Hasil Pencarian  ::  Simpan CSV :: Kembali

"Penelitian ini menganalisis dampak dari penggunaan Virtual Machine (VM), container, dan bare-metal terhadap performa Graphics Processing Unit (GPU) dengan memanfaatkan VM pada OpenStack Nova, container pada OpenStack Zun, dan bare-metal pada OpenStack Ironic. Metode virtualisasi GPU yang digunakan pada penelitian ini adalah GPU passthrough. Pengukuran performa GPU dilakukan dengan menggunakan aplikasi Glmark2 untuk menguji performa graphic rendering, Phoronix NAMD untuk menguji performa simulasi molekuler, dan Phoronix PyTorch untuk menguji performa training model. Hasil analisis menunjukkan bahwa penggunaan VM pada OpenStack Nova mengakibatkan penurunan performa GPU sebesar 15.5% pada Glmark2, 44.0% pada Phoronix NAMD, dan 8.4% pada Phoronix PyTorch. Penggunaan container pada Open Stack Zun mengakibatkan penurunan performa GPU sebesar 5.8% pada Glmark2 dan 19.7% pada Phoronix NAMD, tetapi tak ada perbedaan signifikan pada Phoronix PyTorch jika dibandingkan dengan physical machine (α = 0.05). Penggunaan bare-metal pada OpenStack Ironic mengakibatkan penurunan performa sebesar 1.5% pada Phoronix NAMD dan peningkatan tak signifikan sebesar -6.2% pada Phoronix PyTorch. Pengujian Glmark2 pada OpenStack Ironic dengan perlakuan yang sama seperti benchmark lainnya menunjukkan adanya penurunan performa sebesar 8.7%. Namun, perlakuan khusus pada Glmark2 OpenStack Ironic menunjukkan peningkatan performa sebesar -1.0% pada resolusi 1920x1080 jika dibandingkan dengan physical machine. Perlakuan khusus ini berupa menjalankan dummy Glmark2 dengan resolusi yang sangat rendah dan Glmark2 utama secara bersamaan. Berdasarkan hasil penelitian, dapat disimpulkan bahwa urutan computing resource dengan penurunan performa GPU yang paling minimal adalah penggunaan bare-metal OpenStack Ironic, diikuti dengan penggunaan container OpenStack Zun, dan diikuti dengan penggunaan VM OpenStack Nova.

---

This research analyzes the effects of Virtual Machine (VM), containers, and bare-metal usage on Graphics Processing Unit (GPU) performance, using VMs provided by OpenStack Nova, containers provided by OpenStack Zun, and bare-metal provided by OpenStack Ironic. The GPU virtualization method employed in this paper is GPU passthrough. GPU performance is measured using multiple benchmark applications, those being Glmark2 to measure graphic rendering performance, Phoronix NAMD to measure molecular simulation performance, and Phoronix PyTorch to measure training model performance. The results of our analysis shows that the usage of OpenStack Nova’s VMs causes GPU performance slowdown of up to 15.5% on Glmark2, 44.0% on Phoronix NAMD and 8.4% on Phoronix PyTorch. Using OpenStack Zun’s containers also causes GPU performance slowdowns of up to 5.8% on Glmark2 and 19.7% on Phoronix NAMD, with no significant changes on GPU performance with Phoronix PyTorch compared to the physical machine (α = 0.05). In contrast, using OpenStack Ironic’s bare-metal causes GPU performance slowdown of 1.5% on Phoronix NAMD and an insignificant increase in performance on Phoronix PyTorch by 6.2%. Meanwhile the results of the Glmark2 benchmark on OpenStack Ironic following the normal procedures shows GPU performance slowdown of up to 8.7%. However, the same Glmark2 OpenStack Ironic benchmark with a special procedure shows an increase in GPU performance of up to 1.0% on the 1920x1080 resolution compared to the physical machine. This special procedure involves running a dummy Glmark2 process with a tiny resolution in parallel with the main Glmark2 process. Based on the results, we can conclude that the hierarchy of computing resources in terms of minimal GPU performance slowdown starts with the usage of OpenStack Ironic’s bare-metal, followed by the usage of OpenStack Zun’s containers, and lastly the usage of OpenStack Nova’s VMs."

