem-bypass node tersebut. Keuntungannya bila 2 jenis akan mempertukarkan data, yaitu Jaringan akan menyediakan pelayanan yang berhubungan ke connection-oriented switching, termasuk sequencing dan error kontrol. Paket harus ditrasmisi jaringan lebih cepat dengan suatu connection-oriented switching sehingga hal tersebut tidak perlu untuk membuat keputusan perjalanan untuk tiap paket pada tiap node. Packet Switching Dan Circuit Switching Berikut ini adalah perbedaan antara packet switching dan circuit switching, yaitu Packet Switching Circuit Switching Tidak ada jalur fisik Ada jalur fisik antar jaringan sumber dan tujuan Packet akan di transfer secara independen Semua packet menggunakan jalur yang sama Tidak menggunakan bandwidth sebelum adanya proses transfer Menyimpan bandwidth yang akan digunakan sebelum proses transfer Mendukung metode transmisi store dan forward. Tidak ada transmisi store dan forward. Kelebihan Packet Switching Setelah melihat perbedaan dari packet switching dan circuit switching, pastinya sudah bisa menebak apa saja kelebihan dari metode ini. Untuk membantu mengerti lebih dalam tentangnya, berikut adalah beberapa keunggulan dari packet switching, yaitu Efisien Lebih hemat dan efisien dalam hal bandwidth, karena tidak ada konsep penyimpanan sirkuit pada metode ini. Cepat Latensi yang minimal mengoptimasi kecepatan transmisi pada sebuah jaringan. Fitur fault tolerance Semua paket dapat dialihkan dan mengikuti jalur yang berbeda jika ada sebuah jaringan yang rusak dan gagal. Terjangkau Umumnya packet switching menggunakan tagihan berdasarkan durasi konektivitas yang digunakan selama proses transfer. Kekurangan Packet Switching Berikut ini merupakan beberapa kekurangan packet switching, yaitu Packet switching tidak mengikuti perintah tertentu untuk mengirimkan paket satu per satu. Paket hilang terjadi pada transmisi data yang besar. Setiap paket perlu dikodekan dengan nomor urut, alamat Penerima dan Pengirim, dan informasi lainnya. Perutean rumit di node karena paket dapat mengikuti beberapa jalur. Ketika pengubahan rute terjadi karena beberapa alasan, penundaan dalam menerima paket meningkat. Salah satu permasalahan yang sering dialami ketika menggunakan deep learning adalah jumlah data yang sedikit. Di luar sana, sebenernya ada banyak solusi yang ditawarkan untuk mengatasi masalah ini. Nah, di sini kita akan bahas salah satunya, yakni Transfer Learning. Artikel ini akan berfokus pada teori di baliknya, sedangkan untuk implementasi akan ada di artikel selanjutnya. Model Deep Learning Sebelum masuk lebih dalam ke transfer learning, saya ingin mengingatkan sedikit tentang bagaimana konsep deep learning secara umum machine learning bekerja. Suatu agen cerdas yang menggunakan deep learning bekerja menggunakan data. Kita berikan data yang banyak untuk dipelajari, kita lakukan proses training/belajar, lalu kita akan mendapat model/agen yang cerdas. Lalu muncul pertanyaan.. Proses pencarian data itu rumit, proses training itu makan waktu, kenapa kita tidak download saja model cerdas yang ada di internet lalu kita gunakan untuk masalah kita? tidak perlu train, dan tidak perlu ada data, beres kan? Ide utama dari transfer learning ini kira-kira seperti ini, Kita gunakan model yang sudah dicerdaskan orang lain untuk permasalahan kita, yang bahkan bisa jadi berbeda Sebagai contoh, kita mau membuat sistem untuk menghitung kendaraan beserta jenisnya menggunakan kamera CCTV. Jika jenis kendaraannya yang ingin dideteksi cukup umum, semisal “mobil” atau “truk”, kita bisa jadi cukup browsing-browsing, dan kita akan menemukan