Indexing - lecturer.ukdw.ac.idlecturer.ukdw.ac.id/budsus/pdf/basisdata/Minggu10.pdf · Memiliki...

sistem basis data – ti ukdw sistem basis data – ti ukdw

04/07/13 budi susanto 1

Indexing

Materi Minggu ke-10

Teknik InformatikaUniversitas Kristen Duta Wacana

Yogyakarta



Tujuan

● Memahami Tujuan Index pada Database● Memahami model dasar Index● Memahami algoritma dasar B+Tree



Konsep Dasar

● Indexing digunakan untuk mempercepat akses terhadap data yang diperlukan.

● Search Key● Atribut yang digunakan untuk mencari record dalam file

● Index File● Terdiri dari record-record dengan bentuk:

● Index file biasanya berukuran lebih kecil daripada file data.

search-key pointer



Matrix Evaluasi Index

● Access Type● Access Time● Insertion Time● Deletion Time● Space Overhead



Tipe Index

● Ordered Index● Search key disimpan dalam suatu urutan tertentu

● Hash Index● Search key disebar dengan menggunakan fungsi

hash.



Ordered Index



Ordered Index● Pada Ordered Index, entri index disimpan secara terurut berdasar nilai

search key● Primary index:

● Index dimana urutan search key menyatakan urutan data dalam sequential file.

● Disebut juga dengan clustering index● Biasanya Primary Key

● Secondary index :● Index dimana urutan seach key berbeda dengan urutan data dalam

sequential file. ● Disebut juga non-clustering index

● Index-Sequential file: file sequential terurut dengan primary index.● Ada dua tipe Ordered Index : Dense dan Sparse



Contoh Clustering Index



Dense Index

● Sebuah index item muncul untuk setiap nilai search key dalam file.

● Index item berisi nilai search key dan pointer ke record data sesungguhnya.



Dense Secondary Index



Sparse Index

● Item index dibuat hanya untuk beberapa record saja.● Untuk menemukan record dengan nilai search key K

● Temukan item index dengan nilai search key terbesar < K.● Cari data yang ditemukan mulai dari record seperti yang

ditunjuk oleh item index.● Sparse Index hanya dapat digunakan jika atribut kunci yang

digunakan adalah dalam keadaan terurut (clustering index).



Sparse Index



Dense vs Sparse● Dense index secara umum lebih cepat● Sparse index membutuhkan space yang lebih kecil dan

memiliki biaya perawatan yang lebih rendah untuk penambahan dan penghapusan. (why?)

● Kompromi yang baik:● Memiliki sparse index dengan satu entry per blok, dengan nilai

search key terkecil dalam blok.– Biaya terbesar adalah meletakkan sebuah blok ke memori utama.– Dijamin memiliki blok yang betul, kecuali record berada pada overflow

blok (dapat beberapa blok).– Ukuran index masih dapat tetap kecil.



Latihan Dense Index

● Buatlah Struktur Dense Index untuk data berikut, search key adlaah NAMA:

NIM NAMA

22071234 Abu Nawas

22073456 Aladin

22086312 Iron Man

22083920 Superman

22095312 Batman

22098982 Spiderman

22099482 Arjuna



Multilevel Index● Walaupun dengan sparse index, ukuran index masih akan tumbuh

terlalu besar. Untuk 100,000 record, 10 / blok, dengan satu index item per blok, maka butuh 10,000 index item!

● Jika index terlalu besar untuk disimpan dalam memori utama, pengaksesan/pencarian menjadi terlalu mahal.

● Untuk mengurangi jumlah pengaksesan disk terhadap index item, simpan primary index dalam disk sebagai sebuah sequential file dan bangun sebuah sparse index terhadapnya.● outer index – sebuah sparse index dari primary index● inner index – file primary index

● Bahkan jika outer index terlalu besar untuk diletakkan dalam memori utama, dapat dibentuk level index lain.



Multilevel Index



Latihan Multilevel Index● Buatlah Struktur Multilevel Index untuk data berikut (1

blok maks. 3 record), dimana NIM adalah PK:

NIM NAMA

22071234 Abu Nawas

22073456 Aladin

22086312 Iron Man

22083920 Superman

22095312 Batman

22098982 Spiderman

22099482 Arjuna



Update Index: Insert

● Temukan posisi record yang tepat untuk penyisipan.

● Dense Index● Tambahkan nilai search key pada index dan tabel

jika belum ada● Jika telah ada search key pada index, tambahkan

data baru hanya pada tabel.● Sparse Index

● tidak ada perubahan kecuali blok baru terbentuk



Update Index: Delete Dense Index

● Temukan record yang akan dihapus.● Jika record yang dihapus merupakan satu-

satunya yang ditunjuk pada item index, maka hapus keduanya

● Selain itu, jika index item merujuk pada search-key record yang dihapus lebih dari satu, maka hapus record datanya saja.● Selain itu, jika record yang dihapus merupakan

record awal yang ditunjuk oleh index item, maka update item item ke record selanjutnya.



