Analisis Perbandingan 2 Jurnal bertema Komputasi Pararel

1. Latar Belakang

Parallel computing adalah penggunakan lebih dari satu CPU untuk menjalankan sebuah program secara simultan. Idealnya, parallel processing membuat programberjalan lebih cepat karena semakin banyak CPU yang digunakan. Tetapi dalam praktek,seringkali sulit membagi program sehingga dapat dieksekusi oleh CPU yang berbea-beda tanpa berkaitan di antaranya, Maksudnya program dijalankan dengan banyak CPU secara bersamaan dengan tujuan untuk membuat program yang lebih baik dan dapat diproses dengan cepat. Dapat diambil kesimpulan bahwa pada parallel processing berbeda dengan istilah multitasking, yaitu satu CPU mengangani atau mengeksekusi beberapa program sekaligus, parallel processing dapat disebut juga dengan istilah parallel computing.

CUDA (Compute Unified Device Architecture) adalah suatu skema yang dibuat oleh NVIDIA agar NVIDIA selaku GPU (Graphic Processing Unit) mampu melakukan komputasi tidak hanya untuk pengolahan grafis namun juga untuk tujuan umum. Jadi, dengan CUDA, kita dapat memanfaatkan cukup banyak processor yang dimiliki oleh NVIDIA untuk berbagai perhitungan. GPU yang ada  saat ini seperti ATI pun sudah memiliki banyak processor di dalamnya. Pada ATI, skema yang mereka bangun disebut ATI Stream. Saat ini pemrograman paralel menjadi sangat penting karena kebutuhan kemampuan komputasi komputer yang terus meningkat seperti kemampuan multitasking dan pengolahan grafis yang andal. Metode saat ini dalam peningkatan peforma komputer juga berbeda dengan masa lampau dimana peningkatan clock dari processor yang diutamakan.

Peningkatan clock juga dibatasi oleh kemampuan fisik dari perangkat digital yaitu persoalan daya dan panas. Pada 2005 berbagai industri komputer mulai menawakan komputer dengan beberapa core mulai dari 2, 3, 4, 6, dst. Pada awal perkembangan GPU dengan banyak core, pemanfaatan GPU hanya dapat dilakukan dengan antarmuka seperti OpenGL dan DirectX dimana antarmuka tersebut dikhususkan hanya untuk pengolahan grafis.

2. Metode

Thread

Dalam pemrograman komputer, sebuah thread adalah informasi terkait dengan penggunaan sebuah program tunggal yang dapat menangani beberapa pengguna secara bersamaan. Dari program point-of-view, sebuah thread adalah informasi yang dibutuhkan untuk melayani satu pengguna individu atau permintaan layanan tertentu. Jika beberapa pengguna menggunakan program atau permintaan bersamaan dari program lain yang sedang terjadi, thread yang dibuat dan dipelihara untuk masing-masing proses.

Pengantar pemrograman cuda

GPU (Graphical Processing Unit) pada awalnya adalah sebuah prosesor yang berfungsi khusus untuk melakukan rendering pada kartu grafik saja, tetapi seiring dengan semakin meningkatnya kebutuhan rendering, terutama untuk mendekati waktu proses yang realtime /sebagaimana kenyataan sesungguhnya, maka meningkat pula kemampuan prosesor grafik tersebut. akselerasi peningkatan teknologi GPU ini lebih cepat daripada peningkatan teknologi prosesor sesungguhnya (CPU), dan pada akhirnya GPU menjadi General Purpose, yang artinya tidak lagi hanya untuk melakukan rendering saja melainkan bisa untuk proses komputasi secara umum.penggunaan Multi GPU dapat mempercepat waktu proses dalam mengeksekusi program karena arsitekturnya yang natively parallel. Selain itu Peningkatan performa yang terjadi tidak hanya berdasarkan kecepatan hardware GPU saja, tetapi faktor yang lebih penting adalah cara membuat kode program yang benarbenar bisa efektif berjalan pada Multi GPU.

3. Analisa

Thread

Thread memungkinkan program untuk mengetahui user sedang masuk didalam program secara bergantian dan akan kembali masuk atas nama pengguna yang berbeda. Salah satu informasi thread disimpan dengan cara menyimpannya di daerah data khusus dan menempatkan alamat dari daerah data dalam register. Sistem operasi selalu menyimpan isi register saat program interrupted dan restores ketika memberikan program kontrol lagi.

