30/05/2013
Kebutuhan Komputer Berkinerja Tinggi
Pemrosesan Paralel Kudang B. Seminar
• Peramalan cuaca • Aerodinamik • Kercerdasan buatan: robotik • Rekayasa genetik
Contoh aplikasi di atas melibatkan komputasi intensif dan memerlukan daya olah yang tinggi
Example 1: Weather Prediction
Performance: Weather Prediction
• Area, segments – 3000*3000*11 cubic miles – .1*.1*.1 cubic mile: ~ 1011 segments
• Two day prediction – half hour periods: ~ 100 periods
• Computation per segment – Temp, Pressure, Humidity, Wind speed, Wind direction – Assume ~ 100 FLOPs
• Computational requirement: 1015 • Serial supercomputer: 109 instr/sec • Total serial time: 106 sec = 280 hours • Not too good for 48 hour weather prediction
1
30/05/2013
Parallel Weather Prediction
Other Challenging Applications
• 1 K workstations, grid connected
• Satellite data acquisition: billions of bits / sec • Satellite data processing
– – – –
108 segment computations per processor 108 instructions per second 100 instructions per segment computation 100 time steps: 104 seconds = ~3 hours • Much more acceptable – Assumption: Communication not a problem here
• More workstations: – finer grid – better accuracy
– Pollution levels, Remote sensing of materials – Image recognition
• Discrete optimization problems
– Planning, Scheduling, VLSI design
• Material modeling • Nuclear weapons modeling (ASCI) • Airplane/Satellite/Vehicle design
Application Specific Architectures
ASICS cont’
• Mapping an algorithm directly onto hardware
• How much faster than General purpose?
– ASICs: Application Specific Integrated Circuits – Levels of ‘specificity’ • Full custom ASICs • Standard cell ASICs • Field programmable gate arrays – Computational models • Dataflow graphs • Systolic arrays – Orders of magnitude better performance – Orders of magnitude lower power
– Example: 1D 1024 FFT • General purpose machine (G4): 25 micro secs • ASIC device (MIT Lincoln Labs): 32 nano secs • ASIC device uses 20 milliwatts (100 * less power)
• Future designs:
– 2 tera ops in small ( < cubic ft ) device – Target applications • FFT • Finite Impulse Response (FIR) Filters • Matrix multiply • QR decomposition
2
30/05/2013
Contoh Nyata • Peramalan cuaca 24 jam di UK melibatkan sekitar 1012 operasi
Motivation of Parallel Computing
untuk dieksekusi. Ini memerlukan waktu 2.7 hours pada mesin
Berapa operasi untuk peramalan mingguan, bulanan, tahunan? Cray-1 (berkemampuan 108 operasi per detik).
• Menurut Einstein kecepatan cahaya: 3 x
108
m/dt. Dua peralatan elektronik yang masing-masing mampu melakukan 1012 operasi/detik dan terpisah dengan jarak 0.5 mm. Dalam hal ini akan lebih lama waktu yang diperlukan bagi sinyal melakukan perjalanan antar dua peralatan tersebut daripada waktu yang diperlukan untuk melakukan eksekusi operasi (10detik) oleh salah satu peralatan elektronik tersebut. Jadi faktor pembatasnya adalah kecepatan cahaya. 12
SOLUSI: mendayagunakan paralelisme
Wile E. Coyote’s Parallel Computer • Get a lot of the fastest processors • Get a lot of memory per processor • Get the fastest network • Hook it all together • And then what ???
• Parallel Computing is cost effective – Off the shelf, commodity processors are very fast – Memory is very cheap – Building a processor that is a small factor faster costs an order of magnitude more – NoW is the time! • Cheapest way to get more performance: multiprocessor • NoW: Networks of workstations • Workstation can be an SMP • SMP: Symmetric Multi Processor – Shared memory – Bus
Now you need to program it! Parallel programming introduces: – Task partitioning, task scheduling – Data partitioning – Synchronization – Load balancing – Latency issues • hiding • tolerance
3
30/05/2013
Speedup
Pemrosesan Sekuensial & Paralel
• Ideal: n processors n fold speed up – – – –
Ideal not always possible. WHY? Tasks are data dependent Not all processors are always busy Remote data
3 x lebih cepat dari
• Super linear speedup: >n speedup – Nonsense! Because we can execute the faster parallel program sequentially – No nonsense!! Because parallel computers do not just have more processors, they have more caches
The Design of Supervisory Control System for Greenhouses SUPERVISORY SYSTEM
USER Greenhouses
USER INTERFACE
USER’S PREFERENCE SELECTION MODULE Array of Controllers Greenhouse Controllers Greenhouse Controllers Greenhouse Controllers
Modes of control
Parameters of control
Optimality Criteria
Supervisory Control Engine
Control Knowledge
Climatic Knowledge
I/O Knowledge
Crop Knowledge 5/30/2013 15
4
30/05/2013
Pengaturan PH Tanaman Hidroponik
WTB
Produksi Tanaman Hidroponik
Computer Relay Selenoid valve Selenoid valve
Base
Acid
pH meter Marriot tubes Potted flower
Storage tank Dies Natalis IPB 2001
30/05/2013 17
Pump
Dies Natalis IPB 2001
Departemen Teknik Pertanian Fakultas Teknologi Pertanian Institut Pertanian Bogor
Latar Belakang
Uji dan Aplikasi
Komputasi Paralel
dengan Jaringan Saraf Probabilistik pada Proses Klasifikasi Mutu Tomat pembimbing:
Moh. Khawarizmie Alim F14101030
30/05/2013 18
Copyright 1996-98 © Dale Carnegie & Associates, Inc.
