Hasil Pencarian  ::  Simpan CSV :: Kembali

"ABSTRAKAlgoritma Markov Clustering adalah algoritma pengelompokan yang banyak digunakan pada bidang bioinformatik. Operasi utama pada algoritma ini adalah operasi ekspansi. Pada operasi ekspansi dilakukan perkalian dua buah matriks. Karena data pada bidang bioinformatik umumnya berukuran sangat besar dan memiliki tingkat sparsity yang sangat tinggi, diperlukan metode untuk menghemat penggunaan memori dan mempercepat proses komputasi. Sementara itu, Graphics Processing Unit (GPU) berkembang menjadi suatu platform komputasi paralel dengan performa yang lebih baik dari pada Central Processing Unit (CPU). Pada skripsi ini data yang diproses disimpan dalam bentuk sparse matriks ELL-R dan perkalian matriks yang dilakukan menggunakan Sparse Matrix Matrix Product (SpMM) ELL-R. SpMM ELL-R dibuat dengan melakukan Sparse Matrix Vector Product (SpMV) ELL-R beberapa kali. Algoritma MCL yang dibuat menggunakan komputasi paralel dengan GPU.

---

ABSTRACTMarkov Clustering Algorithm is a clustering algorithm that used often in bioinformatics. The main operation of this algorithm is expand operation. The multiplication of two matrix was done in expand operation. Because data processed in bioinformatics usually have a vast amount of information and have high sparsity, a method to save memory usage and make the computating process faster is needed. Meanwhile, Graphics Processing Unit (GPU) developed into a parallel computing platform with better performance compared to Central Processing Unit (CPU). In this skripsi, processed data stored using ELL-R sparse matrix and matrix multiplication done using Sparse Matrix Matrix Product (SpMM) ELL-R. SpMM ELL-R made by doing Sparse Matrix Vector Product (SpMV) ELL-R several times. MCL Algorithm made using parallel computing with GPU."

"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."

