Apa saja struktur data Redis tingkat lanjut dan modul yang tersedia?

Question

Accepted Answer

Selain tipe inti, Redis menawarkan struktur khusus — **HyperLogLog**, **bitmap**, **geospasial**, **bitfield** — dan **modul** (RedisJSON, RediSearch, RedisTimeSeries, RedisBloom) yang memperluas Redis untuk kasus penggunaan khusus secara efisien.

## HyperLogLog — perkiraan hitungan unik

```bash
# count UNIQUE items using tiny, fixed memory (~12KB) with ~0.81% error
PFADD visitors:today "user1" "user2" "user3"
PFCOUNT visitors:today          # approximate count of unique visitors
PFMERGE visitors:week visitors:mon visitors:tue   # merge HLLs
# → counts millions of uniques in ~12KB (a Set would need huge memory!)
```

**HyperLogLog** memperkirakan kardinalitas (hitungan unik) menggunakan memori tetap yang sangat kecil — ideal untuk menghitung pengunjung unik, IP, atau peristiwa dalam skala besar di mana penghitungan tepat akan memerlukan memori yang sangat besar.

## Bitmap dan bitfield — bendera kompak

```bash
# bitmaps: bit-per-item flags (very memory-efficient)
SETBIT active:2024-01-15 1000 1      # mark user 1000 active today
BITCOUNT active:2024-01-15           # how many users were active (count set bits)
BITOP AND active:both d1 d2          # users active BOTH days (bitwise AND)
# → track daily active users for millions in a few KB per day
```

**Bitmap** menyimpan bendera bit-per-item dengan sangat kompak — sempurna untuk pelacakan pengguna aktif harian, bendera fitur per pengguna, dan kehadiran dalam skala besar.

## Geospasial — kueri lokasi

```bash
GEOADD places 13.361 38.115 "Palermo"      # add a location (lng, lat)
GEOSEARCH places FROMMEMBER "Palermo" BYRADIUS 200 km ASC   # find nearby
```

## Modul Redis — memperluas Redis

```text
RedisJSON      → store/query JSON documents natively (paths, partial updates)
RediSearch     → full-text search and secondary indexing on Redis data
RedisTimeSeries→ time-series data (metrics, IoT) with downsampling/aggregation
RedisBloom     → Bloom filters / Cuckoo filters (probabilistic membership)
RedisGraph (legacy), and others
→ Modules turn Redis into a multi-model platform (Redis Stack bundles popular ones).
```

## Mengapa ini penting

Memahami struktur data lanjutan Redis dan modul adalah pengetahuan tingkat senior yang berharga untuk **menyelesaikan masalah khusus secara efisien** dengan Redis, memperluas kemampuan Redis di luar tipe inti.

Struktur **probabilistik/kompak** sangat kuat untuk skala: **HyperLogLog** (memperkirakan hitungan unik dalam memori tetap kecil ~12KB, ideal untuk menghitung pengunjung/IP/peristiwa unik dalam skala besar di mana penghitungan tepat melalui set akan sangat mahal — keuntungan memori yang dramatis), **bitmap** (bendera bit-per-item menyimpan hal seperti pengguna aktif harian untuk jutaan dalam beberapa KB, dengan operasi bitwise yang efisien untuk analitik), dan **bitfield** — ini menyelesaikan masalah berskala besar nyata (kardinalitas, pelacakan kehadiran, bendera) dengan efisiensi memori yang luar biasa yang sulit dicapai sebaliknya. Dukungan **geospasial** memungkinkan kueri lokasi langsung di Redis.

**Modul** — RedisJSON (dokumen JSON asli), RediSearch (pencarian teks lengkap dan pengindeksan sekunder), RedisTimeSeries (time-series/metrik dengan agregasi), RedisBloom (filter keanggotaan probabilistik) — memperluas Redis menjadi **platform multi-model** (disertakan dalam Redis Stack), memungkinkannya menangani pencarian, JSON, time-series, dan kasus penggunaan probabilistik yang sebaliknya memerlukan sistem terpisah.

Memahami ini memungkinkan Anda memanfaatkan Redis untuk kebutuhan khusus secara efisien daripada mencari infrastruktur tambahan atau menerima memori/kinerja yang buruk.

Karena masalah khusus (penghitungan unik skala besar, pelacakan kehadiran, pencarian, time-series, JSON) muncul dalam sistem nyata, dan karena struktur lanjutan Redis (HyperLogLog, bitmap, geospasial) dan modul (RedisJSON, RediSearch, RedisTimeSeries, RedisBloom) menyelesaikannya secara efisien, memahami struktur data Redis lanjutan dan modul adalah pengetahuan tingkat senior yang berharga yang mengungkap kemampuan penuh Redis sebagai platform multi-model yang serbaguna, memungkinkan solusi yang elegan dan hemat memori untuk masalah khusus dan mencerminkan keahlian Redis yang mendalam di luar kasus penggunaan caching yang umum.