Bisnis di era modern seperti saat ini sangat bergantung pada big data. Itu berarti proses data integration dan data migration adalah dua hal yang harus dilakukan dengan baik. Tahapan pertama dalam proses pengolahan data adalah data integration. Dalam tahapan ini dilakukan proses penggabungan data dari berbagai sumber. Usai digabungkan, data pun dipindahkan ke lokasi penyimpanan baru, yang membutuhkan tahapan data migration dengan rencana mata. Nah, apa saja yang perlu diperhatikan dalam salah satu proses penting ini? Yuk simak penjelasan Glints. Baca Juga Tips Agar Cepat Pintar Belajar Data Mining Pengertian Data Migration © 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. Selain itu, alasan lain mengapa dilakukannya data migration adalah untuk merombak sistem dan meng-upgrade database menjadi lebih canggih. Namun, saat ini data migration biasanya dilakukan saat perusahaan ingin berpindah dari aplikasi lokal penyimpanan data menjadi aplikasi berbasis cloud. Apa pun alasan untuk melakukan data migration, tetap saja dibutuhkan rencana yang jelas agar metode yang dilakukan bisa berjalan dengan aman. Selain itu, biaya untuk melakukan proses migrasi data juga perlu dipertimbangkan agar bisa lebih hemat dan efisien. Dalam proses ETL atau extract/transform/load akan melibatkan beberapa tahapan seperti transformasi dan pemuatan data. Jadi, data yang diekstrak harus melalui serangkaian persiapan dan baru akan dimuat ke lokasi penyimpanan yang baru. Jenis-Jenis Data Migration © Setelah mengetahui definisi dari data migration, kini ketahui juga apa saja jenisnya yang sering dilakukan oleh perusahaan. Dilansir dari NetApp, berikut ini beberapa jenis data migration di antaranya adalah Storage migration Jenis data migration yang pertama adalah storage migration atau migrasi penyimpanan. Dalam jenis ini data akan dipindahkan dari tempat penyimpanan yang lama ke tempat penyimpanan baru yang lebih canggih. Umumnya perusahaan melakukan jenis migrasi data yang satu ini karena ingin pusat datanya bisa diakses lebih cepat dan tentunya lebih aman. Selain itu, data yang disimpan juga akan lebih mudah dicadangkan saat terjadi suatu masalah. Cloud migration Cloud migration adalah pemindahan data, aplikasi, atau elemen bisnis lainnya dari pusat data lokal ke database yang berbasis cloud. Namun, saat data sudah disimpan dalam suatu cloud dan ingin dipindahkan ke cloud yang lain, rupanya juga tetap menjadi bagian dari jenis yang satu ini. Application migration Dalam jenis data migration ini terjadi proses pemindahan program aplikasi dari satu lingkungan database ke yang lainnya. Jadi, bisa termasuk pemindahan seluruh aplikasi dari pusat penyimpanan lokal ke cloud, perpindahan antar cloud, atau pemindahan aplikasi data ke bentuk baru lainnya. Baca Juga 6 Pekerjaan Big Data Terpopuler dan Paling Banyak Dicari oleh Perusahaan Strategi Data Migration © Data migration memerlukan direncanakan dengan baik. Jika perencanaannya kurang baik, tentu saja bisa menyebabkan kerugian seperti kehilangan beberapa bagian data yang diperlukan. Dilansir dari Talend, berikut ini ada beberapa hal yang perlu diperhatikan dalam membuat strategi data migration, antara lain 1. Pahami data yang akan dipindahkan Sebelum melakukan data migration, tentunya perusahaan harus paham terlebih dahulu apa sebenarnya data yang perlu dipindahkan. Selain itu, apakah semua data tersebut memang layak dipindahkan atau ada yang perlu dibuang. Semua hal itu harus dipahami terlebih dahulu sebelum melakukan proses yang satu ini. Jika tidak paham apa tujuan dari dipindahkannya data tentu saja hal itu akan membuang banyak waktu dan biaya. 