PARALELISASI ALGORITMA K-MEDOID PADA GPU MENGGUNAKAN OPEN CL
|
|
- Siska Dharmawijaya
- 7 tahun lalu
- Tontonan:
Transkripsi
1 PARALELISASI ALGORITMA K-MEDOID PADA GPU MENGGUNAKAN OPEN CL Muhammad Tanzil Furqon 1, Achmad Ridok 2, Wayan Firdaus Mahmudy 3 1,2,3 PTIIK, Universitas Brawijaya Jl. Veteran no. 8, Malang, Jawa Timur m.tanzil.furqon@ub.ac.id, 2 acridokg@gmail.com, 3 wayanfm@ub.ac.id Abstrak k-medoid banyak digunakan karena kemampuannya dalam mendeteksi outlier dalam proses clustering-nya. Namun demikian, kelemahan algoritma ini adalah kompleksitas komputasinya yang tinggi sehingga berdampak pada performa clustering secara keseluruhan. Selain itu, proses pemilihan k jumlah pusat cluster awal secara random membuat hasil proses clustering menjadi tidak stabil. Oleh sebab itu, dalam penelitian ini dirancang algoritma paralel k-medoid untuk meningkatkan performa serta melakukan optimasi terhadap kelemahan yang ada pada algoritma k-medoid tradisional. Optimasi yang dilakukan menggunakan metode Cluster Validity Index untuk menentukan jumlah pusat cluster awal dan paralelisasi algoritma k-medoid menggunakan Open CL. Hasil eksperimen menunjukkan bahwa algoritma paralel k-medoid mempunyai kualitas hasil clustering yang stabil dan memiliki tingkat performa tinggi, yaitu mencapai 364 kali lebih cepat dibandingkan algoritma k-medoid tradisional. Kata kunci : k-medoid, clustering, paralel, open cl. 1. Pendahuluan [Times New Roman 10, bold] GPU saat ini tidak hanya digunakan sebagai mesin grafis yang handal tetapi sekaligus sebagai prosesor paralel yang dapat diprogram sesuai dengan kebutuhan tertentu, biasa disebut sebagai GP-GPU (General Purpose GPU), dengan karakteristik: kebutuhan komputasi besar, paralelisme, dan berorientasi pada output dibanding latensi [1]. Semua karakteristik tersebut menjelma sebagai sebuah programmable prosesor yang handal yang diprogram dengan menggunakan bahasa pemrograman tertentu menggunakan Application Programming Interface (API), seperti Open CL, yang digunakan untuk mendefinisikan dan mengendalikan platform. Lebih jauh lagi, Open CL dapat meningkatkan kecepatan dan responsifitas berbagai macam aplikasi, mulai dari jenis aplikasi game dan hiburan hingga perangkat lunak untuk keperluan ilmiah dan medis [2]. Dengan lahirnya GP-GPU seolah memberikan harapan baru bagi bidang/area yang banyak melibatkan proses pengolahan informasi didalamnya, seperti Information Retrieval (IR), yang pada umumnya melibatkan data dalam jumlah yang besar dan jumlah fitur yang banyak (dimensi tinggi). Data tersebut diproses dan dikumpulkan untuk kemudian diubah menjadi pengetahuan dalam proses data mining [3]. Dalam data mining, k-medoid merupakan salah satu algoritma yang cukup populer yang digunakan dalam proses clustering dimana menggunakan obyek sebagai pusat cluster-nya. Metode tersebut menghitung kesamaan atau jarak antara obyek ke pusat cluster dengan meminimalkan nilai sum of error antara setiap objek dan pusat cluster yang sesuai. Hal ini membuat k-medoids lebih handal dari varian sejenisnya, yaitu k-means, dalam hal kepekaan terhadap outlier dan noise. Namun demikian, metode ini juga memiliki kekurangan yaitu dari sisi kompleksitas komputasinya yang tinggi, yaitu O(k(n - k) 2 ) [3]. Oleh sebab itu, dalam penelitian ini nantinya akan dihasilkan metode untuk meningkatkan performa dari algoritma k-medoid dengan menggunakan bantuan GPU sebagai prosesor paralel menggunakan bahasa pemrograman Open CL khususnya untuk dataset dengan dimensi tinggi. 2. Algoritma k-medoid K-Medoid menggunakan k sebagai jumlah pusat cluster awal yang dihasilkan secara acak di awal proses clustering. Setiap obyek yang lebih dekat dengan pusat cluster akan dikelompokkan dan membentuk cluster baru. Algoritma kemudian secara acak menentukan cluster center baru dari 408
2 setiap cluster yang terbentuk sebelumnya dan menghitung ulang jarak antara obyek dan pusat cluster baru yang dihasilkan. Jarak antar obyek i dan j dihitung dengan menggunakan dissimilarity measurement function, dimana salah satunya adalah Euclidean Distance Function yang ditunjukkan dalam persamaan berikut: (1) dimana X ia adalah variabel ke-a dari obyek i (i=1,..., n; a=1,..., p) dan d ij adalah nilai Euclidean Distance. Algoritma juga menghitung probabilitas penukaran setiap obyek dengan pusat cluster yang lain menggunakan fungsi kriteria. Salah satu fungsi kriteria yang digunakan adalah absolute-error [4] seperti pada persamaan berikut: 2.2 Optimasi Algoritma k-medoid Beberapa studi telah dilakukan untuk meningkatkan kinerja dan kualitas algoritma. Dari segi kualitas, dalam studi literatur mengungkapkan dua metode optimasi untuk mengatasi kelemahan dari algoritma k-medoid: metode generasi k pusat cluster awal [7,8], yang memberikan hasil akhir yang stabil, dan jumlah cluster yang sesuai [8,9], dimana obyek dikelompokkan lebih alami. Pemilihan pusat cluster awal sangat berpengaruh terhadap hasil akhir proses clustering. Jika terlalu banyak cluster yang