"Penelitian ini menganalisis dampak dari penggunaan Virtual Machine (VM), container, dan bare-metal terhadap performa Graphics Processing Unit (GPU) dengan memanfaatkan VM pada OpenStack Nova, container pada OpenStack Zun, dan bare-metal pada OpenStack Ironic. Metode virtualisasi GPU yang digunakan pada penelitian ini adalah GPU passthrough. Pengukuran performa GPU dilakukan dengan menggunakan aplikasi Glmark2 untuk menguji performa graphic rendering, Phoronix NAMD untuk menguji performa simulasi molekuler, dan Phoronix PyTorch untuk menguji performa training model. Hasil analisis menunjukkan bahwa penggunaan VM pada OpenStack Nova mengakibatkan penurunan performa GPU sebesar 15.5% pada Glmark2, 44.0% pada Phoronix NAMD, dan 8.4% pada Phoronix PyTorch. Penggunaan container pada Open Stack Zun mengakibatkan penurunan performa GPU sebesar 5.8% pada Glmark2 dan 19.7% pada Phoronix NAMD, tetapi tak ada perbedaan signifikan pada Phoronix PyTorch jika dibandingkan dengan physical machine (α = 0.05). Penggunaan bare-metal pada OpenStack Ironic mengakibatkan penurunan performa sebesar 1.5% pada Phoronix NAMD dan peningkatan tak signifikan sebesar -6.2% pada Phoronix PyTorch. Pengujian Glmark2 pada OpenStack Ironic dengan perlakuan yang sama seperti benchmark lainnya menunjukkan adanya penurunan performa sebesar 8.7%. Namun, perlakuan khusus pada Glmark2 OpenStack Ironic menunjukkan peningkatan performa sebesar -1.0% pada resolusi 1920x1080 jika dibandingkan dengan physical machine. Perlakuan khusus ini berupa menjalankan dummy Glmark2 dengan resolusi yang sangat rendah dan Glmark2 utama secara bersamaan. Berdasarkan hasil penelitian, dapat disimpulkan bahwa urutan computing resource dengan penurunan performa GPU yang paling minimal adalah penggunaan bare-metal OpenStack Ironic, diikuti dengan penggunaan container OpenStack Zun, dan diikuti dengan penggunaan VM OpenStack Nova.

---

This research analyzes the effects of Virtual Machine (VM), containers, and bare-metal usage on Graphics Processing Unit (GPU) performance, using VMs provided by OpenStack Nova, containers provided by OpenStack Zun, and bare-metal provided by OpenStack Ironic. The GPU virtualization method employed in this paper is GPU passthrough. GPU performance is measured using multiple benchmark applications, those being Glmark2 to measure graphic rendering performance, Phoronix NAMD to measure molecular simulation performance, and Phoronix PyTorch to measure training model performance. The results of our analysis shows that the usage of OpenStack Nova’s VMs causes GPU performance slowdown of up to 15.5% on Glmark2, 44.0% on Phoronix NAMD and 8.4% on Phoronix PyTorch. Using OpenStack Zun’s containers also causes GPU performance slowdowns of up to 5.8% on Glmark2 and 19.7% on Phoronix NAMD, with no significant changes on GPU performance with Phoronix PyTorch compared to the physical machine (α = 0.05). In contrast, using OpenStack Ironic’s bare-metal causes GPU performance slowdown of 1.5% on Phoronix NAMD and an insignificant increase in performance on Phoronix PyTorch by 6.2%. Meanwhile the results of the Glmark2 benchmark on OpenStack Ironic following the normal procedures shows GPU performance slowdown of up to 8.7%. However, the same Glmark2 OpenStack Ironic benchmark with a special procedure shows an increase in GPU performance of up to 1.0% on the 1920x1080 resolution compared to the physical machine. This special procedure involves running a dummy Glmark2 process with a tiny resolution in parallel with the main Glmark2 process. Based on the results, we can conclude that the hierarchy of computing resources in terms of minimal GPU performance slowdown starts with the usage of OpenStack Ironic’s bare-metal, followed by the usage of OpenStack Zun’s containers, and lastly the usage of OpenStack Nova’s VMs."

