Hasil Pencarian  ::  Simpan CSV :: Kembali

"Kebutuhan akan kompleksitas pada sistem tertanam membuahkan sebuah produk yang disebut SoC (System on Chip). System on Chip adalah sebuah Integrated Circuit (IC) yang mengintegrasikan semua komponen dari sebuah komputer atau sistem elektronik dalam satu buah chip. Untuk mengetahui kondisi dan kemampuan dari Single Board Computer (SBC), harus diukur terlebih dahulu melalui benchmarking. Benchmarking dilakukan pada komponen SoC, yaitu prosesor, GPU, dan RAM pada Raspberry Pi 2, Intel Galileo Gen 2, dan Cubieboard 1. Hasil menunjukkan Intel Galileo memiliki performa buruk dalam melaksanakan komputasi kompleks. Dari delapan kriteria penilaian, Galileo mempunyai lima skor terburuk dengan rata-rata beban maksimal CPU 58% dan RAM 31.4% dan rata-rata temperatur adalah 55.8℃. Raspberry Pi 2 adalah yang terbaik dengan rata-rata beban maksimal CPU 43% dan RAM 15.8% dengan rata-rata maksimal temperatur adalah 52℃.

---

The need for complexity in embedded systems produce a product called SoC (System on Chip). System on Chip is an Integrated Circuit (IC) that integrates all the components of a computer or electronic system in a single chip. To determine the condition and capabilities of the Single Board Computer (SBC), must be measured in advance through benchmarking. Benchmarking conducted on SoC components, there are processor, GPU, and RAM on the SBC type such as Raspberry Pi 2, Intel Galileo Gen 2, and Cubieboard 1. Results showed Intel Galileo has a bad performance in executing complex computing. Of the eight assessment criteria, Galileo has five scores worst with an average load of 58% maximum CPU and RAM 31.4% and the average temperature is 55.8℃. Raspberry Pi 2 is the best performance with an average load of 43% maximum CPU and RAM 15.8% with an average maximum temperature is 52℃."

"ABSTRAKData besar tidak hanya dilihat dari jumlah sampelnya tetapi juga dapat dilihat dari berapabanyak ciri yang tersimpan di setiap sampel tersebut. Seleksi ciri yang paling representatifadalah tugas penting pada data besar untuk mengurangi dimensi. Metode seleksi ciridapat menjadi solusi untuk mengatasi masalah ini. Pada penelitian ini diterapkan metodepenggabungan seleksi ciri yang terdistribusi secara homogen dengan partisi 2-dimensiuntuk memperbaiki algoritme klasifikasi. Dari hasil eksperimen yang telah dilakukandapat ditarik kesimpulan metode yang dirancang mampu memperbaiki kinerja metodeklasifikasi untuk setiap dataset yang digunakan. Metode yang diusulkan menggunakanpartisi 2-dimensi yang dapat mempercepat proses latih sekaligus memperbaiki kinerjaakurasi. Metode yang diusulkan dapat memperbaiki metode sebelumnya rata-rata 2%untuk dibeberapa dataset dan mempercepat proses hampir 2 kalinya.

---

ABSTRACTBig data is not only seen from the number of its samples but can also be seen from howmany features were stored in each sample. The selection of the most representative feature is an important task in big data analysis in order to reduce the dimension. The featureselection method can be a solution to overcome this problem. In this research, a homogeneous distributed ensemble feature selection method with 2-dimensional partition isused as the feature selection. The results showed that the proposed method can speed upthe training process in addition to improving the classification accuracy. The proposedmethod can improve the accuracy from the standard feature selection method with an increase of 2% for several datasets. In addition, it also speeds up the computation to almosttwo times faster."