Memproses big data di MacBook termurah

 (duckdb.org)
4 poin oleh GN⁺ 2026-03-13 | 2 komentar | Bagikan ke WhatsApp
  • Hasil pengukuran seberapa baik MacBook Neo terbaru menangani workload database dengan benchmark ClickBench dan TPC-DS SF300
  • Model dengan chip Apple A18 Pro 6-core, memori 8GB, dan SSD 512GB digunakan dalam eksperimen, dengan pengujian memakai DuckDB v1.5.0 dan v1.4.4 LTS
  • Pada ClickBench, MacBook Neo menunjukkan hasil lebih cepat daripada instance cloud pada cold run, yang dianalisis berkat kecepatan akses lokal NVMe SSD
  • Pada uji TPC-DS SF300, di beberapa kueri terjadi disk spilling hingga 80GB, tetapi semua kueri selesai dalam 79 menit dengan stabil
  • Meski ada batasan untuk pekerjaan big data sehari-hari, perangkat ini terbukti cukup layak sebagai laptop untuk klien DuckDB

Spesifikasi MacBook Neo dan tujuan pengujian

  • MacBook Neo yang dirilis Apple diperkenalkan untuk pelajar dan penulis, tetapi tim DuckDB memverifikasi performanya sesuai filosofi "big data di laptop"
    • Model yang dijual di Eropa tidak menyertakan charger, hanya unit laptop dan kabel USB-C
    • Opsi yang tersedia hanya SSD 256GB atau 512GB, dan pengujian memakai model 512GB
  • Dibekali memori 8GB dan chip Apple A18 Pro (6-core)
    • iPhone 16 Pro yang memakai chip yang sama sebelumnya pernah menyelesaikan TPC-H SF100 dalam waktu kurang dari 10 menit pada pengujian terdahulu

Benchmark ClickBench

  • ClickBench adalah benchmark database analitik yang menjalankan 43 kueri pada satu tabel berisi 100 juta baris
    • Ukurannya 14GB dalam format Parquet dan 75GB dalam CSV
  • DuckDB v1.5.0 di-port ke macOS untuk dijalankan, dengan batas memori disetel ke 5GB agar ketergantungan pada swap berkurang
  • Pembanding:
    • MacBook Neo (2P+4E core, RAM 8GB)
    • AWS c6a.4xlarge (16 vCPU, RAM 32GB)
    • AWS c8g.metal-48xl (192 vCPU, RAM 384GB)

Hasil dan analisis

  • Hasil cold run:
    • MacBook Neo menyelesaikan semua kueri dalam kurang dari 1 menit, dengan median 0,57 detik sehingga menjadi yang tercepat
    • Instance cloud lebih lambat karena latensi network storage
  • Hasil hot run:
    • Total waktu eksekusi MacBook Neo membaik sekitar 10%
    • c8g.metal-48xl menjadi yang tercepat secara keseluruhan, tetapi MacBook Neo unggul atas c6a.4xlarge dalam median
    • Total waktu eksekusinya sekitar 13% lebih lambat daripada c6a.4xlarge

Benchmark TPC-DS

  • Menggunakan DuckDB v1.4.4 LTS, dengan batas memori 6GB
  • SF100:
    • Waktu kueri median 1,63 detik, total 15,5 menit
  • SF300:
    • Waktu kueri median 6,90 detik
    • Terjadi disk spilling hingga maksimum 80GB
    • Kueri nomor 67 memakan waktu 51 menit, dan semua kueri selesai dalam 79 menit

Hal yang perlu dipertimbangkan sebelum membeli

  • Untuk pemrosesan big data berkelanjutan, disk I/O (1,5GB/s) dan memori 8GB menjadi faktor pembatas
    • Model Air atau Pro (3–6GB/s), atau laptop berbasis OS lain, lebih cocok
  • Namun, jika DuckDB dijalankan di cloud dan perangkat lokal dipakai sebagai klien, MacBook Neo tetap cukup berguna
    • Juga mampu menangani pemrosesan data lokal sesekali dengan stabil