"Penelitian ini menganalisis dampak dari penggunaan Virtual Machine (VM), container, dan bare-metal terhadap performa Graphics Processing Unit (GPU) dengan memanfaatkan VM pada OpenStack Nova, container pada OpenStack Zun, dan bare-metal pada OpenStack Ironic. Metode virtualisasi GPU yang digunakan pada penelitian ini adalah GPU passthrough. Pengukuran performa GPU dilakukan dengan menggunakan aplikasi Glmark2 untuk menguji performa graphic rendering, Phoronix NAMD untuk menguji performa simulasi molekuler, dan Phoronix PyTorch untuk menguji performa training model. Hasil analisis menunjukkan bahwa penggunaan VM pada OpenStack Nova mengakibatkan penurunan performa GPU sebesar 15.5% pada Glmark2, 44.0% pada Phoronix NAMD, dan 8.4% pada Phoronix PyTorch. Penggunaan container pada Open Stack Zun mengakibatkan penurunan performa GPU sebesar 5.8% pada Glmark2 dan 19.7% pada Phoronix NAMD, tetapi tak ada perbedaan signifikan pada Phoronix PyTorch jika dibandingkan dengan physical machine (α = 0.05). Penggunaan bare-metal pada OpenStack Ironic mengakibatkan penurunan performa sebesar 1.5% pada Phoronix NAMD dan peningkatan tak signifikan sebesar -6.2% pada Phoronix PyTorch. Pengujian Glmark2 pada OpenStack Ironic dengan perlakuan yang sama seperti benchmark lainnya menunjukkan adanya penurunan performa sebesar 8.7%. Namun, perlakuan khusus pada Glmark2 OpenStack Ironic menunjukkan peningkatan performa sebesar -1.0% pada resolusi 1920x1080 jika dibandingkan dengan physical machine. Perlakuan khusus ini berupa menjalankan dummy Glmark2 dengan resolusi yang sangat rendah dan Glmark2 utama secara bersamaan. Berdasarkan hasil penelitian, dapat disimpulkan bahwa urutan computing resource dengan penurunan performa GPU yang paling minimal adalah penggunaan bare-metal OpenStack Ironic, diikuti dengan penggunaan container OpenStack Zun, dan diikuti dengan penggunaan VM OpenStack Nova.

---

This research analyzes the effects of Virtual Machine (VM), containers, and bare-metal usage on Graphics Processing Unit (GPU) performance, using VMs provided by OpenStack Nova, containers provided by OpenStack Zun, and bare-metal provided by OpenStack Ironic. The GPU virtualization method employed in this paper is GPU passthrough. GPU performance is measured using multiple benchmark applications, those being Glmark2 to measure graphic rendering performance, Phoronix NAMD to measure molecular simulation performance, and Phoronix PyTorch to measure training model performance. The results of our analysis shows that the usage of OpenStack Nova’s VMs causes GPU performance slowdown of up to 15.5% on Glmark2, 44.0% on Phoronix NAMD and 8.4% on Phoronix PyTorch. Using OpenStack Zun’s containers also causes GPU performance slowdowns of up to 5.8% on Glmark2 and 19.7% on Phoronix NAMD, with no significant changes on GPU performance with Phoronix PyTorch compared to the physical machine (α = 0.05). In contrast, using OpenStack Ironic’s bare-metal causes GPU performance slowdown of 1.5% on Phoronix NAMD and an insignificant increase in performance on Phoronix PyTorch by 6.2%. Meanwhile the results of the Glmark2 benchmark on OpenStack Ironic following the normal procedures shows GPU performance slowdown of up to 8.7%. However, the same Glmark2 OpenStack Ironic benchmark with a special procedure shows an increase in GPU performance of up to 1.0% on the 1920x1080 resolution compared to the physical machine. This special procedure involves running a dummy Glmark2 process with a tiny resolution in parallel with the main Glmark2 process. Based on the results, we can conclude that the hierarchy of computing resources in terms of minimal GPU performance slowdown starts with the usage of OpenStack Ironic’s bare-metal, followed by the usage of OpenStack Zun’s containers, and lastly the usage of OpenStack Nova’s VMs."