dipilih, hasilnya dapat terduplikasi, dan jika terlalu sedikit cluster yang dipilih, data yang berarti akan hilang karena kombinasi atau penghapusan cluster yang berbeda. Metode yang digunakan oleh Park [7] ditunjukkan pada persamaan berikut: (3) (2) di mana E adalah jumlah dari absolut error untuk semua objek dalam dataset; p adalah titik dalam ruang yang mewakili suatu objek dalam kluster Cj, dan o j adalah obyek didalam cluster Cj. 2.1 Analisa terhadap Algoritma k-medoid k-medoid menggunakan medoid, obyek pusat dalam cluster, sebagai pusat klaster sedangkan k- Mean menggunakan perhitungan jarak ratarata/mean dalam menentukan pusat clusternya. Metode ini yang membuat k-medoid lebih unggul dibandingkan k-means dalam mendeteksi outlier. K- Medoid juga dapat digunakan untuk dataset dengan nilai domain kontinyu maupun diskrit sedangkan k- Mean hanya cocok untuk kasus domain kontinyu [5]. Keuntungan lain dari algoritma k-medoid adalah hasil proses clusteringnya tidak tergantung pada urutan masukan dataset [6]. Terlepas dari beberapa keunggulan dari k- Medoid diatas, beberapa kelemahan juga ditemukan, terutama berkaitan dengan inisialisasi pusat cluster [5,6]. k-medoid tradisional menghasilkan nilai awal cluster k secara acak. Nilai awal k ini kemudian digunakan untuk membangun cluster awal dalam proses clustering. Hasil dari proses ini akan digunakan untuk menentukan calon cluster berikutnya berdasarkan perhitungan fungsi kesamaan dalam cluster, sehingga membuat algoritma k-medoids mendapatkan hasil yang berbeda setiap kali dijalankan. Kelemahan lain dari algoritma k-medoid adalah proses komputasinya yang sangat memakan waktu sehingga tidak efisien diterapkan pada dataset besar [4,6]. dimana v j merupakan cluster coefficient, d ij jarak antar titik i dan j, dan d il juga jarak antara i dan l. Selain itu, Park [7] juga menggunakan matriks jarak untuk menyimpan kalkulasi jarak antar obyek dalam dataset yang nantinya digunakan dalam proses clustering untuk meningkatkan performa algoritma. Pendekatan lain dalam rangka meningkatkan kualitas algoritma k-medoid adalah dengan memilih metode yang tepat untuk menentukan jumlah cluster awal (k). Sebagai suatu pembelajaran tanpa pengawasan (unsupervised learning), kelas dari dataset dalam proses clustering tidak diketahui. Dengan demikian, menemukan jumlah cluster awal yang tepat adalah masalah yang masih belum diketahui solusi terbaiknya. Namun, ada suatu pendekatan yang digunakan oleh Pardeshi [8] untuk menemukan jumlah cluster yang tepat dalam suatu dataset yaitu menggunakan cluster validity index dengan persamaan: 3. Open CL (4) Open CL merupakan bahasa pemrograman yang open, vendor-neutral, dan multi-platform yang dikembangkan oleh Khronos Group untuk mendukung aplikasi paralel pada lingkungan dan piranti yang heterogen, termasuk Central Processing Unit (CPU) dan GPU [9]. Ada tiga keuntungan yang bisa didapatkan ketika menggunakan Open CL, yaitu portabilitas, standar proses vector, dan kemampuan pemrograman paralel yang dimiliki. Open CL merupakan bahasa pemrograman yang portabel karena dapat dijalankan pada multi- 409
3 platform device, termasuk Nvidia dan AMD sebagai dua platform GPU terpopuler saat ini. Keuntungan Open CL lain yang paling penting adalah kemampuan untuk membuat program paralel. Pada program paralel, instruksi-instruksi diproses secara bersamaan menggunakan prosesor-prosesor paralel untuk meningkatkan performa aplikasi secara signifikan. Program-program yang diproses secara paralel disebut sebagai kernel. 3.1 Model Komputasi Open CL Dalam model pemrograman Open CL (gambar 1), proses komputasi dibagi menjadi dua jenis berdasarkan bagaimana dan dimana proses tersebut dijalankan. Proses yang dijalankan secara sekuensial disisi host disebut program host, sementara proses yang dijalankan secara paralel pada sisi perangkat (GPU atau bahkan CPU) dikenal sebagai program kernel. Program host berupa program sekuensial biasa, seperti C, C++, java, dll, yang dapat menjalankan/ memanggil fungsi paralel, yaitu program kernel. Dalam pemrograman paralel, kernel dikirim ke perangkat yang dituju untuk dieksekusi menggunakan program host [9]. Selain itu, perangkat yang terhubung yang digunakan untuk menjalankan kernel diorganisasi oleh aplikasi host menggunakan wadah yang disebut context. Dengan kata lain, host memilih perangkat dan menempatkan mereka dalam context. Selain itu, Open CL menggunakan program untuk menampung kernel untuk dipanggil oleh aplikasi host. Sebelum mengeksekusi kernel, struktur yang disebut command queue dibuat pada aplikasi host untuk memberitahu perangkat mana yang digunakan untuk mengeksekusi fungsi kernel tersebut. berbeda. Selain itu, beberapa work-item yang mengakses resource yang sama disebut work-group. Dalam work-group, work-item dapat mengakses blok memori berkecepatan tinggi yang sama, atau disebut dengan local memory. Selain itu, work-item juga dapat disinkronisasi dengan menggunakan fence dan barier dalam work-group. Akhirnya, hirarki level komputasi "tertinggi" Open CL disebut compute unit, yang hanya mampu mengeksekusi satu work-group pada suatu waktu. 