Kesimpulan

  • MacBook Neo mampu menuntaskan workload data skala besar berbasis DuckDB meski merupakan laptop kelas terjangkau
  • Dibandingkan dengan lingkungan cloud, keunggulan SSD lokal terlihat jelas
  • Perangkat ini dinilai sebagai spesifikasi minimum yang tetap memungkinkan pengembang atau analis data mendapatkan portabilitas sekaligus performa untuk eksperimen

Bacaan terkait

2 komentar

 
GN⁺ 2026-03-13
Komentar Hacker News

  • Saya ingin mencoba melakukan ‘pekerjaan pengembangan sungguhan’ dengan MacBook Neo kecil ini
    Saya membuat beberapa aplikasi iOS dengan M1 MacBook Air, dan melewati dua proses akuisisi startup
    Mengedit video balapan 4K berdurasi 30–45 menit di FCP juga tidak bermasalah, dan Neo menunjukkan performa yang lebih baik daripada Air tersebut

    • Dulu saya mengembangkan backend PHP dan frontend jQuery dengan laptop bekas berkeyboard Norwegia
      Proyek-proyek yang saya buat dengannya menjadi batu loncatan untuk mendapatkan pekerjaan pertama saya sebagai developer, dan pada hari itulah saya pertama kali mengenal Hacker News
      Pada akhirnya, yang penting adalah eksekusi, bukan hardware
    • Saat liburan, saya pernah ngoding bukan dengan laptop, melainkan kombinasi Galaxy S22 + adaptor HDMI + keyboard Bluetooth
      Saya menghubungkannya ke TV dan mengembangkan Elixir dengan neovim dan termux, dan test selesai dalam 5 detik
      Build Rust memang lambat, tetapi berkat portabilitas dan efisiensi baterainya, pengalaman itu cukup menyenangkan
    • Saya masih memakai Intel MacBook Pro(16GB) keluaran 2019
      Tetap sanggup menjalankan build Xcode, Docker, Claude Code, dan Codex secara bersamaan
      Hanya saja suara kipasnya setara jet, jadi saya memesan M5 Max 16" MBP(48GB) baru
      Karena saya upgrade setiap 7 tahun, kemungkinan kali ini juga akan dipakai lama
    • Saya membangun aplikasi iOS selama setahun dengan M1 Mac Mini(8GB)
      Saat build memang agak tersendat, dan saat berpindah ke Firefox, perpindahan tab jadi lebih lambat, tetapi tetap sangat memungkinkan
      Saat melakukan pekerjaan yang sama di Intel MacBook Pro(16GB), semuanya terasa jauh lebih mulus dan nyaman
      Perbedaan responsivitas OS terasa cukup besar
    • Orang-orang sering meremehkan memori 8GB
      Berkat compressed memory, secara efektif ia bisa menampung data 2–3 kali lebih banyak, dan berkat NVMe SSD, pembacaan swap juga cepat
      Justru yang benar-benar disayangkan adalah tidak adanya lampu latar keyboard

  • Saat mengajar, saya membagi data seperti ini — kalau semuanya muat di memori satu mesin, itu Small data; kalau muat di disk, itu Medium data; kalau lebih dari itu, barulah Big data
    Baru-baru ini saya memodernisasi aplikasi Python berusia 20 tahun dan membuat backend-nya bisa diganti dengan polars atau duckDB, hasilnya kecepatan naik 40–80 kali lipat
    Pekerjaan ini hanya memakan waktu dua hari

    • Sekarang satu sistem bahkan bisa dipasangi 64TB DDR5 RAM, jadi kalau bukan skala data lake, hampir semuanya masuk kategori Small data
    • Saya penasaran kenapa perbedaannya bisa sebesar itu dengan polars
      Jika digunakan dengan benar memang cepat, tetapi kalau salah pakai performanya bisa turun drastis
    • Tautan klasik tapi masih relevan: Your Data Fits in RAM
      Walau mahal, sebagian besar masalah masih muat di RAM
    • Berkat NVMe, akses disk jadi jauh lebih cepat, sehingga definisi ‘Medium data’ pun makin kabur
      Infrastruktur Big Data ala tahun 2000-an sekarang terasa sudah usang

  • Saya melihat tulisan benchmark mobile DuckDB dan kepercayaan saya jadi menurun
    Membandingkan aplikasi Swift dengan aplikasi CLI terasa seperti membandingkan apel dan pisang