Prof.DR. Ir. Kudang B. Seminar, M.Sc Ir. Agus Buono, M.Si, M.Kom
Tomat
Klasifikasi
Komputasi Paralel
• Tomat memiliki nilai ekonomi yang tinggi • Tomat bermutu tinggi penanganan pasca panen baik • Sortasi titik kritis penanganan pasca panen • Produksi skala besar sortasi dengan mesin • Sortasi dengan mesin A.I. teknik klasifikasi objek • Pengembangan 1 prosesor mencapai akurasi tinggi • Akan tercapai titik maksimal akurasi sangat tinggi, dalam waktu tertentu • Pengembangan selanjutnya lebih dari 1 prosesor • Penerapan komputasi paralel waktu lebih singkat
Ruang Sidang TEP – Selasa, 24 Januari 2006
5
30/05/2013
Tujuan
Tinjauan Pustaka
Menguji kinerja program komputasi paralel pada Jaringan Saraf Probabilistik (PNN) hasil penelitian Sukin (2004) yang diterapkan untuk proses klasifikasi mutu tomat
Teknologi Sortasi
Sortasi manual dengan mesin conveyor • Bermula pada awal-awal industrialisasi • Tenaga manusia tetap digunakan, dibantu dengan mesin
conveyor
• Membandingkan akurasi klasifikasi dan waktu yang dibutuhkan antara proses klasifikasi dengan komputasi sekuensial dan proses klasifikasi dengan komputasi paralel • Mengetahui besarnya peningkatan kecepatan dan peningkatan akurasi yang mungkin terjadi pada proses klasifikasi dengan komputasi paralel • Mengetahui keunggulan dan cara kerja metode PNN, Algoritma Genetik, dan komputasi paralel
Tinjauan Pustaka Teknologi Sortasi
Sortasi dengan mesin skala kecil dan sedang • Menggunakan mesin berukuran kecil dan sedang • Mesin melakukan sortasi dengan pengawasan manusia
Tinjauan Pustaka Pemrosesan Paralel
Pemrosesan Paralel adalah penggunaan banyak prosesor yang saling bekerja sama satu sama lain untuk mencari suatu solusi tunggal dari suatu permasalahan [Pacifico, et.al. , 1998] • Mempercepat waktu eksekusi • Mendistribusikan pencarian solusi dari permasalahan yang sangat kompleks • Sesuai dengan penelitian sebelumnya, pemrosesan paralel pada penelitian ini dilakukan melalui metode pelemparan pesan dengan menggunakan pemrograman soket
6
30/05/2013
Tinjauan Pustaka Pemrosesan Paralel
Peningkatan Kecepatan • Peningkatan kecepatan menunjukkan seberapa cepat proses komputasi paralel dibandingkan dengan komputasi sekuensial
Sp
T1 Tp
Sp : Peningkatan kecepatan T1 : Waktu eksekusi dari algoritma sekuensial terbaik Tp : Waktu eksekusi dari algoritma paralel p : Jumlah prosesor yang terlibat dalam komputasi paralel
• Peningkatan dari pemrosesan paralel tidak hanya bergantung pada banyaknya prosesor yang digunakan, akan tetapi lebih dipengaruhi oleh fraksi rasio antara intruksi sekuensial dengan keseluruhan intruksi pada suatu program [Hukum Amdahl]
Hasil dan Pembahasan Akurasi Klasifikasi
Metodologi Penelitian • Ilustrasi Pola Pengambilan Data untuk Mode Pelatihan 1 Kelas A bobot
pjng
Kelas B lebar
bobot
pjng
Kelas C lebar
bobot
pjng
lebar
Ulangan 1
Ulangan 2
Ulangan 3
dst
. . . .