"ABSTRAKPada skripsi ini telah dibangun infrastruktur cloud dengan menggunakan Openstack platform. Openstack menjanjikan infrastruktur yang scalable yang menjadikan platform cloud ini digemari banyak pengguna cloud. Tujuan dari skripsi ini adalah untuk mempelajari kinerja jaringan OpenStack berdasarkan implementasi Neutron dan memberikan rekomendasi rancangan jaringan optimal untuk integrasi high performance computing. Parameter kinerja jaringan seperti throughput, packet loss dan latency akan dievaluasi berdasarkan transmisi data TCP dan UDP dengan menggunakan alat benchmark IPerf. Hasil dari eksperimen menunjukkan kinerja Openstack hampir tidak memiliki hambatan dalam penggunaan bandwidth jaringan. Hasil penelitian juga menunjukkan bahwa lokasi virtual machine di instansiasi dan alamat jaringan akan mempengaruhi kinerja jaringan. Skripsi ini juga akan membahas alur yang digunakan untuk menganalisa perbedaan hasil kinerja jaringan virtual machine pada cloud serta menampilkan hasil pengolahan data kinerja jaringan yang kemudian akan memberikan rancangan cloud yang optimal untuk integrasi high performance computing.

---

ABSTRACTIn this thesis, a cloud infrastructure is built using Openstack platform. Openstack promises a scalable infrastructure that makes this platform as favourite for cloud users. The purpose of this thesis is to study the performance of Openstack network based on the implementation of Neutron to provide recommendations of the optimal network design for the integration of high performance computing. Network performance parameters such as throughput, packet loss and latency will be evaluated based on TCP and UDP transmission data using IPerf benchmarking tool. The result of the experiments show that Openstack performance have no network bandwidth bottleneck. The result also show that the location where virtual machine is instantiate and network address will affect network performance. This thesis will also discuss the flow used to analyze the differences in virtual machine network performance results in the cloud and display the results of virtual machine network performance which will then provide an optimal cloud design for the integration of high performance computing."

"ABSTRAKTeknologi di bidang perangkat lunak dan perangkat keras semakin berkembang cepat. Masalah keterbatasan kapasitas suatu komputer memicu berkembangnya sebuah inovasi yang disebut dengan High Performance Computing HPC . HPC merupakan sekumpulan komputer yang digabungkan dalam sebuah jaringan dan dikoordinasi oleh software khusus. Cloud Computing merupakan paradigma yang relatif baru dalam bidang komputasi. Pada penelitian ini dilakukan pengujian terhadap performansi High Performance Computing Cluster HPCC berbasis cloud menggunakan layanan OpenStack dalam menjalankan fungsi dasar Message Passing Interface. Pengujian dilakukan menggunakan program Mpptest dan SIMPLE-O. Penggunaan server yang tidak mendukung hypervisor KVM pada pengujian point-to-point communication dapat menurunkan performansi HPCC berbasis cloud sebesar 3,1 - 12,4 dibandingkan dengan HPCC berbasis non-cloud. Pada pengujian point-to-point communication dengan 2 server yang mendukung hypervisor KVM, HPCC berbasis cloud unggul dibandingkan HPCC berbasis non-cloud sebesar 1,6 ndash; 2,7 . Pada pengujian performansi HPCC dalam melakukan fungsi MPI collective communication tidak ditemukan perbedaan berarti antara kedua cluster dimana HPCC berbasis non-cloud mengungguli HPCC berbasis cloud sebesar 0 - 1,4 . Pada pengujian menggunakan program SIMPLE-O didapati performansi HPCC berbasis cloud dan non-cloud imbang jika semua instance dijalankan dengan server yang mendukung hypervisor KVM, apabila terdapat instance yang dijalankan server tanpa dukungan KVM maka HPCC berbasis non-cloud unggul 96,2 dibandingkan HPCC berbasis cloud. Ketersedian modul KVM pada server yang menjadi host suatu instance sangat berpengaruh terhadap performansi HPCC berbasis cloud.