3.2 Model Memori Open CL Model memori Open CL diorganisasi dalam suatu struktur hirarki (gambar 2). Pemahaman yang baik tentang struktur memori dan penggunaannya sangat penting untuk mendapatkan hasil yang optimal dan efisien. Struktur memori Open CL terdiri dari: global memory, yaitu memori berkapasitas besar, tetapi kecepatannya yang paling lambat dalam memproses work-item; local memory, yaitu memori dengan kapasitas terbatas, tetapi cepat dan tempat yang tepat bagi work-item untuk menyimpan hasil eksekusi kernel; dan private memory, lebih cepat dari local memory, tetapi dengan kapasitas yang jauh lebih kecil daripada struktur memori lainnya. Selain itu, struktur hirarki ini mencerminkan aksesibilitas setiap jenis memori, dimana global memory dapat diakses oleh setiap work-item, local memory dapat diakses oleh beberapa work-item didalam work-group, dan private memory hanya dapat diakses oleh satu workitem. Gambar 2. Model Memori Open CL [9] Gambar 1. Model Komputasi Open CL [9] Pada Open CL, sebuah kernel dapat terdiri dari beberapa perintah proses/komputasi. Setiap eksekusi komputasi dalam kernel disebut work-item, unit komputasi "terendah" Open CL. Setiap work-item memiliki nomor identifikasi yang unik untuk mengidentifikasi tiap-tiap proses komputasi selama eksekusi kernel, yang disebut sebagai global_id. Setelah work-item selesai dieksekusi, work-item berikutnya akan dieksekusi dengan global_id yang 4. Paralelisasi Algoritma k-medoid Proses paralelisasi k-medoid dilakukan berdasarkan beberapa langkah berikut: 1. Identifikasi operasi-operasi paralel. Proses identifikasi dilakukan dengan mengenali operasi-operasi yang independen, sehingga dapat dijalankan secara paralel. 2. Membuat kernel. Kernel merupakan suatu prosedur/fungsi yang dijalankan secara paralel 410
4 menggunakan bahasa pemrograman yang mendukung pemrograman paralel (Open CL). 3. Sinkronisasi hasil proses paralel. Proses sinkronisasi berfungsi untuk menggabungkan hasil dari proses paralel untuk diproses pada operasi selanjutnya. 4. Memetakan proses paralel dengan prosesor. Pemetaan ini dilakukan untuk dapat mengoptimalkan antara jumlah proses paralel dengan jumlah prosesor yang ada sehingga proses paralel secara keseluruhan dapat berjalan lebih efisien. Berdasarkan analisa terhadap seluruh proses yang ada pada algoritma k-medoid, maka didapatkan beberapa kesimpulan: 1. Proses perhitungan jarak antar obyek merupakan proses paralel yang saling independen satu dengan yang lainnya. 2. Fungsi kernel pada algoritma k-medoid adalah fungsi perhitungan jarak antar obyek yang kemudian disimpan dalam matriks jarak ketetanggaan. 3. Sinkronisasi proses dilakukan setelah proses perhitungan jarak antar obyek sebagai proses paralel hasil eksekusi kernel. Pemetaan proses paralel dilakukan dengan menentukan proses mana yang akan dijalankan dengan menggunakan prosesor pada GPU dan mana yang akan diproses dengan menggunakan prosesor CPU. Proses perhitungan jarak dilakukan pada GPU sedangkan proses update cluster dilakukan pada lingkungan host menggunakan CPU. menggunakan metode sinkronisasi work-item, barrier(clk_local_mem_fence), ketika beberapa work-item perlu untuk mengakses data yang sama. Metode ini memastikan bahwa setiap work-item telah mencapai titik proses yang sama. Hal ini menjadi penting ketika work-item harus menyelesaikan komputasi dengan hasil intermediate yang akan digunakan dalam perhitungan selanjutnya, yaitu proses pembentukan cluster. 5. Pengujian Data uji yang digunakan adalah data yang memiliki variasi dimensi/fitur, mulai dari data dengan dimensi rendah (dibawah 100) hingga data berdimensi tinggi (diatas 1000). Selain itu, data uji juga dipilih berdasarkan jumlah data yang diproses, yaitu mulai dari jumlah data rendah (dibawah 1000) hingga dataset dengan jumlah data tinggi (diatas 10000). Data didapatkan dari situs Speech and Image Processing Unit School of Computing, University of Eastern Finland [10] yang menggunakan dataset dari hasil penelitian beberapa jurnal. Tujuan dari pemilihan data uji ini adalah untuk mengetahui performa dari algoritma paralel yang dihasilkan terhadap data yang memiliki variasi dimensi dan jumlah data yang berbeda. Evaluasi yang digunakan pada penelitian ini adalah dengan menggunakan metode validasi Silhouette [4] untuk mengetahui kualitas hasil proses clustering algoritma paralel k-medoid. 6. Hasil Pengujian Eksperimen dibagi menjadi dua bagian. Pertama, eksperimen dengan jumlah data dan dimensi untuk mengetahui seberapa besar pengaruhnya terhadap algoritma. Kedua, mengukur lama waktu eksekusi algoritma dari fungsi kernel DistanceMatrix untuk mengetahui performa dari fungsi kernel yang melakukan proses paralel. Tabel 1 dan 2 menunjukkan lama waktu eksekusi algoritma (running time) paralel k-medoid dan sekuensial k-medoid (dalam satuan detik). Sedang tabel 3 dan 4 menunjukkan lama waktu eksekusi fungsi kernelnya. Gambar 3. Algoritma Kernel Matriks Jarak Fungsi matrik jarak pada gambar 3 menggunakan local memory GPU (locfeatures) untuk menyimpan semua fitur dalam dataset dalam bentuk array berdimensi satu. Kernel ini juga Tabel 1. Waktu eksekusi dengan data sedikit dan dimensi tinggi Jumlah data: 1024 Algoritma Dimensi data Paralel k- 7,37 7,37 7,45 7,49 7,54 Medoid Sekuensial 227,73 441,52 726, , ,74 k-medoid Performa 30,92 59,92 97,53 186,22 364,07 411