2. Membuat rencana proses migrasi data Tahapan selanjutnya dalam melakukan strategi data migration adalah membuat rancangan proses pemindahan data. Ada beberapa pertimbangan yang perlu dipikirkan misalnya berapa banyak data yang akan dipindahkan, seperti apa kapasitas penyimpanan data tujuan, dan jadwal pemindahannya. Selama proses perencanaan juga harus mempertimbangkan segi keamanan dari data. Pasalnya, keamanan setiap data harus tetap dilindungi selama proses pemindahan. 3. Persiapkan solusi yang diperlukan Selain merencanakan proses pemindahan data dengan detail, ada beberapa hal lain yang perlu dipersiapkan seperti solusi saat terjadinya masalah. Misalnya, perusahaan ingin memindahkan data yang bervolume sangat besar, sebaiknya persiapkan cara yang tepat agar tidak ada kesalahan yang terjadi. Salah satu caranya yaitu dengan memecah data dengan membuat beberapa bagian kecilnya terlebih dahulu. 4. Lakukan uji coba Setelah membuat rencana proses pemindahan data, ada satu tahapan yang harus dilakukan yaitu proses uji coba. Tahapan ini sangatlah penting untuk menguji rencana data migration dan memastikan semua berjalan dengan baik dan sesuai rencana awal. 5. Audit Proses terakhir dari data migration adalah audit. Jadi, di tahapan ini kamu harus melakukan audit untuk memastikan kelancaran proses pemindahan data. Baca Juga Saatnya Belajar SQL, Bahasa Pemrograman untuk Kelola Database Melakukan data migration memang tidak mudah karena membutuhkan strategi yang tepat dan ketelitian agar data tetap aman saat dipindahkan. Itulah mengapa dalam melakukan proses ini perlu diperhatikan baik-baik mulai dari jumlah data, pusat penyimpanan data yang baru, hingga para stakeholder-nya. Informasi seputar big data seperti data migration adalah hal yang penting untuk diketahui jika kamu tertarik dengan bidang yang satu ini. Selain membaca informasi di atas, kamu juga bisa mendapatkan ilmu soal pentingnya data dalam bisnis langsung dari ahlinya. Bagaimana caranya? Yuk, ikut kelas online Glints ExpertClass dan klik banner di bawah ini untuk bergabung! © Glints Data Migration Understanding Data Migration Strategy and Best Practices What is data migration?
Pernyataanini sama benarnya untuk jaringan yang paling sederhana — satu di mana satu tautan titik-ke-titik menghubungkan sepasang simpul — seperti halnya untuk internet di seluruh dunia.
METODE TRANSFER DATA Dma Controller Diagram A. MASUKAN/KELUARAN TERPROGRAM PROGRAMMED I/O Merupakan perangkat I/O komputer yang dikontrol oleh program. Contohnya adalah instruksi dalam bahasa mesin in, out, move. Ketika perangkat I/O menangani permintaan, maka register mengatur status perangkat. Perangkat tidak dapat memberi tahu ke pemroses saat tugas telah selesai dilakukan. Pemroses harus selalu memeriksa register untuk status perangkat. Software pengendali perangkat driver harus mentransfer data ke atau dari pengendali. Driver saling berkomuniksi dengan Driver Adapter untuk mengeksekusi perintah sampai operasi yang dilakukan selesai. Berikut 3 kategori instruksi yang wajib ada di dalam Driver 1. Pengendalian Instruksi untuk mengendalikan operasi perangkat keras main board Instruksi untuk mengaktifkan perangkat eksternal Instruksi untuk memberitahu tindakan apa yang perlu dilakukan perangkat keras dan external Reasoning. Contoh Unit DVD Drive di instruksikan untuk kembali ke posisi awal, menuju ke record berikutnya, atau tindakan lain. 2. Pengujian Instruksi-instruksi untuk memeriksa status perangkat keras dan berkaitan dengan perangkat I/O. 3. Pembacaan / Penulisan Instruksi-instruksi untuk membaca/menulis