Hasil Pencarian  ::  Simpan CSV :: Kembali

"ABSTRACTThe paper presents a hybrid MPI+ OpenMP (Message Passing Interface/OpenMulti-Processor) algorithm used for parallel programs based on the high-order compact method.The main tools used to implement parallelism in computations are OpenMP and MPI whichdiffer in terms of memory on which they are based. OpenMP works on shared-memory andthe MPI on distributed-memory whereas the hybrid model is based on a combination ofthose methods. The tests performed and described in this paper present significant advantagesprovided by a combination of the MPI/OpenMP approach. The test computations needed forverifying possibilities of MPI, Open-MP and Hybrid of both tools were carried out using anacademic high-order SAILOR solver. The obtained results seem to be very promising to acceleratesimulations of fluid flows as well as for application using high order methods"

"ABSTRACTBackpropagation neural network merupakan salah satu algoritme machine learning yang mengizinkan sebuah mesin untuk melakukan pembelajaran dari sekumpulan data, sehingga tidak perlu diprogram secara eksplisit. Namun, backpropagation neural network yang baik memerlukan proses pembelajaran dengan waktu lama dengan data dalam jumlah banyak. Penelitian ini akan merancang sebuah program backpropagation neural network yang dapat dieksekusi secara paralel untuk mendapatkan waktu eksekusi yang lebih cepat. Pembuatan program ini dilakukan menggunakan OpenMP API dalam bahasa pemrograman C. Hasil pengujian membuktikan bahwa adanya pengurangan waktu eksekusi, yakni secara berurutan sebesar 2,2653 detik dan 0,5838 detik untuk masing-masing mesin pengujian yang digunakan, untuk pertambahan setiap jumlah thread yang bekerja pada program. Namun, program masih memiliki skalabilitas yang kurang bagus dikarenakan oleh terjadinya fenomena false sharing pada program. Program memiliki sifat kenaikan waktu eksekusi linier sebesar 0,9263 detik untuk setiap pertambahan jumlah sampel input. Hal ini dikarenakan oleh pertambahan jumlah sampel hanya menambah jumlah data yang harus diproses program saja. Sedangkan, program memiliki sifat kenaikan waktu eksponensial sebesar e0,0103 detik untuk setiap pertambahan jumlah dimensi sampel input. Hal ini dikarenakan oleh pertambahan jumlah dimensi tidak hanya menambah jumlah data yang harus diproses saja, melainkan juga menambah sejumlah variabel yang bekerja pada program yang menimbulkan pertambahan komputasi pada setiap sampel input.

---

ABSTRACTBackpropagation neural networks is one of many machine learning algorithms that allows a machine to do a learning process from a set of data, instead of programming it explicitly. However, a good backpropagation neural network program needs a lot amount of learning time and involves huge amount of data. This experiment made a backpropagation neural network program that can be executed in parallel fashion in order to reduce its execution time using OpenMP API in C programming language. The program rsquo s test results show that there are 2.2653 and 0.5838 second execution time decreases, each corresponds to each testing machine, for every thread added to the program. However, the program rsquo s scalability is not good enough due to false sharing phenomenon that appeared in time of execution. Program has a 0.9263 second linear execution time increase for every input samples added to the program. This is because of the addition will only effect on how much data the program needs to process. However, the program has an e0.0103 second exponential execution time increase for every input sample rsquo s feature added. This is because of the addition will not only effect on how much data that needs to be processed, but also generate some additional variables involved inside program which affects the computational process of each input sample."

"ABSTRAKProtein memiliki peranan penting dalam mengontrol fungsi enzim, mengatur produksi dan aktivitas di dalam sel. Untuk melakukan hal ini, protein berinteraksi dengan protein-protein lainnya, DNA dan molekul-molekul lainnya. Jaringan interaksi protein-protein ini memiliki ukuran yang sangat besar. Sehingga untuk memudahkan dalam menganalisis jaringan ini diperlukan metode clustering. Pada penelitian ini, algoritma Markov clustering digabungkan dengan algoritma firefly yang disebut sebagai algoritma firefly-Markov clustering FMCL . Pada algoritma FMCL, posisi kunang-kunang akan menggantikan nilai parameter inflate. Kemudian proses clustering akan berlangsung menggunakan algoritma Markov clustering MCL . Selanjutnya posisi kunang-kunang akan terus diperbarui dan proses clustering akan terus dilakukan sampai diperoleh hasil clustering terbaik. Komputasi paralel pada algoritma FMCL menggunakan OpenMP. Setiap thread menjalankan proses pada Markov clustering menggunakan parameter inflate yang ditentukan oleh posisi kunang-kunangnya. Hasil yang diperoleh pada data jaringan interaksi protein HIV ada 4 cluster. Dari 4 cluster ini terdapat satu cluster besar yang saling terhubung dengan 6 pusat cluster lainnya yaitu NEF, GAG, GAG-POL, VPR, VIF dan VPU. Pada 3 cluster lainnya yang menjadi pusat cluster adalah TAT, REV dan ENV. Sedangkan dengan menggunakan data jaringan interaksi protein pada Human Herpesvirus tipe 4 HHV-4 diperoleh 14 cluster. Protein yang menjadi pusat cluster adalah EBNA-LP, BKRF1, BPLF1, LMP1, SUMO2, BBLF2-BBLF3, EBNA3B, BRLF1, BGLF4, BYRF1. Selain itu, juga dapat dilihat bahwa ada beberapa cluster yang hanya merupakan interaksi antara dua protein yaitu BBRF1 dengan NFKB2, EBNA3A dengan CHEK2, LMP2A dengan ITCH, dan EBNA3C dengan EP300. Speed up algoritma FMCL yang dijalankan menggunakan OpenMP pada data HIV dan HHV-4 adalah 4.73x dan 3.21x lebih cepat dibandingkan dengan algoritma FMCL yang dijalankan secara sekuensial.