Pengatar Pemrograman Cuda

CUDA merupakan teknologi anyar dari produsen kartu grafis Nvidia, dan mungkin belum banyak digunakan orang secara umum. Kartu grafis lebih banyak digunakan untuk menjalankan aplikasi game, namun dengan teknologi CUDA ini kartu grafis dapat digunakan lebih optimal ketika menjalankan sebuah software aplikasi. Fungsi kartu grafis Nvidia digunakan untuk membantu Processor (CPU) dalam melakukan kalkulasi dalam proses data.

4. Saran dan Kesimpulan

Teknologi CUDA untuk komputasi paralel menggunakan GPU menunjukkan keunggulan terhadap komputasi sekuensial menggunakan CPU. Berdasarkan pengujian tersebut, diketahui bahwa selisih kedua komputasi untuk image processing tidak begitu besar terutama untuk operasi grayscale dan negatif. Namun untuk operasi deteksi tepi, makin besar ukuran gambar semakin terlihat kecepatan proses CUDA hingga 2.8 kali lipat lebih cepat daripada OpenCV yang didapat pada ukuran gambar 7500x5000. Hal ini disebabkan pada perbedaan algoritme pada tiap operasi. Pada operasi grayscale dan negatif memiliki algoritme yang hampir mirip yakni cukup menggunakan satu persamaan untuk mengubah warna tiap pixel gambar. Sedangkan algoritme untuk operasi deteksi tepi menggunakan matriks konvolusi 3x3 untuk matriks X dan Y. Hasil dari matriks tersebut baru dimasukkan pada tiap pixel gambarnya. Algoritme persamaan matriks tersebut lebih cepat dijalankan secara paralel. Namun untuk video processing, OpenCV sedikit lebih unggul dari CUDA dengan perbedaan hingga dua frame meskipun tidak begitu terlihat di dalam video. Dalam penelitian selanjutnya perlu dilakukan pengujian untuk membandingkan antara komputasi GPU(CUDA) dengan komputasi paralel untuk operasi dengan algoritme yang lebih kompleks. Untuk video processing bisa dibandingkan dengan memanfaatkan OpenGL untuk mengoptimakan GPU. Bahkan perlu dilakukan pengujian secara nyata untuk proses rendering

5. Sumber

http://carilahinspirasi.blogspot.com/2011/02/komputasi-terdistribusi.html

https://cudaku.wordpress.com/

https://www.academia.edu/28612603/MAKALAH_SISTEM_OPERASI_THREAD_CANCELLATION_NAMA_KELOMPOK_PROGRAM_STUDI_TEKNIK_INFORMATIKA_FAKULTAS_ILMU_KOMPUTERhttp://blog.ub.ac.id/fauziahmayasari/2012/07/25/implementasi-parallel-processing/

GRID COMPUTING

• Latar Belakang 

Seiring perkembangan jaman, dimana teknologi komputer sangat dibutuhkan untuk memecahkan suatu masalah baik dalam skala besar maupun skala kecil. Misalnya dalam penyelesaian masalah besar seperti perhitungan intensif perkiraan cuaca dan lainnya dibutuhkan sumber daya komputasi yang berkinerja tinggi (atau juga dikenal dengan sebutan high performance computing). Contohnya seperti Supercomputer dan  Multicomputer. Pada super computer yang memiliki spesifikasi yang bekinerja tinggi, namun untuk memenuhi komputer yang berspesifikasi seperti itu dibutuhkan komponen-komponen yang sesuai dengan kinerja komputer tersebut. Padahal komponen-komponen yang seperti itu hanya bisa didapatkan dengan harga yang relatif tinggi, sehingga hanya sedikit dari peneliti yang dapat memilikinya / menggunakannya. Dalam perkembangannya sistem komputasi dari sisi perangkat lunak maupun perangkat keras yang berkinerja tinggi sangat dibutuhkan oleh user atau  pengguna. Pengguna tidak lagi harus menggunakan super computer dengan harga yang mahal tetapi cukup dengan gridcomputing, semua layanan yang ada pada superkomputer dapat dipenuhi pada gridcomputing, apalagi dengan adanya sumber informasi yang saling terhubung maka akan meningkatkan kinerja gridcomputing.

