Apa Itu Sharding?

Sharding adalah konsep rekayasa software yang berkaitan dengan struktur data, pemrograman, arsitektur, pengujian, deployment, atau operasi sistem untuk membangun aplikasi yang dapat dipelihara. Nilai utamanya terlihat saat software engineer, architect, QA, DevOps, dan product team harus menghubungkan kebutuhan nyata dengan rekayasa perangkat lunak, arsitektur, testing, deployment, dan operasi, data yang tersedia, serta batasan operasional.

Agar tidak menjadi istilah teoritis, tim dapat mendokumentasikan keputusan, baseline, dan perubahan yang dilakukan. Gunakan lead time, deployment frequency dan defect rate sebagai indikator, lalu periksa kembali apakah hasilnya benar-benar mendukung tujuan awal.

1. Untuk Sharding, tentukan konteks penggunaan Sharding dan keputusan apa yang perlu dibantu oleh istilah ini.
2. Identifikasi komponen yang terlibat, misalnya requirement, code, dan source code.
3. Terapkan pada ruang lingkup yang jelas dan dokumentasikan asumsi agar tim memakai definisi yang sama.
4. Evaluasi dampaknya menggunakan indikator seperti lead time dan deployment frequency.

• Membantu memisahkan masalah data, proses, teknologi, dan keputusan sehingga perbaikannya lebih tepat sasaran.
• Memudahkan evaluasi karena perubahan dapat dibandingkan terhadap baseline dan indikator yang disepakati.
• Membuat hasil Sharding dapat ditinjau bersama indikator seperti lead time, deployment frequency, dan defect rate.
• Membuat eksperimen dan perbaikan berikutnya lebih cepat karena pembelajaran sebelumnya terdokumentasi.

Tim biasanya membutuhkan Sharding ketika tim perlu memilih trade-off antara performa, kompleksitas, biaya, dan maintainability. Gunakan source code untuk menyamakan konteks, data, dan keputusan yang akan diambil. Hasilnya dapat ditinjau melalui lead time dan deployment frequency.

Sebagai contoh praktis, tim perlu memilih trade-off antara performa, kompleksitas, biaya, dan maintainability. Tim menguji Sharding dengan data atau skenario representatif, mencatat temuan pada runbook, lalu memverifikasi apakah test coverage membaik tanpa merusak lead time. Pembelajaran akhirnya dimasukkan ke CI pipeline.

• Menerapkan Sharding tanpa menjelaskan tujuan, baseline, dan keputusan apa yang akan dipengaruhi.
• Menerapkan aturan yang sama ke seluruh kasus meskipun konteks, audiens, atau batasannya berbeda.
• Menggunakan data yang periodenya, definisinya, atau sumbernya berbeda lalu membandingkannya seolah setara.
• Mengejar satu metrik sambil mengabaikan kualitas, biaya, pengalaman pengguna, atau risiko.