orang yang sudah membuat model deep learningnya. Kita tinggal download, pakai, dan selesai! Kita telah memiliki model cerdas deep learning yang mampu mendeteksi mobil atau truk. Tanpa perlu mencari data, tanpa perlu melatih model. Tapi seringnya permasalahan yang kita miliki sedikit berbeda. Sedikit saja perbedaan, maka kita sudah tidak bisa lagi pakai model orang lain ini. Contohnya, kita tidak hanya ingin mendeteksi “mobil” dan “truk” tapi juga “becak”. Permasalahannya, “becak” itu bukan kendaraan yang di mana-mana ada. Sangat mungkin model yang kita download tadi belum bisa mendeteksi becak. Di sinilah, kita butuh transfer learning. Kembali ke ide utama di atas, dengan transfer learning, kita bisa memanfaatkan model orang lain yang sudah dilatih, untuk permasalahan kita yang berbeda. Jadi ada 3 poin yang kita bahas di sini Model yang sudah dicerdaskanCara menggunakan model tersebutPermasalahan yang bisa jadi berbeda Oh ya, sebelum masuk lebih dalam, konsep Transfer Learning ini berlaku tidak hanya untuk arsitektur CNN saja. Tapi pada tutorial ini saya akan banyak mencontohkan menggunakan CNN karena lebih mudah dibayangkan. 1. Model yang sudah cerdas User warna merah mendownload model dari internet buatan orang lain Pada transfer learning, kita membutuhkan model yang sudah terlatih, entah itu dilatih oleh orang lain, atau kita melatihnya terlebih dahulu. Model yang sudah terlatih ini disebut dengan Pre-Trained Model. Pre-trained model biasanya sudah dilatih pada dataset yang besar dan merupakan dataset benchmark, sehingga kualitas pre-trained model harusnya sudah sangat baik. Saat ini sudah banyak pre-trained model yang disediakan untuk beragam kebutuhan. Misalnya pada halaman ini PyTorch menunjukkan pre-trained model yang tersedia secara resmi untuk image classification yang telah dilatih menggunakan dataset ImageNet. Pada halaman ini Tensorflow juga menunjukkan model-model yang tersedia untuk object detection. Kumpulan pre-trained model ini juga biasa disebut dengan Model Zoo. Alternatif lain selain menggunakan model resmi dari framework, kita juga bisa browsing-browsing dan pakai pre-trained model yang disediakan peneliti-peneliti lain, misalnya model SiameseFC ini. Atau kita juga bisa saja membuat pre-trained model sendiri. 2. Cara menggunakan Diambil dari paper How transferable are features in deep neural networks? di baris keempat tampak model yang sudah dilatih sebagian dengan data A Hijau digunakan untuk menyelesaikan permasalahan pada data B Ungu Secara umum ada dua cara menggunakan model pre-trained untuk transfer learning. Kedua cara ini pada ilustrasi diatas ditunjukkan dengan simbol gembok terbuka atau tertutup Fixed Feature Extractor Pada metode ini kita menggunakan pre-trained model yang telah dilatih tanpa melatih ulang model tersebut, atau istilahnya kita membekukan freeze bobot pre-trained model ini. Cara pemakaian yang umum untuk freezed model adalah sebagai feature extractor. Ilustrasi Fixed Feature Extractor. Gambar sebelah kiri adalah ilustrasi pembuatan pre-trained model. Model deep learning CNN biasanya terdiri dari layer konvolusi hijau dan fully connected layer merah di akhir. Pada gambar sebelah kanan, kita hanya menggunakan layer konvolusinya saja yang kita bekukan, sehingga outputnya masih berupa vektor Sebagai contoh, kita download pre-trained model resnet18 yang sudah dilatih ke data ImageNet. Arsitektur Resnet18 sama seperti arsitektur CNN pada umumnya memiliki bagian “konvolusi” dan memiliki bagian “klasifikasi”. Karena arsitektur Resnet ini sudah dilatih maka semua bobot-bobotnya sudah memiliki