---

ABSTRACTProtein plays an important role in controlling enzyme function, regulating production and activity in cell. To do this function, proteins will interact with other protein, DNA and other molecules. Protein interaction network have a very large size. Then to simplify analyzing this network is required clustering method. In this study, Markov clustering algorithm combined with a firefly algorithm called firefly Markov clustering algorithm FMCL . In FMCL algorithm, firefly position will be replace the value of inflate parameter. Then clustering process will take place using Markov clustering algorithm MCL . Futhermore, the firefly position will be updated and clustering process will be continue until its get the best clustering. Parallel computing on FMCL algorithm using OpenMP. Each thread will run the process on Markov clustering by using inflate parameter specified by the position of firefly. The clustering result from protein interaction network on HIV is 4 clusters. From this cluster, there is a large cluster connected with 6 other cluster centers, they are NEF, GAG, GAG POL, VPR, VIF and VPU. In the 3 other clusters that become the center of the cluster are TAT, REV and ENV. While by using protein interaction network on HHV 4 obtained 14 clusters. The proteins that become the center of the clusters are EBNA LP, BKRF1, BPLF1, LMP1, SUMO2, BBLF2 BBLF3, EBNA3B, BRLF1, BGLF4 and BYRF1. In addition, it can be seen that there are several clusters that are just interaction between two proteins, BBRF1 with NFKB2, EBNA3A with CHECK2, LMP2A with ITCH and EBNA3C with EP300. The speed up of FMCL algorithm by using OpenMP HIV and HHV 4 data is 4.73x and 3.21x faster than the sequentially executed."

"ABSTRAKProtein memiliki peranan yang sangat penting dalam kehidupan. Setiap proteinberinteraksi dengan protein-protein lain, DNA, dan molekul-molekul lainnya, sehinggaterbentuklah jaringan interaksi protein yang berukuran sangat besar. Untuk memudahkandalam menganalisisnya, diperlukan metode clustering. Algoritma Soft RegularizedMarkov Clustering (SR-MCL) merupakan pengembangan metode clustering yangmengurangi kelemahan dari Regularized Markov Clustering dan Markov Clustering.Namun, SR-MCL masih memiliki kelemahan yaitu parameter inflasi yang selaludimasukkan secara manual oleh peneliti. Penelitian ini, SR-MCL digabung denganAlgoritma Firefly yang selanjutnya disebut Firefly Soft Regularized Markov Clustering,dimana posisi setiap firefly menggantikan parameter inflasi. Posisi firefly akan terusdiperbaharui dan proses clustering akan terus dilakukan sampai memperoleh global chaoskurang dari threshold. FSR-MCL akan diterapkan secara paralel menggunakan OpenMP,yaitu setiap thread menjalankan SR-MCL dengan posisi setiap firefly yang berbeda.Proses clustering data HIV-1 diperoleh sembilan protein sebagai pusat cluster yangsangat berpengaruh dalam pembentukan dan penyebaran virus, yaitu TAT, REV, ENV,GAG, POL, VPU, VPR, NEF, dan VIF, serta didapat parameter inflasi terbaiknya 8,0dengan speed up 4,66 kali. Proses clustering data SC5314 diperoleh enam protein sebagaipusat cluster yang merupakan protein penting dalam penyebarannya, yaitu HSP90,CBK1, MED8, NOP1, CEK1, dan CDC4, serta didapat parameter inflasi terbaiknya 5,5dengan speed up 3,01 kali.

