Aplikasi Internet of Things (IoT) telah banyak dikembangkan pada beberapa tahun belakangan ini. IoT merupakan sebuah kesatuan koneksi dari sejumlah perangkat pintar yang berupa sensor, aktuator dan berbagai software yang dapat bertukar data dengan menggunakan koneksi Internet. Dengan berkembangnya aplikasi IoT pada masa ini, dalam waktu dekat, IoT akan memiliki banyak aplikasi di berbagai domain yang tentunya akan menghasilkan data dalam jumlah besar. Dengan generasi data yang beragam dan berkelanjutan, beberapa masalah muncul dalam hal penyimpanan, pentransferan data dan pengelolaan data secara efisien. Dengan adanya tantangan pada penyimpanan data yang besar pada aplikasi IOT, maka penelitian ini dilakukan untuk menemukan sistem basis data yang sesuai untuk digunakan dalam aplikasi IOT pada umumnya. Tulisan ini akan fokus kepada perbandingan dua buah sistem yakni sistem basis data tradisional yang menggunakan basis data Structured Query Language (SQL) dan basis data NoSQL. Selain itu, tulisan ini juga dibuat untuk mengkaji lebih dalam tentang basis data (SQL/NOSQL) yang paling cocok digunakan untuk aplikasi IoT secara umum dengan beberapa kriteria penggunaan yang berbeda. SQL telah lama digunakan oleh pengguna selama ini pada aplikasi-aplikasi diluar IOT dan memiliki kesederhanaan, ketahanan, fleksibilitas, skalabilitas dan kinerja yang telah teruji, akan tetapi batasan utama yang ada pada sistem basis data ini adalah skema statis yang membuat RDBMS tidak lagi cocok untuk aplikasi IoT. Di sisi lain yang muncul di pasar diklaim memiliki kinerja yang lebih baik daripada database SQL. Basis data NoSQL bersifat nonrelasional, memiliki skema yang bebas, tanpa penggabungan, dukungan replikasi yang mudah, skalabiloitas yang luas, dll.

Penelitian ini bertujuan untuk melakukan analisis design pada sistem basis data yang digunakan pada smarthome melalui pendekatan ERD (Entity Relational Diagram). Dengan adanya penulisan ini diharapkan pengembangan smarthome dapat merujuk pada model basis data yang telah dilakukan dan berkonsentrasi pada pengembangan sistem yang lain pada smarthome. Sistem smarthome yang kami kemukakan disini terdiri atas 4 bagian utama yakni: Sensor/Aktuator, MCU, Layanan awan dan Aplikasi klien jarak jauh. Dari sistem inilah kemudian disusun basis data yang diperlukan sehingga menjadi sebuah basis data dasar yang dapat digunakan sebagai dasar pembuatan basis data pada smarthome, dan dikembangkan untuk sistem yang lebih kompleks nantinya. Penelitian ini telah berhasil membuat sebuah design basis data sesuai yang diharapkan dengan menggunakan metode literature review terhadap penelitian-penelitian sebelumnya. Kedepanya penelitian ini dapat dilanjutkan dengan menambahkan penyimpanan basis data untuk notifikasi/peringatan dari peralatan-peralatan ataupun sensor yang ada pada smarthome

The density of traffic flow is a problem for every big city, especially as it is easy to have a private vehicle, causing the flow to increase every year. So to overcome traffic flow, a system that can make optimal traffic performance is needed is needed. The purpose of this study is to determine whether the road conditions are empty, smooth, dense and very congested so as to produce a prediction of road options whether to continue passing the road or find another way, as well as to test the accuracy of traffic flow using the naive bayes method and the liner model. The classification stages carried out are data input, data preprocessing, classification, and the results of accuracy, precision, and recall. And the results of this study the naive bayes method obtained higher accuracy than the linear model, namely for naive bayes accuracy 95.70%, precision 95.67%, and recall 100%, while for naive bayes accuracy 92.10%, precision 95.68%, and recall 96.20%. then the result is the naive bayes method is superior in the traffic flow data classification process. And the results of decision making obtained results from traffic flow data obtained that the road is empty so that the road can be passed without having to find another way.  Keywords  - Classification, Naive Bayes, Traffic, Linear Model, Flow Density AbstrakKepadatan arus lalu lintas menjadi masalah setiap kota-kota besar, apalagi seiring mudah nya dalam memiliki kendaraan pribadi sehingga menimbulkan arus yang meningkat pada setiap tahunnya. Maka untuk penanggulangan arus lalu lintas dibutuhkan sistem yang bisa membuat kinerja lalu lintas yang optimal. Tujuan penelitian ini adalah mengetahui kondisi jalan apakah lengang, lancar, padat dan sangat padat sehingga menghasilkan prediksi opsi jalan apakah tetap melewati jalan tersebut atau mencari jalan lain, serta menguji tingkat akurasi arus lalu lintas menggunakan metode naive bayes dan model liner. Dengan tahapan klasifikasi yang dilakukan yaitu input data, preprocessing data, klasifikasi, dan hasil accuracy, precision, dan recall. Dan hasil penelitian ini metode naive bayes mendapatkan accuracy lebih tinggi dari model linier yaitu untuk naive bayes accuracy 95.70%, precision 95.67%, dan recall 100%, sedangkan untuk naive bayes accuracy 92.10%, precision 95.68%, dan recall 96.20%. maka hasilnya metode naive bayes lebih unggul dalam proses klasifikasi data arus lalu lintas. Dan hasil dari pengambilan keputusan didapat hasil dari data arus lalu lintas didapatkan jalan tersebut lengang sehingga jalan tersebut dapat dilalui tanpa harus mencari jalan lain. Kata Kunci -    Klasifikasi, Naive Bayes, Lalu Lintas, Model Linier, Kepadatan Arus