Sedangkan untuk multi komputer di mana merupakan suatu sistem komputer yang terkoneksi dalam suatu jaringan. Multi komputer lebih terjangkau dibandingkan dengan super komputer. Tetapi banyak kelemahan dibandingkan super komputer maupun gridcomputing yaitu dalam hal pemakaiannya yang tebatas .Selain itu sistem komputer ini, masih menggunakan sisten jaringan umum yaitu lokal jaringan(LAN). Seperti yang telah kita ketahui dalam sistem jaringan LAN banyak kelemahan yang terdapat di dalamnya. Salah satunya kelemahan utamanya adalah dalam jaminan keamanan jaringan. Selain itu kelemahan dari sistem multikomputer adalah perangkat  lunak yang terdapat di multi komputer yang memungkinkan komputer bekerja dalam satu kesatuan yang memilikmi spesifikasi rumit , sehingga user atau pengguna harus mempunyai suatu keahlian khusus dalam  pemanfaatan sistem komputer tersebut.

Dari permasalahan diatas , maka perlu dicarikan suatu solusi dimana suatu sistem komputer yang memenuhi kriteria seperti harga yang terjangkau , keamanan terjamin, mudah digunakan dan tentu dengan sistem kinerja yang tinggi .Salah satu yang ditawarkan adalah gridcomputing.

• Metode Grid Computing

Globus  Toolkit  adalah  sebuah  toolkit  perangkat  lunak  yang  dikembangkan  oleh  The  Globus  Allianceyang dapat digunakan untuk membangun sistem grid computing. Versi terbaru Globus Toolkit saat ini adalah versi 6.0  (GT6). Globus Toolkit bersifat service oriented  architecture, dan memanfaatkan banyak komponen Web Services yang meliputi  XML  (Extensible  Markup Language), SOAP (Simple Object  Access  Protocol), dan WSDL (Web Services Definition Language) [4]. Komponen utama Globus Toolkit terdiri dari empat bagian yaitu  1) Execution  Management:  Komponen  ini  bertanggung  jawab  dalam  mengatur  bagaimana  eksekusidilakukan  di  atas  sumberdaya-sumberdaya  komputasi  yang  tersedia  di  dalam  sistem  grid  computing.Pengelolaan  ini  mencakup  eksekusi  program,  mulai  dari  inisiasi,  monitoring,  sampai  penjadwalan  dankoordinasi antar-proses.2) Data  Management:  Komponen  ini  bertanggungjawab  menyediakan  mekanisme  akses  bagi  penggunauntuk  mengakses  data  berukuran besar  dari  sumberdaya komputasi  di  dalam sistem  grid  computing secaraefisien dan reliable.3) Monitoring  and Discovery:  Komponen  ini bertanggungjawab  menyediakan  mekanisme  bagi  penggunasistem agar dapat melakukan monitoring terhadap proses komputasi yang sedang dijalankan, sehingga apabilaada masalah  yang timbul dapat segera diketahui dan dicari solusinya. Komponen ini juga bertanggung jawabmenyediakan mekanisme agar pengguna dapat dengan mudah menemukan serta mengidentifikasi keberadaansuatu  sumberdaya  komputasi berikut  karakteristiknya,  secara  otomatis  dan  real time.  Apabila  ditambahkansumberdaya  baru  ke  dalam  sebuah  sistem  grid,  sumberdaya  itu  harus  dapat  segera  diidentifikasi  denganmudah oleh para pengguna sistem.4)Security: GSI (Grid Security Infrastructure): Komponen ini bertanggung jawab atas keamanan sistem gridcomputing  secara keseluruhan.  Komponen  ini  pula  yang  merupakan  salah  satu  ciri  khas  teknologi  GlobusToolkit,  yang  membedakannya  dengan  teknologi-teknologi  pendahulunya  seperti  PVM  atau  MPI.  Denganditerapkannya mekanisme keamanan yang terintegrasi dengan komponen-komponen grid computing  lainnya,maka  Globus  Toolkit  dapat  diterapkan  di  lingkungan  jaringan  publik  (Wide  Area  Network  atau  Internet)tanpa menurunkan tingkat keamanannya .C. HTCondorCondor adalah sistem atau tools untuk mengatur beban kerja di lingkungan cluster yang bersifat compute-intensive.  Condor  dikembangkan  oleh  Departemen Ilmu  Komputer  di  Wisconsin-Madison  University pada tahun 1988. Berkebalikan dengan model umum saat itu yaitu dominant-centralized control model, pada model Ind. Journal on Computing Vol. 2, Issue. 1, Maret 2017 9