---

ABSTRACTProtein has a very important role in life. Each protein interacts with other proteins, DNA,and other molecules, resulting in a very large protein-protein interaction. To make it easierto analyze it, clustering method is needed. Soft Regularized Markov Clustering (SRMCL)algorithm is a development of clustering method that reduces the weakness ofRegularized Markov Clustering and Markov Clustering. However, SR-MCL still has aweakness that is the parameter of inflation that is always entered manually by researchers.This study, SR-MCL combined with Firefly Algorithm, hereinafter called Firefly SoftRegularized Markov Clustering, where the position of each firefly replace the parametersof inflation. The firefly position will continue to be updated and the clustering processwill continue until the global chaos is less than the threshold. FSR-MCL will be appliedin parallel using OpenMP, ie each thread runs SR-MCL with the position of each differentfirefly. The process of clustering the HIV-1 data obtained by nine proteins as the centerof the cluster is very influential in the formation and spread of the virus, namely TAT,REV, ENV, GAG, POL, VPU, VPR, NEF, and VIF, and got the best inflation parameter8.0 with speed up 4.66 times. SC5314 data clustering process obtained six proteins as thecenter of the cluster which is an important protein in its spreading, namely HSP90, CBK1,MED8, NOP1, CEK1, and CDC4, and got the best inflation parameter 5.5 with speed up3.01 times."

"ABSTRAKAlgoritma Regularized Markov Clustering RMCL adalah suatu metode graf clustering yang merupakan pengembangan dari Markov Clustering MCL . Algoritma RMCL masih memiliki kelemahan pada parameter penggelembungan yang biasanya selalu diinputkan oleh pengguna untuk mendapatkan hasil clustering yang baik. Pada penelitian ini, RMCL digabungkan dengan algoritma Firefly untuk menganalisis jaringan interaksi protein yang disebut algoritma Firefly Regularized Markov Clustering FRMCL . Algoritma Firefly merupakan algoritma yang terinspirasi dari perilaku kunang-kunang dalam mencari koloninya. Implementasi algoritma FRMCL dilakukan pada data jaringan interaksi protein HIV-1 dan Human Herpesvirus 1. Data yang digunakan direpresentasikan ke dalam sebuah graf tak-berarah . Selanjutnya, posisi kunang-kunang pada algoritma firefly akan berperan sebagai parameter penggelembungan. Setiap firefly akan melakukan proses RMCL, sehingga diperoleh beberapa hasil RMCL dengan parameter berbeda. Setiap proses RMCL memberikan nilai global chaos, yang dipilih adalah global chaos minimum yang akan dijadikan best firefly, kemudian akan dilakukan proses perhitungan kembali. Posisi firefly baru ini selanjutnya bertindak sebagai parameter penggelembungan yang baru dan dilakukan proses FRMCL berlanjut hingga diperoleh cluster terbaik. Komputasi paralel akan digunakan saat setiap firefly menjalankan proses FRMCL dengan bahasa pemrograman OpenMP. Berdasarkan hasil simulasi yang dilakukan, diperoleh 14 cluster untuk data Human Herpesvirus 1 dan 4 cluster untuk data HIV-1. Sedangkan proses paralel yang dilakukan pada kedua data PPI tersebut diperoleh running time dan speed up yang menunjukkan komputasi paralel menggunakan 8 thread diperoleh 3,66x dan 4,51x lebih cepat dibandingkan dengan komputasi sekuensial.

---

ABSTRACTRegularized Markov Clustering RMCL algorithm is a clustering graph method which is the development of Markov Clustering MCL . The RMCL algorithm still has weaknesses on inflate parameters that are usually always input by the user to get best clustering results. In this research, RMCL combined with the Firefly algorithm to analyze a protein interaction network called the Firefly Regularized Markov Clustering FRMCL algorithm. The Firefly algorithm is an algorithm that is inspired by the behavior of fireflies looking for their colonies. Implementation of the FRMCL algorithm was carried out on the data network of HIV 1 protein interactions and Human Herpesvirus 1. The data used to be represented in an undirected graph G. Then, firefly position on the firefly algorithm will act as an inflate parameter. Every firefly will perform the RMCL process, and then obtained some RMCL results with different parameters. Each RMCL process give generated from global chaos, which will be selected minimum global chaos which will be the best firefly, it will be processed back again. This new firefly position will act as a new inflate parameter and perform the FRMCL process until to produce the best clusters. Parallel computations will be used when each firefly runs the FRMCL process with the programming language using OpenMP. Based on the results of the simulation, 14 clusters are obtained for Human Herpesvirus 1 and 4 cluster data for HIV 1 data. The parallel processing performed on both PPI data is due to running time and speed shows 3,66x and 4,51x parallel computing using 8 thread which faster than sequential computing."

