VISUALISASI DAN INTEPRETASI DATABASE ENGINE WEBSITE PENILAI KINERJA KARYAWAN BERBASIS ONLINE TRANSACTION PROCESSING (OLTP)
Abstract
Data merupakan sesuatu yang dapat dimanipulasi dengan operasi create, read, update, dan delete pada system basis data. Operasi pada sisi Online Transaction Processsing (OLTP) dapat menjadi perantara operasi manipulasi data dan potensi tindak kejahatan yang dapat dimanfaatkan oleh seseorang. Paper ini menjelaskan mengenai analisis visual dan intepretasi data yang tersimpan dalam database MariaDB melalui database engine InnoDB yang digunakan pada aplikasi website penilai kinerja karyawan berbasis OLTP. Intepretasi datanya focus kepada log data, artefak data serta temuan historis data. Analisa record database dilakukan dengan mengambil cluster dalam database terakusisi. Intepretasi dari temuan log data diperlukan untuk menganalisa keaslian data dan perubahan data yang bertujuan memberikan bukti kepada manajer tingkat atas bahwasanya website (MVC) penilaian kinerja karyawan di sebuah perusahaan sesuai dengan metode yang disepakati dan sesuai Standart Operational Procedure (SOP) dan apabila terjadi perubahan pada transaksi online aplikasi web dapat dilacak dan diketahui.
References
S. Das and T. Nayak, “Impact Of Cyber Crime : Issues And Challenges,” vol. 6, no. 2, pp. 142–153, 2013.
M. Computing, “Cyber Space Technology : Cyber Crime , Cyber Security And Models Of Cyber Solution , A Case Study Of Nigeria,” Int. J. Comput. Sci. Mob. Comput., vol. 6, no. 11, pp. 94–113, 2017.
G. Aryotejo and D. Yeri, “Rule Based Reasoning Method for Safety Room by Means of Temperature Sensor and Motion Detector,” Adv. Sci. Lett., vol. 23, pp. 2481–2483, 2017.
Z. Ding, Z. Wei, and H. Chen, A software cybernetics approach to self-tuning performance of on-line transaction processing systems, vol. 124. Elsevier Inc., 2017.
X. Tan, D. C. Yen, and X. Fang, “Web warehousing: Web technology meets data warehousing,” Technol. Soc., vol. 25, no. 1, pp. 131–148, 2003.
Y. Bassil, “A Comparative Study on the Performance of the Top DBMS Systems,” arXiv Prepr. arXiv1205.2889, vol. 1, pp. 20–31, 2012.
H. K. Khanuja and D. S. Adane, “A framework for database forensic analysis,” Comput. Sci. Eng. An Int. J., vol. 2, no. 3, pp. 27–41, 2012.
M. Shen, M. Chen, M. Li, and L. Liu, “Research of Least Privilege for Database Administrators,” Int. J. Database Theory Appl., vol. 6, no. 6, pp. 39–50, 2013.
P. Frühwirt, M. Huber, M. Mulazzani, and E. R. Weippl, “InnoDB database forensics,” Proc. - Int. Conf. Adv. Inf. Netw. Appl. AINA, vol. 386, pp. 1028–1036, 2010.
A. Kerne, S. M. Smith, E. Koh, H. Choi, and R. Graeber, “An experimental method for measuring the emergence of new ideas in information discovery,” Int. J. Hum. Comput. Interact., vol. 24, no. 5, pp. 460–477, 2008.
G. Horsman, “Framework for Reliable Experimental Design (FRED): A research framework to ensure the dependable interpretation of digital data for digital forensics,” Comput. Secur., vol. 73, pp. 294–306, 2018.
H. Mohammed, N. Clarke, F. Li, and J. V11n2, “An Automated Approach for Digital Forensic Analysis of Heterogeneous Big DataAn Automated Approach for Digital Forensic Analysis of… An Automated Approach For Digital Forensic Analysis Of Heterogeneous Big Data,” J. Digit. Forensics, Secur. Law JDFSL, vol. 11, no. 2, 2016.
I. F. E. Kurdiat, N. Widiyasono, and H. Mubarok, “Analisis Proses Investigasi Dekstop PC Yang Terhubung Layanan Private Cloud,” J. Tek. Inform. dan Sist. Inf., vol. 2, no. 2, pp. 221–230, 2016.
D. J. Daniels and S. V Hart, Forensic Examination of Digital Evidence : A Guide for Law Enforcement, vol. 44, no. 2. 2004, pp. 634–111.