Condor para partisipan (penyedia sumberdaya) di dalam sebuah sistem  grid  dibebaskan  untuk  berkontribusi sebanyak atau sesedikit yang mereka kehendaki .  Condor berubah nama menjadi  HTCondor pada tahun 2012. HTCondor adalah software yang digunakan untuk  membangun  sebuah  lingkungan  high  throughput  computing  (HTC).  Perbedaan  high  throughput computing  (HTC)  dengan  high  performance  computing  (HPC)  adalah  sebagai  berikut.  Lingkungan  HPC bertujuan  menyediakan  sumberdaya  komputasi  yang  sangat  tinggi  untuk  digunakan  dalam  waktu  yang singkat, dan ukuran  yang  digunakan untuk mengukur kinerja HPC  adalah FLOPS (floating  point operations per  second).  Akan  tetapi,  untuk  komunitas  pengguna  yang  lebih  luas,  seringkali  yang  menjadi  perhatian bukanlah operasi per detik, melainkan operasi per bulan atau bahkan per tahun. Banyak program paralel yang ketika  dijalankan  di atas  sistem  paralel membutuhkan  waktu  berbulan-bulan.  Oleh  karena  itu  ukuran  yang lebih  cocok  digunakan untuk  mengukur  sistem paralel  seperti  ini bukanlah  berapa  banyak operasi  floating point  yang  bisa  diselesaikan  per  detiknya  (FLOPS),  tapi  berapa  banyak  pekerjaan  skala  besar  yang  bisa ditangani  per  bulannya atau  bahkan  per tahunnya.  Sistem  HPC  yang  lebih  berorientasi  jangka  panjang  ini disebut high throughput computing (HTC). Pengguna mensubmit job  ke HTCondor. Lalu  HTCondor akan mencarikan  mesin yang tersedia  di sistem melalui  jaringan,  dan  kemudian  mendelegasikan  job  itu ke  mesin  tersebut.  HTCondor  mampu  mendeteksi apabila sebuah mesin tidak lagi available

• Analisis

Perancangan  dan  implementasi  sistem  grid  computing  dilakukan  di  lingkungan  Lab  High Performance Computing,  Program  Studi Ilmu  Komputasi,  Universitas  Telkom.  Pada penelitian  ini  digunakan  satu  buah cluster (Celebes Cluster) sebagai  sumber daya grid computing. Celebes cluster  merupakan  dedicated  cluster yang  terdiri  dari  3  buah  node  dan  1  headnode. Terdapat  pula  1 buah  server  sebagai portal  dan  certificate authority manager dari sistem grid computing ini.

Alur perancangan sistem grid  computing  pada  penelitian ini dapat dilihat  pada  Gambar  . Langkah pertama  yaitu  instalasi  cluster,  kemudian  lakukan  konfigurasi job scheduler (Condor) pada  cluster  tersebut. Berikutnya yaitu install dan konfigurasi Globus Toolkit pada node yang berbeda. Konfigurasi tambahan perlu dilakukan untuk mensinkronkan Globus Toolkit  dengan Condor. Setelah sistem selesai  dibangun, dilakukan ujicoba dan analisis hasil percobaan. Persiapan HardwareInstalasi ClusterKonfigurasi Job Scheduler/condorInstalasi dan konfigurasi Globus Toolkit Konfigurasi globus toolkit dengan condorApakah globus toolkit perlu konfigurasi dengan local resource manager ?Uji Coba Sistem/submit jobAnalisis hasil percobaanKesimpulan dan laporanya tidak

• Kesimpulan

1) Sistem  grid  computing  dengan  memanfaatkan  cluster  dapat  dibangun  dengan  melakukan  konfigurasiCondor  sebagai  local resource  manager  pada  cluster,  dan konfigurasi  Globus  Toolkit  sebagai  pengalokasisumber daya sistem grid computing.

2) Pada  penelitian  ini, konfigurasi  Globus  Toolkit  dengan  Condor  telah  berhasil  dan  sudah  berjalan  denganbaik  sehingga  lingkungan  grid  computing  yang  dibangun  telah  menyediakan  sumberdaya  berbasis  clusteryang  dapat  diakses  oleh  pengguna.  Performansi  sistem  grid  computing  juga  telah  diujicoba  menggunakanstudi  kasus  perkalian  matriks  secara  parallel,  dengan metode  strong scaling  di  mana  ukuran  problem/datadibuat tetap dan jumlah prosesor diperbanyak.

3) Sistem  grid  computing  yang  dibangun  menunjukkan  bahwa  eksekusi  program  dapat  dipercepat  denganmenambah  jumlah  prosesor,  namun  tidak  berbanding  lurus  dengan  jumlah  penambahan  tersebut  karenaadanya communication overhead