"Di Indonesia yang mayoritas karya tulis di dunia akademiknya masih menggunakan bahasa Indonesia dan referensi yang digunakan mayoritas berbahasa Inggris, memudahkan terjadinya tindak plagiarisme daripada penggunaan bahasa yang sama. Departemen Teknik Elektro telah mengembangkan sistem pendeteksi plagiarisme dwibahasa berbasis Latent Semantic Analysis LSA . Lamanya eksekusi, membuat paralelisme menjadi solusi untuk mengurangi waktu eksekusi dari sistem. Pada penelitian ini dilakukan pengembangan dengan pemrosesan paralel terhadap sistem dengan menggunakan OpenMP. Proses yang diparalelkan adalah, yaitu Singular Value Decomposition SVD, operasi-operasi matriks, dan proses Learning Vector Quantization LVQ dengan melakukan pada pendekatan loop-loop-nya. Pada pengujian yang dilakukan, akurasi dari proses paralel memiliki konsistensi yang baik karena hasil yang sama dengan proses serial dan didapatkan peningkatan kecepatan eksekusi sistem sebesar 4-7,9 . Dengan fenomena pemrosesan paralel dengan menggunakan 1 thread memiliki waktu eksekusi yang lebih lambat daripada proses serial. Sedangkan saat menggunakan 2 thread dan 4 thread, didapatkan hasil yang lebih cepat daripada proses serial meskipun penggunaan 4 thread hanya berbeda sedikit atau cenderung sama dengan 2 thread. Hal ini disebabkan adanya overhead OpenMP yang terjadi saat pemrosesan paralel berjalan sebesar 20 , dan overhead MySQL yang membuat proses menjadi sangat lama karena besarnya yang mencapai 70 saat proses serial dan 50 pada proses paralel.

---

Majority of academic environment in Indonesia is still using Indonesian language and its references are in English. This condition led to ease the plagiarism acts when compared to same language environment. Due to this problem, Department of Electrical Engineering has developed bilingual plagiarism detection system based on Latent Semantic Analysis LSA . Parallelism becomes a solution to duration of execution problem. Development of parallel processing on the system with using OpenMP was conducted in this research. The parallelized processes were Singular Value Decomposition SVD , matrices operations, and Learning Vector Quantization LVQ with approach on loops.

In the testing process, accuracy of the parallel process had the same accuracy with the serial process. It is mean that the parallel process has good consistency. Then, the result of execution time has 4 7.9 of improvement compared to the serial one. There was a phenomenon that 1 thread of parallel process had worse performance than the serial process. Furthermore, use of 2 threads and 4 threads in the parallel process had a better execution time, even 4 threads is only slightly better or tend to be the same with 2 threads. These happened due to overhead presences. OpenMP overhead appeared at 20 when parallel executed and MySQL had more with 70 of system computation process in serial and 50 when executed in parallel."

"Pada penelitian ini, dikembangkan HPC yang menerapkan multicore processing pada program Sistem Pendeteksi Plagiarisme dengan memanfaatkan infrastruktur komputasi awan berbasis OpenStack. Sistem Pendeteksi Plagiarisme merupakan program yang dikembangkan untuk mendeteksi tingkat plagiarisme dari suatu karya ilmiah. Algoritma program yang digunakan untuk penelitian kali ini adalah latent semantic analysis (LSA). Implementasi HPC dilakukan dengan bantuan library OpenMP yang didesain untuk bahasa pemrograman C. Diterapkan dua jenis paralelisme pada program, yaitu paralelisme fungsi dan paralelisme data. Setelah dilakukan pengujian, didapati hasil bahwa kedua metode paralelisme ini mempercepat eksekusi program. Paralelisme fungsi mempercepat waktu eksekusi hingga sebesar 1,03 kali waktu eksekusi serial dan paralelisme data mempercepat waktu eksekusi hingga 1,34 kali waktu eksekusi serial.

---

In this research, HPC with multicore processing is developed on Plagiarism Detection System using OpenStack based cloud computing infrastructure. Plagiarism Detection System is a software developed to detect plagiarism level of a scientific papers. The algorithm used in this program is latent semantic analysis (LSA). HPC implementation is done using OpenMP library which is designed to be used in C programming language. There are two types of paralelism in this program, which are function paralelism and data paralelism, both accelerate the execution time. Function paralelism accelerates program by up to 1,03 times of serial execution while data paralelism decreases the execution time by up to 1,34 times serial execution time."

"This book constitutes the refereed proceedings of the 8th International Workshop on OpenMP, held in in Rome, Italy, in June 2012. The 18 technical full papers presented together with 7 posters were carefully reviewed and selected from 30 submissions. The papers are organized in topical sections on proposed extensions to OpenMP, runtime environments, optimization and accelerators, task parallelism, validations and benchmarks"