Update Index: Delete Sparse Index● Temukan record yang akan dihapus.● Jika index tidak berisi search-key yang dihapus, maka

index tidak perlu diupdate.● Selain itu, jika record yang terhapus adalah satu-satunya

record yang dirujuk oleh item index, maka item index di update untuk merujuk ke record search-key berikutnya. Jika search-key sudah ada pada index, maka item index hasil update akan dihapus.● Selain itu, jika item index untuk search-key merujuk ke record

yang dihapus, maka sistem akan mengupdate penunjuk ke record selanjutnya yang memiliki search-key yang sama.



Secondary Index

● Seringkali, diinginkan mencari semua record berdasar nilai dari suatu field tertentu (yang bukan search key yang sudah dibentuk dalam primary index).

● Kita dapat memiliki sebuah secondary index dengan suatu index item untuk setiap nilai search-key value; index item menunjuk ke sebuah tempat yang berisi pointer ke record sesungguhnya berdasar nilai search-key tertentu.



Secondary Index



B+ Tree Index



B+ Tree Index● Kerugian utama dari organisasi index-sequential file adalah unjuk kerja

akan menurun seiring dengan bertumbuhnya file. ● Struktur file B+ -tree, menjaga efisiensi organisasinya walaupun sering

terjadi insert dan delete. ● Kerugiannya, B+Tree membutuhkan biaya penambahan dan

penghapusan tambahan dan juga ruang penyimpanan tambahan.● Sebuah index B + -tree adalah balanced tree, dimana dalam setiap jalur

dari root ke sebuah daun memiliki panjang yang sama.● Setiap node bukan daun dalam tere harus memiliki anak antara n/2

sampai n, dimana n adalah tetap untuk pohon tertentu.



Struktur Node B+ Tree

● Struktur Node

● Ki adalah nilai search key

● Pi adalah pointer ke anak (node bukan daun) atau pointer ke record atau kelompok data (node daun)

● Search key dalam sebuah node diurutkan ● K1 < K2 < K3 < ... < Kn



Node Daun B+ Tree

● For i = 1, 2, . . ., n–1, pointer Pi baik menunjuk ke file record dengan nilai search-key Ki, atau ke sekelompok pointer ke file record, setiap index item memiliki nilai search-key K i.

● JIKA Li, Lj adalah node daun DAN i < j, nilai search-key Li < nilai search-key Lj

● Pn menunjuk ke node daun berikut dalam urutan search-key



Contoh Node Daun



Node Bukan Daun B+ Tree

● Node bukan daun membentuk sebuah multi-level sparse index untuk node daun.

● Untuk node bukan daun dengan jumlah m pointer:● Semua search-key dalam subtree dimana nilai yang

ditunjuk P1 < K1.● For 2 ≤ i ≤ n – 1, semua search-keys dalam subtree

dimana Pi memiliki nilai >= Ki–1 dan <= Km–1.



Contoh B+ Tree (n=4)



Contoh B+ Tree (n=5)

● Node daun harus memiliki antara nilai 2 dan 4 ● ([(n–1)/2] dan n –1).

● Node bukan daun selain root harus memiliki antara 3 – 5 anak

● ([(n/2)] dan n ).● Root harus memiliki setidaknya 2 anak.



Query B+Tree Index● Temukan semua record dengan nilai search-key k.

● Mulai dari node root● Tentukan node dengan nilai search key terkecil > k.● Jika ditemukan nilainya, misal Kj. Maka ikuti Pi ke node anak

● Selain itu jika k > Km–1, dimana terdapat m pointer dalam node. Maka ikuti Pm ke node anak.

● Jika node yang dicapai dari pointer di atas, adalah bukan node daun, ulangi prosedur di atas terhadap node bukan daun, dan ikuti pointer yang dihasilkan.

● Akhirnya mencapai node daun. Jika untuk beberapa i, kunci Ki = k ikuti pointer Pi ke record yang dituju. Selain itu tidak ada record dengan nilai k.



Contoh Query B+ TreeRoot

17 24 30

2* 3* 5* 7* 14* 16* 19* 20* 22* 24* 27* 29* 33* 34* 38* 39*

13

Root

17 24 30

2* 3* 5* 7* 14* 16* 19* 20* 22* 24* 27* 29* 33* 34* 38* 39*

13



Insert B+-Tree Index

● Temukan node daun L yang tepat. ● Letakkan data ke L.

● Jika L memiliki space cukup, done!● Selain itu, harus split L (menjadi L dan node baru L2)

– Sebar ulang entri, copy up middle key.– Insert index entry yang menunjuk ke L2 ke induk dari L.– Hal ini dapat terjadi secara rekursif

● Untuk split node index, sebar ulang redistribute entri, tapi push up middle key. (berbeda dengan leaf splits.)

● Splits “grow” tree; root split menambah tinggi tree. ● Tree growth: buat wider atau one level taller at top.



Contoh Insert 8* ke B+-Tree Index

● Temukan daun, dengan cara seperti pencarian.● Tangani overflow dengan splitting.