"ABSTRAKSupercomputer, yang pada dekade delapan puluhan merupakan sarana komputasi berkinerja tinggi saat ini semakin kurang diminati oleh kalangan akademisi di universitas karena perbandingan biaya dan kinerjanya yang semakin menurun. Pilihan lain yang tersedia adalah jaringan komputer, terutama setelah berkembangnya programming tools yang mendukung implementasi algoritma komputasi paralel pada sarana tersebut. Kecenderungan pemanfaatan jaringan komputer sebagai sarana komputasi berkinerja tinggi sejalan dengan perkembangan jaringan komputer itu sendiri, yang pada masa kini ditandai dengan : meningkatnya kinerja prosesor disertai dengan penurunan harga yang tajam, meningkatnya kapasitas transfer jalur komunikasi antar prosesor secara drastis dan tersedianya sarana bantu pemrograman yang semakin mendukung. Akibatnya, jaringan komputer yang banyak terdapat di lembaga pendidikan tinggi, dapat dimanfaatkan sesuai dengan kemampuannya sebagai sarana komputasi berkinerja tinggi. Penelitian ini I bertujuan untuk mengkaji kemampuan jaringan komputer dalam mendukung komputasi paralel.Metode pengujian yang dilakukan adalah metode pengujian empiris. Dilakukan serangkaian ujicoba dengan program penguji yang dirancang khusus, atau benchmark programs, baik dalam bentuk synthetic benchmark maupun application benchmark. Program-program uji tersebut dirancang untuk menggali potensi kemampuan jaringan komputer, ditinjau dari : kinerja prosesornya, efektifitasnya dalam mendukung berbagai jenis penjadwalan beban kerja, kemampuan sarana pertukaran pesan antar prosesnya dan kemungkinan penerapan mekanisme untuk menghindari kegagalan proses komputasi (fault tolerant computing). Juga dilakukan penelitian terhadap faktor-faktor lain yang berpengaruh terhadap kinerja algoritma komputasi paralel, seperti : pemanfaatan prosesor heterogen dan pemanfaatan prosesor · dengan berbagai ukuran memori. Pengujian dilakukan secara berulang, untuk setiap jenis program penguji; agar didapatkan data statistik yang relatif konvergen.Sebagai sarana uji coba, digunakan dua jenis computing platforms, yaitu Jaringan komputer homogen berbasis stasiun kerja SUN dan jaringan komputer heterogen berbasis komputer pribadi jenis terakhir.Dari hasil uji coba dan analisa data yang telah dilakukan, dapat ditarik kesimpulan bahwa jaringan komputer memiliki potensi yang besar untuk dapat dimanfaatkan sebagai sarana penerapan algoritma komputasi paralel. Semakin banyak prosesor yang digunakan, semakin cepat proses dapat diselesaikan. Walaupun demikian, pengguna sarana jenis ini harus memperhatikan keterbatasan yang ditemukan pada penelitian : pertukaran pesan antar proses harus dilakukan dengan perhitungan cermat, karena relatif rendahnya kemampuan transfer data dari saluran komunikasi dan kurang efisien-nya protokol pendukung. Kinerja jaringan akan optimal bila algoritma paralel dapat dijadwalkan dengan membagi beban secara seimbang keseluruh prosesor yang berpartisipasi dan membatasi pertukaran pesan seminimal mungkin. Semakin tinggi kompleksitas beban kerja prosesor, semakin baik kinerja jaringan yang diperoleh, ditinjau dari perolehan percepatan proses (speed-up). Pada jaringan ho111ogen, penyei1nbangan be ban kerja paralel relatif mudah untuk dilakukan, karena kemampuan olah prosesor yang setara. Pada jaringan heterogen, penyeirnbangan beban lebih sulit untuk dilakukan, karena kemampuan prosesor yang berbeda. Pendekatan yang dilakukan pada jaringan jenis ini adalah, menjadwalkan beban dengan mengusahakan agar kompleksitas beban kerja setara dengan kemampuan olah prosesor yang dituju (heuristic). Ukuran memory, berpengaruh terhadap kinerja program. Program dengan ukuran relatif besar, yang melebihi kapasitas memory yang ada, menimbulkan terjadinya proses paging antara memori utama dan memori maya, yang memperlambat waktu olah program secara keseluruhan. "

"Penggunaan aplikasi paralel berbasis MPI adalah salah satu cara dalam rangka memenuhi kebutuhan komputasi yang terus meningkat. Lebih dari satu sumber daya dapat dimanfaatkan secara simultan dalam rangka melakukan komputasi. Pada sisi yang lain, Grid Computing hadir dengan menawarkan sumber daya komputasi besar. Lebih dari satu sumber daya yang tersedia, walaupun heterogen dan berada dalam lokasi yang tersebar, dapat dimanfaatkan bersama-sama dalam rangka menyediakan sumber daya komputasi yang besar. Penelitian ini dilakukan dalam rangka mencari tahu bagaimana cara melakukan eksekusi aplikasi paralel berbasis MPI di atas lingkungan komputasi Grid. MPI digunakan dalam membangun aplikasi paralel yang akan melakukan komputasi dan Grid berperan sebagai penyedia sumber daya komputasi tersebut. Beberapa model lingkungan komputasi bagi aplikasi MPI ini telah dibuat, mulai dari bentuk yang sederhana sampai membentuk lingkungan komputasi Grid yang menggunakan sistem penjadwalan job sehingga proses akan diletakkan pada tempat yang tepat."

"Pada penelitian ini, penerapan dari komputasi paralel dan komputasi awan dilakukan dalam sistem pendeteksi plagiarisme menggunakan algoritma winnowing dengan tujuan untuk mempersingkat waktu eksekusi program. Paralelisasi dilakukan pada bagian pemrosesan data paragraf dari dokumen referensi. Program dijalankan pada sistem komputasi awan OpenStack yang berada di Departemen Teknik Elektro, Universitas Indonesia agar dapat dilakukan paralelisasi secara optimal dengan mengutilisasi inti prosesor pada sistem. Didapatkan hasil bahwa waktu eksekusi dengan komputasi paralel berhasil menjadi lebih cepat sebesar 1,07 sampai dengan 3,52 kali dibandingkan waktu eksekusi dengan komputasi serial.