5 Tabel 2. Waktu eksekusi dengan data banyak dan dimensi rendah Dimensi data: 2 Algoritma Jumlah data Paralel k- 0,19 0,52 3,37 200, ,79 Medoid Sekuensial 0,94 3,60 27, , ,80 k-medoid Performa 4,99 6,87 8,12 8,47 8,27 Tabel 3. Waktu eksekusi kernel dengan data sedikit dan dimensi tinggi Jumlah data: 1024 Dimensi data ,2 0,04 0,06 0,09 0,16 Tabel 4. Waktu eksekusi kernel dengan data banyak dan dimensi rendah Dimensi data: 2 Jumlah data ,02 0,02 0,02 0,09 0,28 Sedangkan untuk dataset dengan jumlah data banyak dan dimensi data rendah, algoritma paralel optimasi k-medoid unggul 4-8 kali lebih cepat seperti terlihat pada tabel 2. Gambar 6. Waktu eksekusi algoritma paralel k- Medoid dengan jumlah data banyak 7. Pembahasan dan Analisa Hasil Pengujian Performa algoritma paralel optimasi k-medoid unggul jauh dibanding algoritma sekuensial k- Medoid dengan waktu eksekusi kali lebih cepat untuk jumlah data sedikit dan dengan dimensi data tinggi seperti yang terlihat pada tabel 1. Gambar 4. Waktu eksekusi algoritma paralel k- Medoid dengan dimensi data tinggi Gambar 5. Performa algoritma paralel k-medoid dengan dimensi data tinggi Gambar 7. Performa algoritma paralel k-medoid dengan jumlah data banyak 7.1. Analisa Pengaruh Jumlah Data Banyaknya jumlah data sangat berpengaruh terhadap performa algoritma sekuensial k-medoid. Hal tersebut dikarenakan kompleksitas waktu komputasi yang berderajat dua/kuadrat. Sedangkan pada algoritma paralel optimasi k-medoid diuntungkan dengan kemampuan proses paralel yang melakukan kalkulasi jarak secara paralel menggunakan bantuan prosesor pada GPU. Hal tersebut ditunjukkan pada tabel 2 dan gambar 6, yaitu ketika jumlah data dinaikkan dua kali lipat maka running time algoritma menjadi naik hampir 8 kali. Untuk fungsi kernel algoritma optimasi k- Medoid, fungsi DistanceMatrix memiliki performa yang relatif bagus untuk jumlah data banyak dengan hanya sedikit kenaikan waktu eksekusi. Meskipun demikian, performa fungsi paralel kernel tersebut masih bisa dikatakan belum optimal dimana waktu eksekusi menunjukkan peningkatan 3 kali lipat dari 0,09 ke 0,28 detik ketika jumlah data dinaikkan 2 kali lipat dari 3100 ke 6014 sebagaimana yang tertera pada tabel 4 dan gambar
6 7.2. Analisa Pengaruh Dimensi Data Eksperimen algoritma paralel optimasi k- Medoid dengan data berdimensi tinggi menunjukkan hasil performa yang sangat baik. Tingkat performa ini lebih baik dibandingkan ketika algoritma tersebut digunakan untuk melakukan clustering dengan jumlah data besar. Hal tersebut dibuktikan dengan menaikkan dimensi data 2 kali (256 ke 512) menghasilkan kenaikan waktu eksekusi kurang dari 2 kali (7,49 ke 7,54) seperti ditunjukkan pada tabel 1 dan gambar 4. Hal tersebut dikarenakan proses paralel pada waktu kalkulasi jarak menggunakan fungsi DistanceMatrix, yaitu tiap fitur pada tiap titik/obyek dikalkulasi secara paralel dan dijumlahkan untuk mendapatkan nilai Euclidean Distancenya. Detailnya, work-item dalam program kernel mengkalkulasi tiap jarak fitur masing-masing titik/obyek. Oleh sebab itu, semakin banyak jumlah fitur/dimensi dari suatu obyek semakin banyak proses kalkulasi paralel yang dieksekusi oleh kernel yang menunjukkan penggunaan arsitektur paralel secara optimal. Dari sisi performa, fungsi paralel DistanceMatrix semakin tinggi performanya seiring dengan semakin tingginya dimensi data seperti yang ditunjukkan pada gambar 5 dan tabel 3. Kembali, hasil tersebut menunjukkan bahwa fungsi paralel kernel DistanceMatrix lebih optimal digunakan untuk data dengan dimensi tinggi dibandingkan dengan jumlah data yang banyak. [3] Han, J. and Kamber, M., Data Mining - Concept and Technique, 2nd ed., Morgan- Kaufmann, [4] Kaufman, L., and Rousseeuw, P. J., Finding groups in data: An introduction to cluster analysis. New York: Wiley, [5] Theodoridis, S., and Koutroumbas, K., Pattern Recognition. Academic Press, [6] Barioni, M. C. N., et al., An e_cient approach to scale up k-medoid based algorithms in large databases. [Online], Available: /018.pdf. [diakses tanggal 10 Sept 2012]. [7] Park, H. S., and Jun, C. H., A simple and fast algorithm for K-medoids clustering, Expert Systems With Applications, 2009, Vol.36(2), pp [8] Pardeshi, B., and Toshniwal D., Improved K- Medoids Clustering Based on Cluster Validity Index and Object Density, Advance Computing Conference, Feb. 2010, pp [9] Scarpino, M., OpenCL in Action, Manning publications, [10] Speech and Image Processing Unit, School of Computing University of Eastern Finland, "Clustering datasets", [Online], Available: [diakses tanggal 12 Mar 2013]. 