dari/ke perangkat keras Instruksi untuk transfer data antar register atau perangkat eksternal. Kelemahan Cara ini sangat tidak efisien dikarenakan banyak sekali waktu yang terbuang hanya untuk menunggu status perangakt keras atau selesainya operasi perangkat I/O. B. PERANGKAT BERKENDALIKAN INTERUPSI INTERRUPT I/O Interupsi merupakan mekanisme kompleks untuk mengkoordinir pengalihan I/O. Konsep interupsi banyak digunakan dalam Sistem Operasi maupun Aplikasi Kontrol, dimana subroutine tertentu harus diatur dengan seksama, relatif terhadap peristiwa-peristiwa eksternal tak terduga. Berikut ini adalah mekanisme Interrupt I/O Pemroses memberi instruksi ke perangkat I/O, lalu melanjutkan tugas lain. Perangkat I/O akan memberi instruksi untuk meminta layanan berikutnya, setelah status Ready untuk melakukan pertukaran data. Saat menerima interupsi perangkat keras, maka pemroses segera mendahulukan eksekusi untuk perangkat keras transfer data. Gambaran Proses Interupsi bisa terjadi apabila perangkat keras hardware atau perangkat lunak software minta “dilayani” olehprosesor. Apabila terjadi interupsi, maka prosesor menghentikan proses yang sedang dikerjakannya, kemudian beralih mengerjakan service routine interupsi tersebut. Setelah selesai, maka prosesor kembali melanjutkan proses yang tertunda. Untuk memulai operasi I/O, CPU me-load register yang sesuai untuk device controller. Sebaliknya device controller memeriksa isi register untuk kemudian menentukan operasi apa yang harus dilakukan. Pada saat operasi I/O dijalankan, maka akan ada dua kemungkinan, yaitu synchronous I/O dan asynchronous I/O. Pada synchronous I/O, kendali dikembalikan ke proses pengguna setelah proses I/O selesai dikerjakan. Sedangkan pada asynchronous I/O, kendali dikembalikan ke proses pengguna tanpa menunggu proses I/O selesai. Sehingga proses I/O dan proses pengguna dapat dijalankan secara bersamaan. Keunggulan Pemroses tidak disibukan dengan menunggu/menjaga seluruh operasi maupun status perangkat I/O. Teknik ini lebih baik dibandingkan dengan Teknik I/O terprogram. C. DMA DIRECT MEMORY ACCESS Adalah suatu metode penanganan I/O dimana device controller langsung berhubungan dengan memori tanpa campur tangan CPU. Setelah menyetel buffers, pointers, dan counters untuk perangkat I/O, device controller mentransfer blok data langsung ke penyimpanan tanpa campur tangan CPU. DMA digunakan untuk perangkat I/O dengan kecepatan tinggi. Hanya terdapat satu interupsi setiap blok, berbeda dengan perangkat yang mempunyai kecepatan rendah dimana interupsi terjadi untuk setiap byte word. Transfer DMA Untuk memulai sebuah transfer DMA, host akan menuliskan sebuah DMA command block yang berisi pointer yang menunjuk ke sumber transfer, tujuan/destinasi transfer, dan jumlah byte yang akan ditransfer, ke memori. CPU kemudian menuliskan alamat command block ini ke DMA controller, sehingga dapat segera mengoperasikan bus memori secara langsung dengan menempatkan alamat-alamat pada bus tersebut untuk melakukan transfer tanpa bantuan CPU. Ada 3 langkah dalam transfer DMA Prosesor menyiapkan DMA transfer, dengan cara menyediakan data-data dari device, operasi yang akan ditampilkan, alamat memori yang menjadi sumber dan tujuan data, dan banyaknya byte yang di transfer. DMA controller memulai operasi menyiapkan bus, menyediakan alamat, menulis dan membaca data, sampai seluruh blok sudah di transfer. DMA controller meng-interupsi prosesor, selanjutnya akan ditentukan tindakan apa berikutnya. Pada dasarnya, 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. Saat transfer masih dalam progress, sistem