Hasil dan Pembahasan Akurasi Klasifikasi • Statistika Deskriptif
• Sekuensial vs Paralel • Statistika deskriptif • Diagram plot kotak • Histogram • Pengaruh mode pelatihan • Pengamatan grafik • Pengaruh populasi AG • Pengamatan grafik • Statistika deskriptif
7
30/05/2013
Hasil dan Pembahasan Akurasi Klasifikasi • Diagram plot kotak
Hasil dan Pembahasan Akurasi Klasifikasi • Pengaruh Mode Pelatihan
Hasil dan Pembahasan Akurasi Klasifikasi • Histogram
Hasil dan Pembahasan Akurasi Klasifikasi • Pengaruh Mode Pelatihan
8
30/05/2013
Hasil dan Pembahasan
Hasil dan Pembahasan
Akurasi Klasifikasi
Akurasi Klasifikasi
• Pengaruh Populasi AG
• Pengaruh Populasi AG Pengaruh Populasi AG terhadap Akurasi Klasifikasi PNN untuk Data Pelatihan 20%
88.05
88.00
88.00
88.50 88.00 87.50
Akurasi Klasifikasi (%)
88.20
89.00
87.00
87.80 87.60 87.40 87.20 87.00
500
87.80
1000
500
Populasi AG
Populasi AG
Komputasi Sekuensial
87.90 87.85
87.70 500
1000
87.95
87.75
86.80
86.50
Komputasi Paralel
Komputasi Sekuensial
Pengaruh Populasi AG terhadap Akurasi Klasifikasi PNN untuk Data Pelatihan 60%
Komputasi Sekuensial
89.70
89.00
89.60
89.30 89.20
Akurasi Klasifikasi (%)
89.10
89.60
89.40
88.90 88.80 88.70 88.60
88.40 500
89.30
1000
500
Populasi AG
Populasi AG
Komputasi Sekuensial
89.40
89.10 500
1000
89.50
89.20
88.50
89.10
Komputasi Paralel
Komputasi Sekuensial
90.70
90.70
90.60
90.60
1000 Populasi AG
Komputasi Paralel
Komputasi Sekuensial
Pengaruh Populasi AG terhadap Akurasi Klasifikasi PNN untuk Data Pelatihan 80%
Pengaruh Populasi AG terhadap Akurasi Klasifikasi PNN untuk Data Pelatihan 80%
Komputasi Paralel
Pengaruh Populasi AG terhadap Akurasi Klasifikasi PNN untuk Data Pelatihan 60%
89.70
89.50
1000 Populasi AG
Komputasi Paralel
Pengaruh Populasi AG terhadap Akurasi Klasifikasi PNN untuk Data Pelatihan 50%
Akurasi Klasifikasi (%)
Akurasi Klasifikasi (%)
Pengaruh Populasi AG terhadap Akurasi Klasifikasi PNN untuk Data Pelatihan 30%
89.50
Akurasi Klasifikasi (%)
Akurasi Klasifikasi (%)
Pengaruh Populasi AG terhadap Akurasi Klasifikasi PNN untuk Data Pelatihan 10%
Komputasi Paralel
Pengaruh Populasi AG terhadap Akurasi Klasifikasi PNN untuk Data Pelatihan 90% 100.00
90.30
80.00
Akurasi Klasifikasi (%)
Akurasi Klasifikasi (%)
Akurasi Klasifikasi (%)
90.00
90.50 90.40
90.50 90.40 90.30
90.20
90.20
90.10
90.10
70.00 60.00 50.00 40.00 30.00 20.00 10.00
500
1000 Populasi AG
Komputasi Sekuensial
Komputasi Paralel
0.00
500
1000 Populasi AG
Komputasi Sekuensial
Komputasi Paralel
500
1000 Populasi AG
Komputasi Sekuensial
Komputasi Paralel
Kesimpulan dan Saran Kesimpulan (lanjutan) • Rata-rata waktu total paling baik (paling rendah) terjadi pada populasi AG 500 individu sedangkan waktu total paling buruk (paling tinggi) terjadi pada populasi AG 1000 individu. Secara rata-rata akurasi klasifikasi pada populasi AG 1000 individu lebih baik daripada pada populasi AG 500 individu. • Efisiensi sistem paralel menunjukkan pemakaian setiap komputer untuk proses klasifikasi adalah sebesar 64.43% dan sisanya terpakai untuk proses komunikasi dan sinkronisasi antar komputer.
9