8. Kesimpulan Pada penelitian ini dapat disimpulkan mengenai beberapa hal, diantaranya adalah: Permasalahan stabilitas hasil clustering dan performa algoritma k-medoid dapat diselesaikan dengan menggunakan cluster coefficient untuk mendapatkan pusat cluster awal dan fungsi matriks jarak untuk mengurangi jumlah komputasi. Algoritma paralel k-medoid terbukti dapat meningkatkan performa proses clustering hingga mencapai 364 kali lebih cepat dibanding algoritma sekuensial k-medoid. Algoritma paralel k-medoid lebih optimal digunakan untuk memproses data dengan dimensi tinggi dibandingkan dengan jumlah data yang banyak. Daftar Pustaka: [1] Owens, J.D., GPU Computing, Proceedings of the IEEE, Vol. 96, No. 5, May [2] Khronos Group, OpenCL - The open standard for paral- lel programming of heterogeneous systems, [Online], Available: [diakses tanggal 11 Aug 2014]. 413
BAB I PENDAHULUAN. Keamanan dapat menjadi sebuah ketidak nyamanan. Namun, di zaman yang
BAB I PENDAHULUAN 1.1 Latar Belakang Keamanan dapat menjadi sebuah ketidak nyamanan. Namun, di zaman yang sudah semakin maju ini, keamanan menjadi sebuah kebutuhan dasar manusia pada setiap waktu (Navratilova,
Lebih terperinciOPTIMISASI PUSTAKA UNTUK PERKALIAN MATRIKS MENGGUNAKAN ALGORITMA STRASSEN BERBASIS OPENCL
OPTIMISASI PUSTAKA UNTUK PERKALIAN MATRIKS MENGGUNAKAN ALGORITMA STRASSEN BERBASIS OPENCL Arvin 1), Sutrisno 2), Pujianto Yugopuspito 3) 1),2),3) Teknik Informatika, Universitas Pelita Harapan UPH Tower,
Lebih terperinci1. PENDAHULUAN 1.1. LATAR BELAKANG MASALAH
1. PENDAHULUAN 1.1. LATAR BELAKANG MASALAH Pada saat ini, teknologi mengalami kemajuan yang sangat pesat, khususnya pada perkembangan komputer. Adapun salah satu teknologi yang mendukung cepatnya perhitungan
Lebih terperinciBAB I PENDAHULUAN. 1.1 Latar Belakang
BAB I PENDAHULUAN 1.1 Latar Belakang Data menjadi sesuatu yang sangat berharga saat ini. Tidak hanya badan pemerintah saja, perusahaan-perusahaan saat ini pun sangat membutuhkan informasi dari data yang
Lebih terperinciPENERAPAN ALGORITMA PARTITIONING AROUND MEDOIDS (PAM) CLUSTERING UNTUK MELIHAT GAMBARAN UMUM KEMAMPUAN AKADEMIK MAHASISWA
PENERAPAN ALGORITMA PARTITIONING AROUND MEDOIDS (PAM) CLUSTERING UNTUK MELIHAT GAMBARAN UMUM KEMAMPUAN AKADEMIK MAHASISWA 1 Yulison Herry Chrisnanto, 2 Gunawan Abdillah 1,2 Jurusan Informatika Fakultas
Lebih terperinciBAB II LANDASAN TEORI. informasi menjadi sebuah teks yang tidak dapat dibaca (Ferguson dkk, 2010).
BAB II LANDASAN TEORI 2.1 Enkripsi Enkripsi merupakan sebuah metode penyandian sebuah pesan atau informasi menjadi sebuah teks yang tidak dapat dibaca (Ferguson dkk, 2010). Enkripsi berkaitan erat dengan
Lebih terperinciAnalisis Kinerja Matrix Multiplication Pada Lingkungan Komputasi Berkemampuan Tinggi (Cuda Gpu)
Analisis Kinerja Matrix Multiplication Pada Lingkungan Komputasi Berkemampuan Tinggi (Cuda Gpu) 1 Machudor Yusman, 2 Anie Rose Irawati, 3 Achmad Yusuf Vidyawan 1 Jurusan Ilmu Komputer FMIPA Unila 2 Jurusan
Lebih terperinciANALISIS CLUSTER PADA DOKUMEN TEKS
Budi Susanto ANALISIS CLUSTER PADA DOKUMEN TEKS Text dan Web Mining - FTI UKDW - BUDI SUSANTO 1 Tujuan Memahami konsep analisis clustering Memahami tipe-tipe data dalam clustering Memahami beberapa algoritma
Lebih terperinciBAB II TINJAUAN PUSTAKA
BAB II TINJAUAN PUSTAKA 2.1. Penambangan Data (Data Mining) Penambangan data (Data Mining) adalah serangkaian proses untuk menggali nilai tambah dari sekumpulan data berupa pengetahuan yang selama ini
Lebih terperinciPROSEDUR PARALELISASI PERKALIAN MATRIKS PADA GRAPHICS PROCESSING UNIT (GPU)
PROSEDUR PARALELISASI PERKALIAN MATRIKS PADA GRAPHICS PROCESSING UNIT (GPU) Murni Pusat Studi Komputasi Matematika, Universitas Gunadarma Jl. Margonda Raya no. 100, Depok 16424, Jawa Barat murnipskm@staff.gunadarma.ac.id
Lebih terperinciBAB 1 PENDAHULUAN. Web caching server mempunyai peranan penting dalam menangani trafik web
BAB 1 PENDAHULUAN 1.1 Latar Belakang Perkembangan internet di Indonesia meningkat sangat tajam. Hal ini dibuktikan dengan bertambah nya jumlah pengguna internet sebanyak 17 juta pengguna dalam kurun waktu
Lebih terperinciANALISIS CLUSTER PADA DOKUMEN TEKS
Text dan Web Mining - FTI UKDW - BUDI SUSANTO 1 ANALISIS CLUSTER PADA DOKUMEN TEKS Budi Susanto (versi 1.3) Text dan Web Mining - FTI UKDW - BUDI SUSANTO 2 Tujuan Memahami konsep analisis clustering Memahami
Lebih terperinciPendeteksian Kemacetan Lalu Lintas dengan Compute Unified Device Architecture (CUDA)
Pendeteksian Kemacetan Lalu Lintas dengan Compute Unified Device Architecture (CUDA) LAPORAN TUGAS AKHIR Disusun sebagai syarat kelulusan tingkat sarjana oleh: Muhammad Ismail Faruqi / 13503045 PROGRAM
Lebih terperinciAnalisis Perbandingan Algoritma Fuzzy C-Means dan K-Means
Analisis Perbandingan Algoritma Fuzzy C-Means dan K-Means Yohannes Teknik Informatika STMIK GI MDD Palembang, Indonesia Abstrak Klasterisasi merupakan teknik pengelompokkan data berdasarkan kemiripan data.