nilai yang bagus untuk klasifikasi citra di dataset ImageNet. Data imagenet terdiri dari sekitar 1000 kelas. Jika kita buang layer klasifikasi terakhirnya diilustrasikan warnah merah di gambar di atas, ketika kita inputkan citra, model akan mengoutputkan suatu vektor nilai dari proses konvolusi. Vektor ini bisa kita anggap sebagai fitur citra yang diekstrak menggunakan pre-trained model. Fitur vektor yang dihasilkan ini nantinya bisa dimanfaatkan untuk beragam kebutuhan. Misal karena vektor itu dianggap fitur, jadinya bisa masuk ke classifier lain misalnya SVM, lalu classifier tersebut di train tanpa melatih pre-trained modelnya ya, kan sedang di freeze untuk klasifikasi. Dengan mengganti layer terakhir pre-trained model, jumlah class pada classifier ini tidak harus sama dengan pre-trained model, misalnya di pre-trained model ada 1000 kelas dan kita hanya ingin membuat model yang mampu mengklasifikasi 2 kelas mobil atau truk ya cukup kita ataur di classifier ini hanya 2 kelas. Fine Tuning Pada metode ini kita menggunakan pre-trained model yang telah dilatih namun tidak kita freeze. Jadi meskipun model sudah dilatih, nantinya pre-trained model ini akan dilatih lagi untuk kebutuhan yang baru. Sebagai contoh, kita ingin melatih model untuk mendeteksi jenis-jenis kendaraan di Indonesia, “motor”, “andong”, dan “becak”. Anggap kita memiliki pre-trained model yang sudah bisa membedakan “truk” dan “mobil”. Kita bisa melatih ulang model ini menggunakan data citra “motor”, “andong”, dan “becak” dengan bobot pre-trained model tadi sebagai bobot awal pelatihan. Proses melatih model dengan nilai awal bobot adalah berasal dari pre-trained model disebut dengan Fine Tuning. Loh kok bisa model yang awalnya digunakan untuk mendeteksi “mobil” dan “truk” digunakan untuk mendeteksi “motor”, “andong”, dan “becak”? Bisa loh D, karena pre-trained model yang mampu mendeteksi “mobil” dan “truk”, setidaknya memiliki “pengetahuan” yang bisa dimanfaatkan untuk mendeteksi objek lain. Misalnya, model tersebut sudah paham mana yang objek mana yang latar belakang; mana yang pohon mana yang bukan; dsb. Kita melakukan transfer pengetahuan tersebut untuk kebutuhan baru. Karenanya kita masih perlu melatih lagi walau kebanyakan proses pelatihan jauh lebih cepat karena model sudah sedikit cerdas. Ilustrasi metode pertengahan. Ada layer yang di freeze diarsir ada yang tidak. Metode Pertengahan Selain dua metode di atas, ada juga yang pertengahan yang seakan mengkombinasikan keduanya. Alias, sebagian layer di-freeze, sebagian layer tidak di-freeze. Biasanya layer yang di-freeze adalah beberapa layer yang di depan yang dekat dengan input layer dan menyimpan informasi yang low-level sedangkan layer yang di belakang, yang menyimpan informasi yang lebih high-level, tidak di-freeze untuk di-fine tune. Ini biasanya digunakan ketika data yang digunakan untuk melatih pre-trained model dirasa sedikit berbeda dengan data yang baru. Selain itu ini juga kadang dilakukan untuk menghindari fine tuning semua layer. Karena melakukan fine tuning secara tidak hati-hati di semua layer dapat “membodohkan” model yang sudah cerdas. Permasalahan seperti apa Berdasarkan kondisi dataset yang akan digunakan dan pre-trained model yang kita miliki, ada sedikit “aturan” yang bisa kita ikuti, kapan dan teknik seperti apa yang bisa digunakan untuk transfer learning. Saya tidak akan menjelaskan detailnya, bisa dibaca di bagian “When and how to fine-tune?” dari Sekian untuk artikel ini, semoga bermanfaat! InsyaAllah implementasinya menyusul Ÿ™‚

jenis metode transfer data pada platform ini adalah