---

ABSTRACTSoftware and hardware technologies have been developing rapidly. Capacity limation problems found in computers triggered a development of a new innovation called High Performance Computing HPC . HPC is a cluster of computers in a network coordinated by a special software. Cloud Computing is a new paradigm in computation field. In this research, series of test are done to find out the performance of cloud and non cloud based High Performance Computing Cluster HPCC while running basic functions of Message Passing Interface. Tests are done using Mpptest and SIMPLE O program. By using a server that does not support KVM in point to point communication test could decrease the performance of cloud based HPCC by 3,1 to 12,4 compared to non cloud based HPCC. During the test of point to point communication using 2 servers that support KVM hypervisor, cloud based HPCC is ahead of non cloud based HPCC by 1,6 to 2,7 . During the test of collective communication, there are no significant differences between performances of the two cluster, with non cloud based HPCC is ahead by 0 to 1,4 compared to cloud based HPCC. During the test using SIMPLE O program, the two cluster is even in term of performance as long as every instance is run by servers that support KVM hypervisor, if there is an instance that is run by a server that does not support KVM hypervisor then the performance of non cloud based HPCC is still ahead by 96,2 compared to cloud based HPCC. During the performance testing of HPCC while running collective communication, noticable performance difference between cloud and non cloud based HPCC was not found. The availability of KVM module in a server that is used to host an instance is really essential to the cloud based HPCC performance."

"Pemanfaatan teknologi virtualisasi oleh operator telekomunikasi sudah bukan hal yang baru lagi karena teknologi virtualisasi terbukti memberikan efisiensi dalam menurunkan total cost ownership (TCO) pada pusat data yang besar dan kompleks. Meskipun demikian pemanfaatan teknologi virtualisasi dengan tugas dan fungsi yang berbeda dari sebelumnya, yaitu sebagai lingkungan simulasi infrastruktur teknologi informasi virtual akan mempengaruhi keputusan perilaku pengguna untuk mengadopsi dan memanfaatkan teknologi tersebut. Selain tiga faktor utama, yaitu perceived ease of use, perceived usefulness, dan behavior intention, model juga diperluas dengan menambahkan faktor computer self-efficacy dan task-technology fit sebagai variabel eksternal. Model ini juga diperluas dengan menambahkan commitment to system use sebagai faktor sosial yang mempengaruhi pengguna. Pengujian hipotesis dalam model penelitian ini menggunakan variance-based Partial Least Squares (PLS) dengan trimming model, dan terbukti hanya 6 hipotesis diterima dari total 14 hipotesis yang diajukan. Terdapat hubungan berikut yang terbukti signifikan yaitu: 1)computer self-efficacy dengan perceived ease of use, 2)task-technology fit dengan perceived ease of use, 3)identification dengan perceived ease of use, 4)perceived ease of use dengan perceived usefullness, 5)perceived ease of use dengan behavioral intention, 6)perceived usefullness dengan behavioral intention.

---

Applied virtual technology is not uncommon system in the telecommunication operator since this technology has been used long time ago and shows highly efficiency in term of data center operational costs and as well able to decrease the total cost ownership (TCO) which is usually high and complex. However, the use of virtualization technology with different tasks and functions as virtual infrastructure simulation environment will be influencing user behavior decision to adopt and to utilize virtualization as the target technology. In addition to the primary three indigenous factors: perceived ease of use, perceived usefulness, and behavior intention, the model was also extended with computer self-efficacy and the task-technology fit constructs as external variables. The model was also expanded with commitment system of use to assess the degree to which social influences affect user. Data were collected using a survey questionnaire while the hypothesized relationships in the research model were tested employing the variance-based Partial Least Squares (PLS) with trimming model technique. This study showed there were only 6 of 14 hipothesis were significant accepted. Here below were the corelation was proof to be statisticaly significant: 1)computer self-efficacy and perceived ease of use, 2)task-technology fit and perceived ease of use, 3)identification and perceived ease of use, 4)perceived ease of use and perceived usefullness, 5)perceived ease of use and behavioral intention, 6)perceived usefullness and behavioral intention."