Lebih terperinciBAB II TINJAUAN PUSTAKA. Sampai tahun 2006, pemrograman paralel sulit untuk dibuat pada GPU. Ini
BAB II TINJAUAN PUSTAKA Sampai tahun 2006, pemrograman paralel sulit untuk dibuat pada GPU. Ini dikarenakan pemrograman pada GPU harus menggunakan Application Programming Interface (API) untuk dapat mengakses
Lebih terperinciKompleksitas Algoritma Rank Sort dan Implementasi pada Parallel Programming Dengan Menggunakan OpenMP
Kompleksitas Algoritma Rank Sort dan Implementasi pada Parallel Programming Dengan Menggunakan OpenMP Muhammad Indra NS - 23515019 1 Program Magister Informatika Sekolah Teknik Elektro dan Informatika
Lebih terperinciBAB I PENDAHULUAN. penggunaan teknologi dalam menunjang kehidupan sehari - hari. berdasarkan data yang dihimpun oleh Gartner International Data
BAB I PENDAHULUAN 1.1. Latar Belakang Pertumbuhan teknologi saat ini semakin meningkat secara pesat dari waktu ke waktu. Konsumen semakin menyadari akan pentingnya penggunaan teknologi dalam menunjang
Lebih terperinciPARALELISASI PERKALIAN MATRIKS SPARSE VEKTOR DENGAN CUBLAS
PARALELISASI PERKALIAN MATRIKS SPARSE VEKTOR DENGAN CUBLAS Murni Pusat Studi Komputasi Matematika, Universitas Gunadarma Jl. Margonda Raya no. 100, Depok 16424, Jawa Barat murnipskm@staff.gunadarma.ac.id
Lebih terperinciPenggunakan lebih dari satu CPU untuk menjalankan sebuah program secara simultan. Tujuan Utama Untuk meningkatkan performa komputasi.
PARALLEL PROCESSING Penggunakan lebih dari satu CPU untuk menjalankan sebuah program secara simultan. Tujuan Utama Untuk meningkatkan performa komputasi. Komputasi Parallel Salah satu teknik melakukan
Lebih terperinciParalelisasi Transformasi Fourier pada Arsitektur General Purpose Graphic Processing Unit Untuk Klasifikasi Alat Musik Dengan Instrumen Solo
Paralelisasi Transformasi Fourier pada Arsitektur General Purpose Graphic Processing Unit Untuk Klasifikasi Alat Musik Dengan Instrumen Solo Ridwan Rismanto 5109201049 DOSEN PEMBIMBING Dr. Nanik Suciati,
Lebih terperinciCLUSTERING MENGGUNAKAN K-MEANS ALGORITHM (K-MEANS ALGORITHM CLUSTERING)
CLUSTERING MENGGUNAKAN K-MEANS ALGORITHM (K-MEANS ALGORITHM CLUSTERING) Nur Wakhidah Fakultas Teknologi Informasi dan Komunikasi Universitas Semarang Abstract Classification is the process of organizing
Lebih terperinciBAB I PENDAHULUAN. Merancang aplikasi Paralel Processing yang diimplementasikan dengan penggunaan Computer-Unified-Device-Architecture (CUDA).