mikroprosessor di-set idle, tidak melakukan instruksi operasi untuk menjaga internal register. Tipe operasi DMA seperti ini ada pada kebanyakan komputer. Metode kedua, mengikut-sertakan DMA controller untuk memegang kontrol dari sistem bus untuk jangka waktu yang lebih pendek pada saat mikroprosessor sibuk dengan operasi internal dan tidak membutuhkan akses ke sistem bus. Metode DMA ini disebut Cycle Stealing Mode. Cycle Stealing DMA lebih kompleks untuk diimplementasikan dibandingkan HALT DMA, karena DMA controller harus mempunyai kecerdasan untuk memprediksi waktu terbukanya sistem Bus. Handshaking Proses handshaking antara DMA controller dengan device controller dilakukan melalui sepasang kabel yang disebut DMA-request dan DMA-acknowledge. Device controller mengirimkan sinyal melalui DMA-request, ketika akan mentransfer data sebanyak satu word. Kemudian hal ini akan mengakibatkan DMA controller memasukkan alamat-alamat yang dinginkan ke kabel alamat memori, dan mengirimkan sinyal melalui kabel DMA-acknowledge. Setelah diterima, device controller mengirimkan data yang dimaksud dan mematikan sinyal pada DMA-request. Hal ini berlangsung berulang-ulang sehingga disebut handshaking. sumber Post navigation
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.
Definisi - Apa yang dimaksud dengan Transfer Data? Transfer data adalah proses menggunakan teknik dan teknologi komputasi untuk mengirim atau mentransfer data elektronik atau analog dari satu node komputer ke node komputer lainnya. Data ditransfer dalam bentuk bit dan byte melalui media digital atau analog, dan proses ini memungkinkan komunikasi digital atau analog dan pergerakannya antar perangkat. Transfer data juga dikenal sebagai transmisi data. Techopedia menjelaskan Transfer Data Transfer data menggunakan berbagai format media komunikasi untuk memindahkan data antara satu atau lebih node. Data yang ditransfer dapat dari jenis, ukuran dan sifat apa saja. Transfer data analog biasanya mengirim data dalam bentuk sinyal analog, sementara transfer data digital mengubah data menjadi bit stream digital. Misalnya, transfer data dari server jarak jauh ke komputer lokal adalah jenis transfer data digital. Selain itu, transfer data juga dapat dilakukan melalui penggunaan lingkungan / mode tanpa jaringan, seperti menyalin data ke perangkat eksternal dan kemudian menyalin dari perangkat itu ke perangkat lain.
Ada3 mode transmisi data yang memungkinkan terjadinya aliran data, yaitu : 1. Simplex . transmisi data, dimana data hanya mengalir dalam satu arah pada jalur komunikasi data. Contoh : Stasiun radio dengan penerima radio, stasiun televisi dengan televisi di rumah, transfer data dari keyboard ke komputer, dll.
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™‚
AWSmemberikan portofolio transfer daya untuk memberikan solusi yang tepat bagi proyek migrasi data apa pun. Level konektivitas adalah faktor utama dalam migrasi data, dan AWS memiliki penawaran yang dapat memenuhi kebutuhan penyimpanan cloud hybrid, transfer data online, dan transfer data offline.
Packetswitching adalah metode transfer data antar jaringan dalam bentuk paket. Tujuannya untuk meminimalkan latency transmisi jaringan dan mempercepat proses transfer. Melalui metode ini, semua data akan dipecah menjadi potongan-potongan kecil dengan variabel panjang yang sering disebut Packet.
. s51g7089n0.pages.dev/167s51g7089n0.pages.dev/469s51g7089n0.pages.dev/443s51g7089n0.pages.dev/315s51g7089n0.pages.dev/336s51g7089n0.pages.dev/428s51g7089n0.pages.dev/140s51g7089n0.pages.dev/54
jenis metode transfer data pada platform ini adalah
