Google BigQuery vs Amazon Redshift 2026: Perbandingan Data Warehouse dan Pertanyaan Wawancara Data Analyst

Google BigQuery dan Amazon Redshift mendominasi pasar cloud data warehouse pada tahun 2026, masing-masing menawarkan keunggulan berbeda untuk beban kerja data analytics. Perbandingan ini mencakup perbedaan arsitektur, model harga, karakteristik performa, dan pertanyaan wawancara yang sering ditemui kandidat data analyst.

Perbedaan Arsitektur BigQuery dan Redshift

BigQuery menggunakan arsitektur serverless multi-tenant di mana storage dan compute terpisah sepenuhnya. Query dijalankan pada resource yang dialokasikan secara dinamis tanpa manajemen cluster apapun. Google menangani semua scaling infrastruktur, patching, dan optimasi secara otomatis.

Redshift beroperasi dengan model cluster provisioned menggunakan node dedicated. Storage dan compute terikat erat dalam node, meskipun Redshift Serverless kini menawarkan alternatif berbasis konsumsi. Tipe node RA3 memperkenalkan pemisahan managed storage, memungkinkan scaling independen untuk compute dan storage.

| Aspek | BigQuery | Redshift | |-------|----------|----------| | Deployment | Fully serverless | Provisioned clusters atau Serverless | | Storage-Compute | Terpisah sepenuhnya | Coupled (RA3 memisahkan managed storage) | | Scaling | Otomatis | Manual resize atau Concurrency Scaling | | Maintenance | Nol | Memerlukan maintenance windows | | Cold Start | Tidak ada | Waktu resume cluster jika di-pause |

Perbedaan arsitektur ini berdampak signifikan pada overhead operasional. BigQuery tidak memerlukan capacity planning, sementara Redshift membutuhkan keputusan sizing cluster dan penjadwalan maintenance yang berkelanjutan.

Model Harga: Pay-per-Query vs Provisioned Capacity

BigQuery membebankan biaya $6.25 per TB yang di-scan dalam mode on-demand per tahun 2026. Harga reserved capacity (flat-rate) menawarkan biaya bulanan yang dapat diprediksi untuk workload yang konsisten. Biaya storage adalah $0.02/GB/bulan untuk data aktif dan $0.01/GB/bulan untuk long-term storage setelah 90 hari.

-- BigQuery: Cek biaya query sebelum eksekusi
SELECT
  total_bytes_billed / POW(10, 12) AS tb_billed,
  (total_bytes_billed / POW(10, 12)) * 6.25 AS estimated_cost_usd
FROM `region-us`.INFORMATION_SCHEMA.JOBS_BY_PROJECT
WHERE job_id = 'your-job-id';

Harga Redshift bergantung pada tipe dan jumlah node. Node DC2 (dense compute) mulai dari $0.25/jam, sedangkan node RA3 dengan managed storage mulai dari $1.086/jam. Redshift Serverless membebankan biaya berdasarkan Redshift Processing Units (RPU) yang dikonsumsi.

Strategi optimasi biaya berbeda secara substansial. BigQuery memberi reward pada optimasi query melalui partitioning dan clustering, karena memindai lebih sedikit data secara langsung mengurangi biaya. Optimasi Redshift fokus pada right-sizing cluster dan memanfaatkan reserved instances untuk workload yang dapat diprediksi.

Perbedaan Sintaks SQL dan Fungsi

Kedua platform mendukung ANSI SQL, tetapi variasi sintaks ada untuk fitur-fitur lanjutan. Memahami perbedaan ini penting untuk pertanyaan wawancara SQL dan proyek migrasi.

-- BigQuery: Fungsi tanggal menggunakan EXTRACT dan DATE_TRUNC
SELECT
  DATE_TRUNC(order_date, MONTH) AS order_month,
  EXTRACT(DAYOFWEEK FROM order_date) AS day_of_week,
  COUNT(*) AS order_count
FROM `project.dataset.orders`
WHERE order_date >= DATE_SUB(CURRENT_DATE(), INTERVAL 1 YEAR)
GROUP BY 1, 2;

-- Redshift: Mirip tetapi menggunakan DATE_TRUNC dengan argumen string
SELECT
  DATE_TRUNC('month', order_date) AS order_month,
  EXTRACT(DOW FROM order_date) AS day_of_week,
  COUNT(*) AS order_count
FROM orders
WHERE order_date >= DATEADD(year, -1, CURRENT_DATE)
GROUP BY 1, 2;

Penanganan array dan struct menunjukkan perbedaan signifikan. BigQuery secara native mendukung nested dan repeated fields dengan operasi UNNEST. Redshift menangani data semi-structured melalui tipe SUPER dan sintaks PartiQL yang diperkenalkan dalam versi terbaru.