BAB I PENDAHULUAN 1.1. Tujuan Merancang aplikasi Paralel Processing yang diimplementasikan dengan penggunaan Computer-Unified-Device-Architecture (CUDA). 1.2. Latar Belakang Banyak Central Processing Unit
Lebih terperinciSISTEM OPERASI TERDISTRIBUSI
SISTEM OPERASI TERDISTRIBUSI PENGANTAR DATA TERDISTRIBUSI Materi: 1. Pendahuluan 2. Manfaat Sistem Operasi Terdistribusi 3. Komponen Inti Sistem Operasi Pertemuan: 5 Pendahuluan Sistem operasi terdistribusi
Lebih terperinciK-PROTOTYPE UNTUK PENGELOMPOKAN DATA CAMPURAN
1 K-PROTOTYPE UNTUK PENGELOMPOKAN DATA CAMPURAN Rani Nooraeni*, Dr. Jadi Supriadi, DEA, Zulhanif, S.Si,M.Sc Jurusan statistika terapan, Fakultas MIPA UNPAD rnooraeni@gmail.com* Abstrak.Membagi suatu data
Lebih terperinciPERBAIKAN INISIALISASI K-MEANS MENGGUNAKAN GRAF HUTAN YANG MINIMUM. Achmad Maududie 1 Wahyu Catur Wibowo 2. Abstrak
PERBAIKAN INISIALISASI K-MEANS MENGGUNAKAN GRAF HUTAN YANG MINIMUM Achmad Maududie 1 Wahyu Catur Wibowo 2 1 Program Studi Sistem Informasi, Universitas Jember 2 Fakultas Ilmu Komputer, Universitas Indonesia,
Lebih terperinciPENDAHULUAN. 1.1 Latar Belakang
DAFTAR TABEL Tabel 3-1 Dokumen Term 1... 17 Tabel 3-2 Representasi... 18 Tabel 3-3 Centroid pada pengulangan ke-0... 19 Tabel 3-4 Hasil Perhitungan Jarak... 19 Tabel 3-5 Hasil Perhitungan Jarak dan Pengelompokkan
Lebih terperinciPENINGKATAN KINERJA ALGORITMA K-MEANS DENGAN FUNGSI KERNEL POLYNOMIAL UNTUK KLASTERISASI OBJEK DATA
PENINGKATAN KINERJA ALGORITMA K-MEANS DENGAN FUNGSI KERNEL POLYNOMIAL UNTUK KLASTERISASI OBJEK DATA Heri Awalul Ilhamsah Jurusan Teknik Industri Universitas Trunojoyo Madura Kampus Universitas Trunojoyo
Lebih terperinciImplementasi AES-ECB 128-bit untuk Komputasi Paralel pada GPU menggunakan Framework NVIDIA CUDA
Implementasi AES-ECB 128-bit untuk Komputasi Paralel pada GPU menggunakan Framework NVIDIA CUDA Adityo Jiwandono, 13507015 1 Program Studi Teknik Informatika Sekolah Teknik Elektro dan Informatika Institut
Lebih terperinciMETODE CLUSTERING DENGAN ALGORITMA K-MEANS. Oleh : Nengah Widya Utami
METODE CLUSTERING DENGAN ALGORITMA K-MEANS Oleh : Nengah Widya Utami 1629101002 PROGRAM STUDI S2 ILMU KOMPUTER PROGRAM PASCASARJANA UNIVERSITAS PENDIDIKAN GANESHA SINGARAJA 2017 1. Definisi Clustering
Lebih terperinciPemgantar Teknologi Informasi
Pemgantar Teknologi Informasi Perangkat lunak yang bertindak sebagai perantara antara pemakai komputer dan perangkat keras Pemakai komputer: common user, programmer, aplikasi (program) Tujuan: Menjalankan
Lebih terperinciBAB III LANDASAN TEORI
BAB III LANDASAN TEORI III.1. Citra Digital Citra merupakan gambar yang merepresentasikan sesuatu. Citra dapat berupa gambar dari sebuah atau kumpulan obyek. Citra digital merupakan citra yang dapat diolah
Lebih terperinciBAB I PENDAHULUAN. ada dua pendekatan yang dapat digunakan, pendekatan yang pertama adalah
BAB I PENDAHULUAN I.1. Latar Belakang Seiring dengan perkembangan teknologi informasi yang sangat pesat, saat ini dapat ditemui berbagai macam media dan sarana untuk menyampaikan pengetahuan dan informasi.
Lebih terperinciBAB 2 TINJAUAN PUSTAKA
BAB 2 TINJAUAN PUSTAKA 2.1. Data Mining Data Mining adalah proses pencarian pengetahuan dari suatu data berukuran besar melalui metode statistik, machine learning, dan artificial algorithm. Hal yang paling
Lebih terperinciMODUL 2 KOMPONEN, LAYANAN SISTEM OPERASI M. R A J A B F A C H R I Z A L - S I S T E M O P E R A S I - C H A P T E R 2
MODUL 2 KOMPONEN, LAYANAN SISTEM OPERASI M. R A J A B F A C H R I Z A L - S I S T E M O P E R A S I - C H A P T E R 2 1 KOMPONEN SO LAINNYA Jaringan (Sistem Terdistribusi) Sistem terdistribusi adalah sekumpulan
Lebih terperinci10. PARALLEL PROCESSING
10. PARALLEL PROCESSING Parallel Processing Penggunakan lebih dari satu CPU untuk menjalankan sebuah program secara simultan. Tujuan Utama Untuk meningkatkan performa komputasi. Komputasi Parallel Salah
Lebih terperinciPENERAPAN METODE KLASTERING DENGAN ALGORITMA K-MEANS UNTUK PREDIKSI KELULUSAN MAHASISWA PADA PROGRAM STUDI TEKNIK INFORMATIKA STRATA SATU
PENERAPAN METODE KLASTERING DENGAN ALGORITMA K-MEANS UNTUK PREDIKSI KELULUSAN MAHASISWA PADA PROGRAM STUDI TEKNIK INFORMATIKA STRATA SATU Gita Premashanti Trayasiwi Program Studi Teknik Informatika S1,
Lebih terperinciKOMPUTASI PARALEL UNTUK SEGMENTASI CITRA DIGITAL DENGAN PARTICLE SWARM OPTIMIZATION
KOMPUTASI PARALEL UNTUK SEGMENTASI CITRA DIGITAL DENGAN PARTICLE SWARM OPTIMIZATION SKRIPSI Diajukan Untuk Memenuhi Sebagian Persyaratan Mencapai Derajat Sarjana Teknik Informatika Agustinus Kristiadi
Lebih terperinciPengantar Teknologi Informasi. Evangs Mailoa (evangsmailoa.wordpress.com) Fakultas Teknologi Informasi UKSW
Pengantar Teknologi Informasi Evangs Mailoa (evangsmailoa.wordpress.com) Fakultas Teknologi Informasi UKSW Perangkat lunak yang bertindak sebagai perantara antara pemakai komputer dan perangkat keras.
