Hasil Pencarian  ::  Simpan CSV :: Kembali

"Dibahas algoritma paralel Prefix Sums pada model komputer SIMD dengan model EREW SM SIMD dan model keterhubungan elemen prosesor berbentuk: Khusus, Unshuffle, Pohon dan Mesh dimensi 2. Kompleksitas waktu dari algoritma paralel Prefix Sums adalah:O(log n) pada model EREW SM SIMD,O(log n) pada keterhubungan Khusus,O(log n) pada keterhubungan Unshuffle,O(log n) I pada keterhubungan Pohon, dan0(n112) I pada keterhubungan Mesh dimensi 2.Algoritma paralel Prefix Sums mi dimanfaatkan dalam optimisasi masalah Knapsack."

"Generalized Assignment Problem (GAP) adalah masalah penugasan sehimpunan berhingga agen ke sehimpunan berhingga pekerjaan. Setiap pekerjaan mempunyai bobot dan setiap agen mempunyai kapasitas, sehingga setiap agen tidak dapat mengerjakan seluruh pekerjaan, tergantung kepada kapasitas yang dimiliki. Ada biaya yang harus dikeluarkan jika agen mengerjakan suatu pekerjaan. Pada skripsi ini akan dilihat kinerja dari algoritma Greedy Randomized Adaptive Search Procedure (GRASP) dalam menyelesaikan GAP. Algoritma GRASP terdiri dari 2 fase, yaitu fase konstruksi solusi awal dengan algoritma Greedy Randomized Adaptive Heuristics (GRAH) dan fase perbaikan dengan metode local search. Kinerja dari algoritma GRASP akan diukur berdasarkan kedekatan solusi yang diperoleh dengan Best Known Solution (BKS). Data masalah untuk menguji diambil dari OR Library. Berdasarkan hasil percobaan, dapat disimpulkan bahwa kinerja Algoritma GRASP dalam menyelesaikan GAP cukup baik untuk masalah GAP berukuran kecil, yaitu berukuran 5 x 15, 5 x 20, 5 x 25, 5 x 30, 8 x 24, 8 x 32."

"Tugas akhir ini menjelaskan tiga buah algoritma untuk menyelesaikan masalah knapsack 0/1 berkendala tunggal. Ketiga algoritma tersebut, terdiri atas sebuah algoritma serial dan dua buah algoritma paralel. Algoritma serial yang dibahas, diperkenalkan oleh Horowitz dan Sahni. Algoritma paralel yang pertama diperkenalkan oleh Lee, Shragowitz dan Sahni, sedangkan, algoritma kedua oleh Lin dan Storer. Prinsip-prinsip pemrograman dinamik digunakan pada setiap algoritma untuk memperoleh penyelesaian masalah. Secara serial masalah knapsack 0/1 memiliki kompleksitas 0(mc). Jika dengan menggunakan algoritma dari Lee dapat diselesaikan dalam 0(mc/n + c.2log n + c2), sedangkan dengan Lin-Storer dalam 0 (mc log n)/n). Untuk memperjelas pemahaman terhadap proses paralel tersebut, dibuat sebuah simulasi yang berdasarkan algoritma paralel Lin-Storer."

"Tugas akhir ini menyelidiki performance rata-rata dari beberapa algoritma yang diimplementasikan pada binary tree. Diperoleh bahwa algoritma travel secara inorder yang menggunakan thread menghasilkan performance yang lebih baik dibandingkan dengan algoritma yang menggunakan stack. Sedangkan sacara preorder dan postorder hanya terdapat sedikit perubahan pada performance rata-rata."

"Perkembangan teknologi prosesor seperti multicore menjadi bagian dari pengembangan HPC. Pengujian terhadap algoritma paralel dengan MPICH2 dan Cilk++ menggunakan variabel jumlah proses dan core diharapkan dapat menunjukkan perbedaan kinerja (waktu proses) yang signifikan.Analisis yang dilakukan pada hasil eksperimen menunjukkan implementasi algoritma paralel dengan MPICH2 memberikan speed-up hingga 5,987 pada perkalian matriks dan 4,175 pada pengurutan data (sorting) serta efisiensi hingga 0,967 dan 0,721 pada masing-masing aplikasi.Sedangkan implementasi algoritma paralel dengan Cilk++ memberikan speed-up relatif hingga 25,126 pada perkalian matriks dan 9,105 pada pengurutan data (sorting) serta efisiensi relatif hingga 6,672 dan 2,593 pada masing-masing aplikasi.