---

In this research, impementation of parallel computing and cloud computing was done within the plagiarism detection system using the winnowing algorithm with an objective to decrease the execution time of the program. Parallelization was done on the portion of the program where the paragraphs of reference documents are processed. The program was then executed on the OpenStack cloud computing system in the Department of Electrical Engineering, Universitas Indonesia in order for the parallelization to be optimal by utilizing the cores on the system. The results were that the execution time with the paralel computation was successfully sped up by 1.07 to 3.52 times compared to the execution time with serial computing."

"Teknologi microarray adalah teknologi di bidang bioinformatika yang digunakan untuk mengukur ekspresi gen dalam berbagai kondisi eksperimental dan menghasilkan data ekspresi gen. Salah satu metode yang dapat digunakan untuk menganalisis data ekspresi gen adalah triclustering, Triclustering adalah metode pengelompokan data tiga dimensi berdasarkan karakteristik yang serupa. Berbagai algoritma seperti TriGen, δ-Trimax dan EMOA-δ-Trimax dikembangkan untuk melakukan triclustering. Namun, seluruh algoritma tersebut menghadapi masalah yang sama, yaitu waktu komputasi yang lama. Penelitian ini menggunakan Coarse-grain Parallel Genetic Algorithm (CgPGA) untuk mengatasi tantangan waktu komputasi pada triclustering. Algoritma ini membagi data menjadi beberapa subpopulasi dan menjalankan proses evolusi genetik secara paralel menggunakan enam core. Penelitian ini mengusulkan penggunaan CgPGA untuk mempercepat proses triclustering pada data ekspresi gen darah microarray tiga dimensi yang dipengaruhi empat jenis minuman dan diukur pada lima titik waktu. Kualitas tricluster dievaluasi menggunakan fitness function yang diadaptasi dari Mean Square Residue (MSR), weights, dan distinction. Hasil penelitian ini menunjukkan bahwa CgPGA secara signifikan mengurangi waktu komputasi dengan bekerja 18,24 kali lebih cepat dibandingkan dengan Genetic Algorithm secara serial yang diukur dengan speedup. CgPGA berhasil diterapkan untuk melakukan triclustering pada data ekspresi gen tiga dimensi microarray berdasarkan kemiripan pola ekspresi gen. 10 tricluster yang dihasilkan memiliki kombinasi gen, kondisi, dan waktu yang beragam, serta memiliki fitness score tinggi yang berkisar antara 2514,542745 hingga 2568,106026. Tricluster 5 memiliki fitness score tertinggi yaitu sebesar 2568,106026. Selanjutnya, hasil triclustering dianalisis menggunakan Gene Ontology (GO) dan KEGG Pathway untuk mengidentifikasi informasi gen dan interaksi antar gen di dalam tricluster. Hasil penelitian menunjukkan bahwa GO berhasil mengidentifikasi gen-gen di dalam tricluster dalam aspek proses biologis, fungsi molekuler, dan komponen seluler. Analisis KEGG Pathway menunjukkan bahwa gen-gen di dalam tricluster berpartisipasi dalam berbagai jalur biokimia, salah satunya adalah jalur diabetic cardiomyopathy. Secara keseluruhan, penelitian ini memberikan kontribusi signifikan dalam analisis data genomik dengan mengimplementasikan teknik triclustering menggunakan CgPGA yang efektif dan efisien, serta memperluas pengetahuan tricluster melalui identifikasi informasi genetik yang relevan dan meningkatkan pemahaman tentang interaksi biologis yang terjadi pada suatu kelompok gen berpola ekspresi serupa menggunakan GO dan KEGG Pathway.