-- BigQuery: Bekerja dengan nested arrays
SELECT
  user_id,
  event.name AS event_name,
  event.timestamp AS event_time
FROM `analytics.events`,
UNNEST(events) AS event
WHERE DATE(event.timestamp) = CURRENT_DATE();

-- Redshift: Tipe SUPER dengan PartiQL
SELECT
  user_id,
  e.name AS event_name,
  e.timestamp AS event_time
FROM events_table AS t, t.events AS e
WHERE DATE(e.timestamp) = CURRENT_DATE;

Karakteristik Performa dan Optimasi Query

BigQuery unggul dalam query analitik ad-hoc pada dataset masif tanpa tuning. Model eksekusi berbasis slot mendistribusikan pekerjaan secara otomatis. Performa tetap konsisten tanpa memandang pengguna concurrent karena setiap query menerima resource dedicated dari slot pool.

Redshift memberikan performa superior untuk query yang dapat diprediksi dan berulang ketika di-tuning dengan benar. Distribution keys, sort keys, dan materialized views berdampak signifikan pada kecepatan query. Query planner menghasilkan rencana eksekusi yang dioptimasi berdasarkan statistik tabel.

-- Redshift: Mendefinisikan distribution dan sort keys
CREATE TABLE sales_fact (
  sale_id BIGINT,
  customer_id BIGINT,
  product_id BIGINT,
  sale_date DATE,
  amount DECIMAL(10, 2)
)
DISTKEY(customer_id)
SORTKEY(sale_date);

-- Redshift: Materialized view untuk query dashboard
CREATE MATERIALIZED VIEW daily_sales_summary AS
SELECT
  sale_date,
  COUNT(*) AS transaction_count,
  SUM(amount) AS total_revenue
FROM sales_fact
GROUP BY sale_date;

Optimasi BigQuery bergantung pada partitioning dan clustering. Partitioning mengurangi data yang di-scan berdasarkan rentang tanggal atau integer. Clustering mengurutkan data dalam partisi untuk query filter yang lebih cepat.

-- BigQuery: Tabel partitioned dan clustered
CREATE TABLE `project.dataset.sales_fact`
PARTITION BY DATE(sale_date)
CLUSTER BY customer_id, product_id
AS SELECT * FROM `project.dataset.raw_sales`;

Untuk strategi performance tuning pada topik terkait, panduan window functions dan CTE mencakup teknik optimasi query lanjutan.

Data Loading dan Integrasi ETL

BigQuery mendukung streaming inserts untuk data real-time dengan biaya $0.05 per GB, batch loading dari Cloud Storage secara gratis, dan native connectors untuk Dataflow dan Pub/Sub. BigQuery Data Transfer Service mengotomatisasi import terjadwal dari aplikasi SaaS.

-- BigQuery: Loading data dari Cloud Storage
LOAD DATA INTO `project.dataset.events`
FROM FILES (
  format = 'PARQUET',
  uris = ['gs://bucket/events/*.parquet']
);

Redshift terintegrasi erat dengan S3 melalui perintah COPY, yang memparalelkan data loading di seluruh node cluster. AWS Glue menyediakan managed ETL, sementara Redshift Spectrum melakukan query data S3 secara langsung tanpa loading.

-- Redshift: Perintah COPY dengan pengaturan optimal
COPY events
FROM 's3://bucket/events/'
IAM_ROLE 'arn:aws:iam::123456789:role/RedshiftS3Access'
FORMAT AS PARQUET
COMPUPDATE ON
STATUPDATE ON;

Kedua platform kini mendukung format tabel Apache Iceberg untuk data lake eksternal. BigQuery BigLake dan Redshift Spectrum memungkinkan analitik terpadu di seluruh storage data warehouse dan data lake.

Pertanyaan Wawancara: Perbandingan BigQuery vs Redshift

Wawancara data analyst sering menguji pemahaman tentang tradeoff cloud data warehouse. Pertanyaan-pertanyaan ini muncul dalam peran yang memerlukan keahlian platform cloud.

Pertanyaan 1: Kapan Anda akan merekomendasikan BigQuery dibanding Redshift?

Rekomendasikan BigQuery ketika organisasi membutuhkan operasi serverless tanpa manajemen infrastruktur, harga pay-per-query cocok untuk workload yang tidak dapat diprediksi atau bersifat spiky, platform data sudah berjalan di GCP, atau tim membutuhkan hasil query langsung pada data skala petabyte tanpa delay provisioning cluster.

Pertanyaan 2: Bagaimana alokasi slot bekerja di BigQuery?