---

Developments of processors technology like multicore become apart of HPC developments. The experiments that apply the parallel algorithms using MPICH2 and Cilk++ with variables at process and core amount are expected can show significant differences of the performance (process time).The analysis done to the experiment results showed that the parallel algorithms implementation using MPICH2 give speed-up until 5.987 at matrix multiplication and 4.175 at data sorting also give efficiency until 0.967 and 0.721 at each following applications.While the parallel algorithms implementation using Cilk++ give relative speed-up until 25.126 at matrix multiplication and 9.105 at data sorting also give relative efficiency until 6.672 and 2.593 at each following applications."

"Hal yang harus diperhatikan dalam penggunaan Probabilistic Neural Network (PNN) adalah penentuan ukuran jaringan dan nilai parameter smoothing. Ukuran jaringan PNN akan semakin besar seiring dengan bertambahnya jumlah data pelatihan yang mengakibatkan biaya komputasi juga semakin tinggi. Sementara nilai parameter smoothing akan mempengaruhi tingkat klasifikasi dimana nilai yang optimal tergantung pada karakteristik data. Algoritma PNN-Terotimasi (PNN-T) adalah algoritma yang dikembangkan untuk menentukan struktur PNN yang optimal. Dalam PNN-T, nilai parameter smoothing yang optimal dipilih dengan menggunakan Algoritma Genetika, sedangkan ukuran jaringan ditekan dengan milikih neuron yang representatif menggunakan Algoritma Orthogonal. Dilakukan perbandingan anata PNN dengan PNN-T dalam masalah pengenalan aroma 2 campuran.Dan hasilnya PNN-T mempunyai kinerja yang lebih baik yaitu tingkat pengenalan lebih tinggi dan penggunaan neuron dengan jumlah lebih rendah dibandingkan PNN"

"Penggabungan dua himunan terutut (merging) merupakan salah satu bahan pembahasan dalam bidang ilmu komputer, khususnya yang berkenaan dengan analisa dan kompleksitas algoritma serta kecepatan komputasi. Salah satu usaha untuk nenigkatkan kecepatan komputasi masalah penggabungan ialah dengan menggunakan proses paralel. Oleh karena itu penulis membahas algoritma paralel Penggabungan dari dua buah himpunan terurut pada model komputasi paralel SM CREW (Shared-Memory concurrent Read, Exclusive Write) dari kelas komputer SIMD (Single Instruction Stream Multiple Data Stream) dan SM EREW (Shared-Memory Exlusive Read, Exclusive Write) dari kelas Computer SIMD (Single Instruction Stream Multiple Data Stream), serta analisa algloritma-algoritma tersebut. Untuk implementasinya dipakai metoda simulasi dengan bahasa pemrogaman ADA, karena bahasa pemrogaman ini mendukung dalam simulasi pemrosesan seeara paralel. Dengan membuat simulasi ini dapat diperoleh hasil yang bisa dipakai untuk memperkirakan kemungkinan jika diimplementasikan pada kondisi yang sesungguhnya."

"Odd-even-transposition adalah suatu algoritma paralel yang merupakan pengembangan dari algoritma sekuensial ?bubble sort?. Algoritma odd-even-transposition ini didesain khusus untuk model jaringan array linier (homogen). Untuk n elemen data, kompleksitas waktu dari algoritma bubble sort adalah O(n2), sedangkan pada odd-even-transposition yang bekerja di atas n prosesor adalah (n). Ada peningkatan kecepatan waktu pada kinerja algoritma paralel ini sebesar n kali dibanding algoritma sekuensialnya. Hypercube dimensi k adalah model jaringan non-linier (non-homogen) terdiri dari n = 2k prosesor, di mana setiap prosesor berderajat k. Model jaringan Fibonacci cube dan extended Lucas cube masing-masing merupakan model subjaringan hypercube dengan jumlah prosesor < 2k prosesor dan maksimum derajat prosesornya adalah k. Pada paper ini, diperlihatkan bagaimana algoritma odd-even-transposition dapat dijalankan juga pada model jaringan komputer cluster non-linier hypercube, Fibonacci cube, dan extended Lucas cube dengan kompleksitas waktu O(n).

---

AbstractOdd-even-transposition is a parallel algorithm which is the development of sequential algorithm ?bubble sort?. Odd-even transposition algorithm is specially designed for linear array network model (homogeneous). For n data elements, the time complexity of bubble sort algorithm is O(n2), while the odd-even-transposition that works with n processor is (n). There in an increase in the speed of time on the performance of this parallel algorithms for n times than its sequential algorithm. K-dimensional hypercube is a non-linear network model (non-homogeneous) consists of n = 2k processors, where each processor has k degree . Network model of Fibonacci cube and extended Lucas cube are the hypercube sub-network model with the number of processors"