    • Tetapi eksperimen itu memang menjalankan aplikasi CLI lokal di smartphone
      Itu bukan perbandingan iPhone vs Android, melainkan perbandingan dengan sistem dari makalah riset pemrosesan kueri tervektorisasi

  • Ini juga bisa dibaca sebagai kritik terhadap performa komputasi AWS

    • AWS memakai EBS network storage, jadi latensinya jauh lebih tinggi dibanding bus PCIe lokal
      Terutama pada beban akses acak, perbedaannya sangat besar
    • Tapi bukankah AWS tetap lebih cepat daripada laptop?
      Hanya karena network disk lambat, agak sulit menjadikannya kritik untuk AWS secara keseluruhan
      AWS juga punya instance dengan SSD lokal
    • Tetapi cloud tetap terlalu mahal
      Laptop M1 Max saya mengungguli sebagian besar instance cloud
      Harga bandwidth bahkan bisa beda sampai 10 ribu kali, dan sekarang mayoritas generasi developer hanya mengenal cloud SaaS
      Saya melihat langsung perubahan itu secara real time
    • Sebenarnya isi artikelnya justru kebalikannya
      “Kalau Anda mengerjakan Big Data setiap hari di laptop, Neo tidak cocok”
      “Namun jika Anda menjalankan DuckDB di cloud dan memakai laptop hanya sebagai klien, itu pilihan yang sangat bagus” itulah inti pesannya

  • Saya seorang ekolog yang miskin, tetapi dengan komputer kecil ini saya bisa menangani semua pekerjaan R dan Word
    Saya sangat puas dengan kualitas build yang matang dibanding harganya

    • Apakah Anda sedang meneliti kerang?
      Program riset kerang yang didanai pemerintah di daerah kami hampir semuanya sudah dihentikan, sayang sekali
    • Tapi Anda sudah membelinya? Saya kira masih tahap pre-order

  • Saya benar-benar menyukai DuckDB
    Saya pernah membuat PoC di AWS Lambda untuk memproses data yang disimpan dalam format GZ di S3,
    dan berhasil mengganti 400 baris kode C# menjadi 10 baris
    Ini alat open source yang luar biasa

    • Menurut saya ini salah satu hadiah open source terbaik yang muncul dalam beberapa tahun terakhir

  • Saya berharap orang-orang yang bilang ‘di 2026 mau ngapain dengan 8GB’ membaca tulisan seperti ini

  • Saya berharap lebih banyak perusahaan membuat showcase performa hardware umum seperti ini
    Menunjukkan beban nyata seperti apa yang bisa ditangani memang sangat bermanfaat

  • Saat benchmark, seharusnya yang dipakai adalah instance NVMe lokal (c8gd.4xlarge)

    • Poin yang bagus, jadi saya benar-benar menguji ulang dengan c8gd.4xlarge (950GB NVMe) dan c5ad.4xlarge (konfigurasi RAID 0)
      Saya juga membandingkannya dengan hasil lokal MacBook M1 Max(64GB, 10-core) saya
      Hasilnya, M1 Max tetap lebih cepat daripada instance cloud
      Dengan M5 Pro/Max terbaru, selisihnya kemungkinan akan lebih besar lagi
    • Namun NVMe lokal di AWS adalah penyimpanan volatil, jadi data harus diunggah lebih dulu setiap kali
      Meski begitu, untuk tujuan benchmark justru ini hampir ideal
    • Hanya saja, saat pemadaman total satu region, jaminan persistensi data masih belum jelas
      Jika menginginkan durabilitas penuh, WAL streaming tetap dibutuhkan

  • Bagus bahwa ada yang langsung menangkap fakta bahwa instance cloud memakai network disk
    Kalau begitu, saya penasaran kenapa benchmark tidak diulang dengan instance local storage (c8id.2xlarge, c8id.4xlarge)
 
dkang 2026-03-14

Ada komentar yang menanyakan apakah peneliti miskin bidang ekologi itu peneliti kerang karena ID-nya clamlady (saya masuk untuk melihat teks aslinya karena penasaran, mengira “kerang” itu salah terjemahan).