BigQuery mengalokasikan slot (unit kapasitas komputasi) ke query secara dinamis. Query on-demand berbagi pool sebanyak 2.000 slot per proyek. Setiap slot merepresentasikan kira-kira satu virtual CPU dengan streaming access ke Colossus (distributed storage). Query kompleks yang memerlukan lebih banyak paralelisme menerima slot secara proporsional lebih banyak hingga kapasitas yang tersedia habis.

Pertanyaan 3: Jelaskan distribution styles Redshift dan kapan menggunakan masing-masing.

Redshift menawarkan empat distribution styles:

• KEY: Mendistribusikan baris berdasarkan hash dari kolom yang ditentukan. Gunakan untuk tabel fakta besar yang sering di-join pada kolom tersebut.
• EVEN: Mendistribusikan baris secara round-robin di seluruh node. Gunakan untuk tabel tanpa pola join yang jelas.
• ALL: Menyalin seluruh tabel ke setiap node. Gunakan untuk tabel dimensi kecil yang di-join dengan fakta besar.
• AUTO: Membiarkan Redshift memilih berdasarkan ukuran tabel dan pola query.

Pertanyaan 4: Bagaimana cara mengoptimasi biaya query di BigQuery?

Optimasi biaya BigQuery dengan mem-partition tabel pada kolom tanggal yang sering di-filter, clustering pada kolom filter dengan high-cardinality, menghindari query SELECT *, menggunakan fungsi approximate aggregation (APPROX_COUNT_DISTINCT) untuk analisis eksploratif, mematerialisasi hasil intermediate untuk komputasi berulang, dan menyiapkan cost controls dengan custom quotas.

Pertanyaan 5: Tools monitoring apa yang tersedia untuk performa Redshift?

Redshift menyediakan system tables dan views untuk performance monitoring: STL_QUERY mencatat detail eksekusi query, STL_WLM_QUERY menampilkan statistik workload management, SVL_QUERY_REPORT menampilkan metrik level step, dan CloudWatch metrics melacak health cluster-level. Performa query dapat menurun ketika operasi vacuum tertunda atau ketika statistik tabel menjadi stale.

Kapabilitas Keamanan dan Compliance

Kedua platform mendukung column-level encryption, VPC isolation, dan audit logging. BigQuery menerapkan fine-grained access melalui IAM dan column-level security policies. Data masking dan row-level security memungkinkan arsitektur multi-tenant.

Redshift menawarkan kontrol serupa melalui integrasi IAM, column-level access control, dan dynamic data masking. Cross-region snapshot replication mendukung persyaratan disaster recovery.

Kedua platform mempertahankan sertifikasi compliance SOC 1/2/3, ISO 27001, HIPAA, dan PCI DSS. Feature parity ada untuk sebagian besar persyaratan keamanan enterprise, membuat pilihan bergantung pada hubungan cloud provider yang ada daripada kapabilitas keamanan.

Pertimbangan Migrasi dan Pendekatan Hybrid

Migrasi antar platform memerlukan penanganan perbedaan dialek SQL, pemetaan tipe data, dan penulisan ulang workflow ETL. BigQuery Migration Service menilai workload Redshift dan mengotomatisasi translasi SQL. AWS Database Migration Service menangani arah sebaliknya.

Banyak organisasi mengadopsi strategi hybrid, melakukan query di kedua platform melalui kapabilitas federated query. BigQuery Omni berjalan pada infrastruktur AWS, memungkinkan SQL BigQuery terhadap data S3. Data sharing Redshift mendukung federasi query cross-account dalam AWS.

Tim data analytics semakin memilih berdasarkan investasi cloud yang ada daripada keunggulan teknis. Kedua platform terus menambahkan fitur yang mengatasi keterbatasan historis, mempersempit kesenjangan fungsional.

Kesimpulan

• BigQuery cocok untuk tim yang memprioritaskan kesederhanaan serverless dan workload variabel dengan billing pay-per-query
• Redshift cocok untuk organisasi dengan query volume tinggi yang dapat diprediksi di mana provisioned capacity memberikan keuntungan biaya
• Perbedaan sintaks SQL memerlukan perhatian selama perencanaan migrasi dan pelatihan tim
• Pendekatan optimasi performa berbeda secara fundamental: BigQuery menekankan partitioning dan clustering, Redshift memerlukan distribution keys dan sort keys
• Pertanyaan wawancara fokus pada tradeoff arsitektural, strategi optimasi biaya, dan teknik tuning spesifik platform
• Kapabilitas keamanan dan compliance sebanding; integrasi ekosistem cloud sering mendorong pemilihan platform