"Saat ini sedang marak dibicarakan suatu teknologi yang menggabungkan beberapa sumber daya yang bekerja bersama-sama sehingga tampak seolah-olah merupakan satu single system, teknologi ini disebut cluster. Kebutuhan masyarakat akan informasi yang selalu up to date meningkatkan kebutuhan akan sistem yang memiliki availability tinggi. Hal ini semakin krusial karena masyarakat semakin haus akan informasi. Untuk itu dikembangkan suatu sistem yang disebut failover cluster yang memiliki tingkat availability tinggi. Skripsi ini membahas mengenai implementasi sistem failover virtual computer cluster dan analisa performanya dibandingkan dengan sistem yang tidak dicluster. Failover cluster dirancang untuk sebuah sistem dengan availability tinggi. Sistem ini diimplementasikan menggunakan Windows Server 2008 R2 x64 sebagai OS-nya dan Hyper-V sebagai platform simulasinya. Sistem failover virtual computer cluster ini terdiri atas tiga buah nodes berupa virtual machine dengan sebuah storage yang terhubung dengan ketiga nodes menggunakan iSCSI. Analisa performa dilakukan terhadap lima parameter benchmark berbeda yaitu processor arithmetic, .NET arithmetic, memory bandwidth, memory latency dan cache dan memori. Hasil benchmark performa system failover virtual computer cluster untuk kelima parameter ini tidak lebih baik dibandingkan dengan sistem yang tidak di-cluster, dimana terjadi penurunan rata-rata keseluruhan sebesar 41% untuk skenario pertama dan 54 % untuk skenario kedua. Namun dari segi availibility sistem failover virtual computer cluster ini lebih unggul dibandingkan sistem yang tidak di-cluster.

---

Now a day there is a technology that much discuss for its ability to combine some resource that work together so that it looks like a single system, this technology is called cluster. The public need of information that up to date increase the public need of system that is high availability. This even more crucial because public is getting thirsty of information.

This thesis discusses about the implementation of the failover virtual computer cluster system and analysis of its performance compared to system that is not part of a cluster. Failover cluster was designed for a high availability system. This failover virtual computer cluster system is implemented using Windows Server 2008 R2 x 64 as its operating system and Hyper-V as its virtualization platform. This failover virtual computer cluster system consists of three nodes that form by virtual machines with a storage that is connected to each nodes using iSCSI. Performance analysis carried out on five different parameters of benchmark they are, processor arithmetic, .NET arithmetic, memory bandwidth, memory latency, and cache and memory.

Failover virtual computer cluster system performance benchmark results for the fifth parameter is not better than the system that is not part of a cluster. The results show that there are decreases of performance about 41% for the first scenario and 54% for the second scenario. But in terms of system availability failover virtual computer cluster system is better than the system that is not part of a cluster."

"Cloud Computing menyediakan akses mudah ke berbagai sumber daya melalui jaringan internet, dengan jangkauan jaringan yang luas, kemampuan elastisitas yang cepat, dan layanan yang dapat diukur. Dalam penelitian ini, digunakan Cloud Management Platform Apache CloudStack untuk membangun sistem Cloud sendiri. Sistem ini menggunakan sistem operasi Ubuntu dan hypervisor KVM (Kernel-based Virtual Machine) untuk menguji performa dan optimalisasi konfigurasi hypervisor dalam menjalankan tugas-tugas komputasi tertentu. Penelitian ini bertujuan untuk menganalisis apakah konfigurasi default dari hypervisor KVM sudah optimal dan bagaimana konfigurasi hypervisor KVM dapat meningkatkan performa dalam menjalankan tugas komputasi seperti kompresi video, enkripsi, dekripsi, dan validasi integritas data. Metode yang digunakan melibatkan pengujian performa hypervisor KVM dengan melakukan berbagai tugas komputasi dan mengukur waktu yang diperlukan untuk menyelesaikan tugas-tugas tersebut. Hasil pengujian menunjukkan bahwa konfigurasi hypervisor dengan menambahkan flag tertentu seperti SSSE3, SSE4.1, SSE4.2, SSE4a, dan AES dapat meningkatkan performa komputasi secara signifikan. Kesimpulan dari penelitian ini adalah bahwa konfigurasi default hypervisor KVM bersifat minimal dan perlu dilakukan konfigurasi untuk mencapai performa optimal. Konfigurasi hypervisor yang tepat dapat mempercepat kompresi video hingga 2.4 kali, validasi integritas data hingga 7.56 kali, enkripsi AES hingga 2.1 kali, dan dekripsi AES hingga 2.68 kali dibandingkan dengan konfigurasi default. Penelitian ini diharapkan memberikan kontribusi akademis dalam bidang optimalisasi infrastruktur cloud.

