Apache Iceberg 2026: Standar Lakehouse Terbuka yang Menggulingkan Data Warehouse Tradisional

Tiga tahun lalu, memilih antara data lake dan data warehouse adalah debat hangat di setiap ruang rapat arsitektur data. Tahun 2026, debat itu praktis berakhir. Gartner memasukkan data and analytics platform convergence sebagai salah satu tren utama 2026, dan indikator pasar seperti Red9 Database Popularity Index edisi Juni 2026 menunjukkan lonjakan adopsi format tabel terbuka di atas object storage. Di tengah konvergensi itu, satu nama mendominasi: Apache Iceberg. Format tabel terbuka ini bukan sekadar proyek Apache lain; ia telah menjadi tulang punggung lakehouse modern yang digunakan dari startup hingga bank besar di Indonesia.

Apa Sebenarnya Apache Iceberg?

Iceberg adalah open table format yang berjalan di atas object storage seperti Amazon S3, Google Cloud Storage, MinIO, atau Ceph lokal. Berbeda dengan format file mentah (Parquet, ORC, Avro) yang hanya menyimpan baris dan kolom, Iceberg menambahkan lapisan metadata yang memberi kemampuan tingkat enterprise: transaksi ACID, snapshot, dan katalog tabel. Hasilnya, object storage murah berubah menjadi "database" yang andal tanpa mengunci Anda pada satu mesin komputasi.

Kunci arsitekturnya adalah pemisahan storage dan compute. Data fisik disimpan sebagai file Parquet di object storage. Metadata Iceberg mencatat setiap file, partisi, dan snapshot dalam manifest. Engine apa pun—Apache Spark, Trino, ClickHouse, DuckDB, hingga layanan tertutup seperti Snowflake dan Databricks—dapat membaca tabel yang sama. Inilah yang membedakannya dari gudang data lama yang menggabungkan penyimpanan dan komputasi dalam satu sistem tertutup dan mahal.

Keunggulan yang Mengubah Permainan

Tiga fitur Iceberg menjelaskan mengapa ia menggantikan pendekatan lama. Pertama, time travel — setiap perubahan disimpan sebagai snapshot, sehingga Anda bisa menanyakan tabel persis seperti keadaannya kemarin atau sebulan lalu. Kedua, schema dan partition evolution tanpa rewrite data besar-besaran. Ketiga, hidden partitioning yang menyembunyikan detail partisi dari query, sehingga analis menulis SQL biasa tanpa perlu tahu kolom partisi.

Berikut contoh membuat tabel Iceberg dan memanfaatkan time travel di Trino:

-- Membuat tabel lakehouse di object storage
CREATE TABLE iceberg.sales.orders (
  order_id   BIGINT,
  cust_id    BIGINT,
  amount     DECIMAL(12,2),
  region     VARCHAR,
  order_ts   TIMESTAMP
)
WITH (
  format = 'PARQUET',
  partitioning = ARRAY['region', 'day(order_ts)']
);

-- Melihat snapshot yang tersedia
SELECT snapshot_id, committed_at
FROM iceberg.sales."orders$snapshots";

-- Time travel: data per 1 Juli 2026
SELECT SUM(amount)
FROM iceberg.sales.orders
FOR TIMESTAMP AS OF TIMESTAMP '2026-07-01 00:00:00';

Blok di atas menunjukkan sesuatu yang mustahil di gudang data tradisional tanpa salinan mahal: mengambil nilai agregat persis di titik waktu tertentu, langsung dari storage objek.

"Di 2026, pertanyaan bukan lagi apakah menggunakan lakehouse, melainkan format tabel mana. Iceberg menang karena ia terbuka—tidak ada yang bisa mengunci data Anda, dan engine bisa diganti sesering yang bisnis butuhkan."

Katalog REST: Kunci Interoperabilitas

Format tabel saja tidak cukup; Anda butuh katalog yang mencatat di mana tabel berada dan siapa boleh mengaksesnya. Di sinilah Iceberg REST Catalog berperan. Spesifikasi REST terbuka ini memungkinkan berbagai implementasi—Apache Polaris, Gravitino, Nessie, hingga layanan managed—beroperasi di belakang antarmuka yang sama. Sebuah tabel yang didaftarkan di Polaris bisa dibaca oleh Trino, ditulis oleh Spark, dan dianalisis oleh DuckDB, tanpa konfigurasi khusus per engine.

Standardisasi katalog inilah yang mematikan argumen terakhir gudang data tertutup: "data Anda aman bersama kami." Dengan REST catalog, keamanan dan tata kelola dipisahkan dari komputasi. Anda bisa mempertahankan kontrol akses terpusat sambil bebas memilih engine paling murah untuk tiap beban kerja.

Mengapa Indonesia Tertarik

Untuk perusahaan Indonesia, Iceberg menjawab dua tekanan sekaligus: biaya dan kedaulatan data. Object storage lokal—baik di penyedia seperti NeutraDC, Telkomcloud, maupun klaster Ceph on-premise—jauh lebih murah per terabyte daripada kapasitas komputasi gudang data berbasis cloud asing. Di saat yang sama, Undang-Undang Pelindungan Data Pribadi (UU PDP) mendorong penyimpanan dan pengendalian data di wilayah yurisdiksi sendiri. Iceberg memungkinkan tim membangun lakehouse di infrastruktur lokal dengan tetap kompatibel ke alat analitik global.

Skenario umum di perbankan dan e-commerce lokal: event streaming dari Kafka ditulis ke tabel Iceberg via Spark Structured Streaming, lalu dilayani ke dashboard real-time dengan Trino, sementara tim data science membaca snapshot yang sama lewat DuckDB di laptop mereka. Satu sumber kebenaran, tiga engine, nol duplikasi data.

-- Schema evolution tanpa rewrite: tambah kolom
ALTER TABLE iceberg.sales.orders
ADD COLUMN discount DECIMAL(5,2);

-- Partition evolution: partisi harian → per jam
ALTER TABLE iceberg.sales.orders
SET PARTITIONING BY (region, hour(order_ts));

Perubahan skema dan partisi di atas diterapkan secara metadata saja. Data lama tetap utuh; hanya penulisan baru yang mengikuti bentuk terbaru. Ini menghilangkan operasi ALTER TABLE berminggu-minggu yang lazim di database warisan.

Catatan Praktis Sebelum Migrasi

Iceberg bukan pil ajaib. Beban kerja transaksional berskala kecil (OLTP) tetap lebih cocok di PostgreSQL. Iceberg bersinar untuk analitik berat (OLAP), lakehouse, dan pipeline machine learning yang butuh ulasan data historis. Pastikan juga kompresi dan file sizing diatur agar manifest tidak membengkak—file terlalu kecil menciptakan metadata raksasa yang justru memperlambat query.

Redgate dalam State of the Database Landscape 2026 mencatat bahwa kompleksitas dan perebutan kendali atas data adalah tantangan terbesar. Iceberg meredam keduanya dengan memberi tim satu format netral yang tidak dimiliki satu vendor pun. Itu sebabnya ia layak disebut standar lakehouse 2026.

Kesimpulannya, transisi dari gudang data tertutup ke lakehouse berbasis Iceberg bukan sekadar ikut tren. Ia adalah langkah arsitektural menuju biaya lebih rendah, kedaulatan data lebih kuat, dan kebebasan memilih alat—tanpa takut terkunci. Untuk tim data di Indonesia yang sedang merancang ulang platform analitiknya di tahun 2026, Iceberg adalah fondasi yang sulit dibantah.