Root

17 24 30

2* 3* 5* 7* 14* 16* 19* 20* 22* 24* 27* 29* 33* 34* 38* 39*

13



Contoh Insert 8* ke B+-Tree Index

● Tinjaulah berapa tempat minimum yang dijamin baik dalam leaf maupun index node.

2* 3* 5* 7* 8*

5

Entry to be inserted in parent node.(Note that 5 iscontinues to appear in the leaf.)

s copied up and

appears once in the index. Contrast

5 24 30

17

13

Entry to be inserted in parent node.(Note that 17 is pushed up and only

this with a leaf split.)



Sebelum dan sesudah insertRoot

17 24 30

2* 3* 5* 7* 14* 16* 19* 20* 22* 24* 27* 29* 33* 34* 38* 39*

13

2* 3*

Root

17

24 30

14* 16* 19* 20* 22* 24* 27* 29* 33* 34* 38* 39*

135

7*5* 8*



Delete B+-Tree Index

● Mulai dari root, temukan daun L dimana entry yang dihapus berada.

● Buang entri tersebut.● Jika L adalah sedikitnya separo penuh, done! ● Jika L memiliki hanya d-1 entri,

– Cobalah untuk re-distribute, meminjam dari sibling (nyatakan parent node sama dengan L).

– Jika re-distribution gagal, merge L dan sibling.● Jika merge terjadi, entri (yang menunjuk ke L)

harus dihapus dari induk L.



Contoh Delete 19* dan 20*

● Deleting 19* is easy.● Deleting 20* is done with re-distribution.

2* 3*

Root

17

24 30

14* 16* 19* 20* 22* 24* 27* 29* 33* 34* 38* 39*

135

7*5* 8*



Setelah Delete 19* dan 20*

2* 3*

Root

17

30

14* 16* 33* 34* 38* 39*

135

7*5* 8* 22* 24*

27

27* 29*



Latihan B+ Tree Index

● Buatlah Struktur B+ Tree Index untuk data berikut (n=3), dimana NIM adalah PK:NIM NAMA

22071234 Abu Nawas

22073456 Aladin

22086312 Iron Man

22083920 Superman

22095312 Batman

22098982 Spiderman

22099482 Arjuna



B-Tree Index

● B-tree index mirip dengan B+ -tree index.● Perbedaannya adalah B-tree membuang

nilai search key yang redundan.● Dalam B+ -tree, beberapa nilai search key

muncul 2 kali.● B-tree memungkinkan nilai search key

muncul hanya sekali.● Sehingga kita dapat menyimpan index

dengan space lebih kecil



B Tree

● Keuntungan:● Mengurangi penyimpanan redundan.● Beberapa pencarian lebih cepat (kunci mungkin

berada di node bukan daun). ● Kerugian :

● Node daun dan bukan daun memiliki ukuran berbeda (struktur penyimpanan rumit)

● Penghapusan mungkin terjadi dalam node bukan daun (lebih rumit)



B Tree



Definisi Index dengan SQL

● Pembuatan index create index <index-name> on

<relation-name>(<attribute-list>)

● Contoh : create index b-index on branch(branch-name)

● Gunakan create unique index untuk menyatakan kondisi bahwa search key adalah candidate key.

● Untuk membuang index drop index <index-name>



Multiple Key● Diasumsikan kita punya index kombinasi search-key

(branch-name, balance).● Dengan klausa WHERE

● where branch-name = “Perryridge” and balance = 1000

● Index dengan kombinasi search-key akan mengambil hanya record yang sesuai dengan kedua kondisi tersebut.

● Menggunakan index terpisah lebih efisien— kita mungkin mengambil beberapa record yang sesuai dengan satu kondisi saja.

● Dapat juga menangani ● where branch-name = “Perryridge” and balance < 1000

● Namun tidak dapat secara efisien untuk ● where branch-name < “Perryridge” and balance = 1000



Bitmap Index

● Bitmap index adalah tipe index khusus yang dirancang untuk efisiensi query berdasar beberapa kunci.

● Record dalam suatu relasi diasumsikan diberi nomor berurutan, misal mulai dari 0.● Diberikan sejumlah n, akan memudahkan untuk

mengambil record ke n.– Lebih mudah jika record berukuran tetap.



Bitmap Index

● Dapat diterapkan pada atribut yang secara relatif memiliki perbedaan nilai yang sedikit.

● Contoh. Jenis kelamin, negara, propinsi, …● Contoh. Level-pendapatan (pendapatan dibagi

ke dalam sejumlah kecil level, seperti 0-9999, 10000-19999, 20000-50000, 50000- tak terhingga)

● Sebuah bitmap adalah array bit.



Contoh Bitmap Index

● Male dengan level pendapatan L1● 10010 AND 10100 = 10000

● Di Oraclecreate bitmap index namaIndex on nmTable(fieldname);



Selesai!

Indexing - lecturer.ukdw.ac.idlecturer.ukdw.ac.id/budsus/pdf/basisdata/Minggu10.pdf · Memiliki...

Documents

Transcript of Indexing - lecturer.ukdw.ac.idlecturer.ukdw.ac.id/budsus/pdf/basisdata/Minggu10.pdf · Memiliki...