---

Cloud Computing provides easy access to various resources over the internet, with a wide network reach, fast elasticity capabilities, and measurable services. In this research, the Apache CloudStack Cloud Management Platform is utilized to build a Cloud system. This system uses the Ubuntu operating system and KVM (Kernel-based Virtual Machine) hypervisor to test performance and optimize the hypervisor configuration for specific computing tasks. The aim of this research is to analyze whether the default configuration of the KVM hypervisor is optimal and how configuration the KVM hypervisor can enhance performance in executing computing tasks such as video compression, encryption, decryption, and data integrity validation. The methodology involves performance testing of the KVM hypervisor by executing various computing tasks and measuring the time taken to complete these tasks. The test results indicate that configuring the hypervisor by adding specific flags such as SSSE3, SSE4.1, SSE4.2, SSE4a, and AES can significantly improve computational performance. The conclusion drawn from this research is that the default configuration of the KVM hypervisor is minimal and requires configuration to achieve optimal performance. Proper hypervisor configuration can accelerate video compression by up to 2.4 times, data integrity validation by up to 7.56 times, AES encryption by up to 2.1 times, and AES decryption by up to 2.68 times compared to the default configuration. This research is expected to make an academic contribution in the field of cloud infrastructure optimization."

"Penelitian ini bertujuan untuk mengetahui pengaruh dari variabel service quality, compliance, dan assurance terhadap kepuasan nasabah pengguna layanan Virtual Account berdasarkan adaptasi CARTER. Populasi dalam penelitian ini adalah semua nasabah pengguna layanan virtual account di Indonesia. Untuk memudahkan proses survey digunakan metode sampling. Metode sampling yang digunakan adalah dengan menggunakan teknik cluster random sampling. Jumlah sampel yang digunakan adalah 200 responden. Teknik analisis data dilakukan secara deskriptif dan kuantitatif dengan pendekatan analisis faktor, dan metode regresi linier sederhana dan berganda. Berdasarkan analisis kuantitatif hasil penelitian menunjukkan bahwa variabel service quality, compliance, dan assurance berpengaruh secara signifikan terhadap kepuasan nasabah pengguna layanan virtual account perbankan syariah.

---

This research aims to know the influence of variable service quality, compliance, and assurance againts the users that use virtual account services based on CARTER model. The population in this research is all users of virtual account in Indonesia. To simplify the process of survey researchers used sampling method. The number of samples was 200 respondents. Technique of data analysis that used by researcher are descriptive and quantitative, with factor analysis, and simple and multiple liniear regression method. Based on the quantitative analysis, the result showed that variable service quality, compliance, and assurance influence significantly to customer satisfaction of the virtual account users at islamic banking."

"Dalam kehidupan sehari-hari jarang kita temui jaringan yang homogen tetapi lebih sering heterogen. Heterogenitas ini meliputi kecepatan, sistem operasi, dan bahkan arsitektur, kemudian juga jarang dalam satu satuan waktu teminal yang terhubung dalam jaringan dipakai hanya oleh satu user, tetapi dipakai oleh beberapa user hal ini mengakibatkan beban kerja yang tidak tetap Dalam keadaan seperti ini pola penjadwalan statis kurang bisa diandalkan karena beban kerja selama program paralel dijalankan tidak tetap tergantung beban yang diberikan user lain. Algoritma paralel yang dibuat termasuk jenis intuitive algorithm, berbasiskan PVM serta menerapkan pola penjadwalan dinamis. Keheterogenitasan dan beban kerja yang tidak tetap seperti disebutkan diatas dicoba diatasi dengan cara setiap terminal/host yang ada hanya diberikan satu task setiap satu satuan waktu atau dengan kata lain master sebagai program pengendali hanya akan menspawning program slave kembali ke host bila host tersebut sudah selesai mengerjakan task yang diberikan sebelumnya. Untuk melihat kinerja program yang dibuat dalam skripsi ini, maka diiakukkan pengukuran dengan jumlah dan besar task yang terus ditingkatkan sehingga dapat dilihat kecendrungan percepatan (speedup), overhead, dan efesiensi, serta jumlah pengedaan task oleh masing-masing terminal."