---

Microarray technology is a bioinformatics tool utilized to measure gene expression across various experimental conditions, generating comprehensive gene expression data. Triclustering, a method for clustering three-dimensional data based on similar characteristics, is one approach to analyzing this data. Despite the development of several algorithms for triclustering, such as TriGen, δ-Trimax, and EMOA-δ-Trimax, they all encounter the challenge of lengthy computation times. This study addresses this issue by employing the Coarse-grain Parallel Genetic Algorithm (CgPGA). The algorithm mitigates computational time by dividing the data into several subpopulations and executing the genetic evolution process in parallel across six cores. The study demonstrates the application of CgPGA to expedite the triclustering process on three dimensional microarray blood gene expression data, influenced by four types of beverages and measured at five different time points. The triclusters' quality is assessed using a fitness function adapted from Mean Square Residue (MSR), weights, and distinction. Results indicate that CgPGA significantly reduces computation time, operating 18,24 times faster than the serial Genetic Algorithm as measured by speedup. CgPGA effectively performs triclustering on three-dimensional microarray gene expression data. The 10 resulting triclusters exhibit diverse combinations of genes, conditions, and time points, and have high fitness scores ranging from 2514.542745 to 2568.106026. Tricluster 5 has the highest fitness score of 2568.106026. Further analysis of the triclustering results using Gene Ontology (GO) and KEGG Pathway reveals gene information and interactions within the triclusters. GO analysis successfully identifies genes within the triclusters in terms of biological processes, molecular functions, and cellular components, while KEGG Pathway analysis shows that the genes participate in various biochemical pathways, including the diabetic cardiomyopathy pathway. Overall, this study significantly contributes to genomic data analysis by implementing an efficient and effective triclustering technique using CgPGA, expanding the understanding of triclusters by identifying relevant genetic information, and enhancing the comprehension of biological interactions within gene groups exhibiting similar expression patterns using GO and KEGG Pathway."

"Sistem deteksi plagiarisme pada paper terdiri atas dua bagian penting, yaitu akurasi pada pengecekan dan optimalisasi kecepatan waktu proses saat melakukan pengecekan. Akurasi merupakan bagian yang menentukan apakah paper yang dicek termasuk plagiarisme atau tidak. Optimalisasi kecepatan merupakan usaha yang dilakukan dalam meningkatkan waktu proses dalam melakukan penerjemahan paper dan proses pengecekan paper dengan referensi. Adapun proses sistem deteksi plagiarisme paper adalah memasukkan data referensi Paper bahasa Inggris yang bersangkutan, pemasukan data referensi paper bahasa Indonesia yang akan dilakukan pengecekan, proses penerjemahan Paper dari bahasa Indonesia ke dalam bahasa Inggris, proses pengecekan deteksi plagiarisme kepada tiap-tiap referensi paper yang ada dengan menerapakan proses komputasi paralel dengan beberapa slave, pengecekan kemiripan dengan menggunakan metode LSA (Latent Semantic Analysis), memberikan keluaran nilai tingkat kemiripan berdasarkan proses LSA terhadap masing-masing paper. Pada skripsi ini difokuskan pada optimalisasi kecepatan waktu yang dihasilkan dengan menerapkan komputasi paralel pada sistem serta analisis performansi pada sistem deteksi plagiarisme paper bahasa Indonesia dengan referensi paper bahasa Inggris.

---

Paper plagiarism detection system consist of two important points, which is accuracy of checking and optimalization of amount of time usage for checking process. Accuracy is part to check whether tested paper is plagiarism or not. Speed optimalization is part to improve the process time of translating the tested paper and checking tested paper with reference paper. The process of plagiarism detection system are input of English language reference Paper, input of Indonesian language tested Paper, translating tested Paper from Indonesian language to English language process, checking to each reference Paper with parallel computation applied on slaves process, checking of similarity with LSA (Latent Semantic Analysis) method, gives output similarity scores between tested Paper and reference Paper given by LSA method. This thesis and research focused at optimalization of time usage with parallel computation system applied on plagiarism detection system between Indonesian language tested Paper and English language reference Paper speed."