Lebih terperinciBAB 2 STRUKTUR SISTEM OPERASI. Komponen Sistem Operasi
BAB 2 STRUKTUR SISTEM OPERASI Komponen Sistem Operasi Review : Blok sistem komputer bus (saluran) data Piranti masukan Port I/O Bus kendali CPU Bus kendali Piranti keluaran bus (saluran) alamat Memori
Lebih terperinciJURNAL TEKNOLOGI INFORMASI & PENDIDIKAN ISSN : VOL. 2 NO. 1 SEPTEMBER 2010
PERBANDINGAN METODE K-NEAREST NEIGHBOR (KNN) dan METODE NEAREST CLUSTER CLASSIFIER (NCC) DALAM PENGKLASIFIKASIAN KUALITAS BATIK TULIS Nesi Syafitri 1 ABSTRACT Various problem that are related to classification
Lebih terperinciIMPLEMENTASI DETEKSI OUTLIER PADA ALGORITMA HIERARCHICAL CLUSTERING
IMPLEMENTASI DETEKSI OUTLIER PADA ALGORITMA HIERARCHICAL CLUSTERING Yoga Bhagawad Gita 1, Ahmad Saikhu 2 1,2 Jurusan Teknik Informatika, Fakultas Teknologi Informasi Institut Teknologi Sepuluh Nopember
Lebih terperinciSistem Operasi dalam bahasa Inggrisnya disebut Operating System, atau biasa di singkat dengan OS.
DASAR SISTEM OPERASI Sistem Operasi Sistem Operasi dalam bahasa Inggrisnya disebut Operating System, atau biasa di singkat dengan OS. Sistem operasi merupakan sebuah penghubung antara pengguna dari komputer
Lebih terperinciTipe Clustering. Partitional Clustering. Hirerarchical Clustering
Analisis Cluster Analisis Cluster Analisis cluster adalah pengorganisasian kumpulan pola ke dalam cluster (kelompok-kelompok) berdasar atas kesamaannya. Pola-pola dalam suatu cluster akan memiliki kesamaan
Lebih terperinciOPTIMASI PUSAT KLASTER MENGGUNAKAN ALGORITMA FAST GENETIC KMEAN PADA DATA BERDISTRIBUSI NORMAL
OPTIMASI PUSAT KLASTER MENGGUNAKAN ALGORITMA FAST GENETIC KMEAN PADA DATA BERDISTRIBUSI NORMAL Budi Nur Iman, Entin Martiana K, Umi Sa adah Politeknik Elektronika Negeri Surabaya (PENS), ITS Surabaya,
Lebih terperinciISSN: JURNAL GAUSSIAN, Volume 4, Nomor 4, Tahun 2015, Halaman Online di:
ISSN: 339-541 JURNAL GAUSSIAN, Volume 4, Nomor 4, Tahun 015, Halaman 85-836 Online di: http://ejournal-s1.undip.ac.id/index.php/gaussian ANALISIS PENGELOMPOKAN DAERAH MENGGUNAKAN METODE NON- HIERARCHICAL
Lebih terperinciBAB I PENDAHULUAN 1.1 Latar Belakang dan Permasalahan
BAB I PENDAHULUAN 1.1 Latar Belakang dan Permasalahan Perkembangan teknologi informasi yang semakin pesat berdampak pada terjadinya penurunan substansial dalam biaya penyimpanan data, peningkatan pesat
Lebih terperinciJURNAL TEKNIK ITS Vol. 6, No. 2, (2017) ISSN: ( Print) A-534
JURNAL TEKNIK ITS Vol. 6, No. 2, (2017) ISSN: 2337-3539 (2301-9271 Print) A-534 Rancang Bangun Sistem Navigasi Indoor Berbasis Integrasi Symbolik Location Model dan Wifi Based Positioning System Untuk
Lebih terperinciPENERAPAN ALGORITMA K-MEANS PADA KUALITAS GIZI BAYI DI INDONESIA
PENERAPAN ALGORITMA K-MEANS PADA KUALITAS GIZI BAYI DI INDONESIA Diajeng Tyas Purwa Hapsari Teknik Informatika STMIK AMIKOM Yogyakarta Jl Ring road Utara, Condongcatur, Sleman, Yogyakarta 55281 Email :
Lebih terperinciBAB II TINJAUAN PUSTAKA. apapun yang melalui beberapa pengolahan berarti (Tse, 2012). Mencerahkan citra,
BAB II TINJAUAN PUSTAKA A. Tinjauan Pustaka Pengolahan citra adalah sebuah bentuk pengolahan sinyal dimana masukannya berupa sebuah citra, dan keluarannya dapat berupa citra kembali atau apapun yang melalui
Lebih terperinciDeteksi Outlier Menggunakan Algoritma Block-based Nested Loop (Studi Kasus: Data Akademik Mahasiswa Prodi PS Universitas XYZ)
Deteksi Outlier Menggunakan Algoritma Block-based Nested Loop (Studi Kasus: Data Akademik Mahasiswa Prodi PS Universitas XYZ) Fiona Endah Kwa 1, Paulina H. Prima Rosa 2 1, 2 Jurusan Teknik Informatika,
Lebih terperinciIMPLEMENTASI DEEP LEARNING BERBASIS TENSORFLOW UNTUK PENGENALAN SIDIK JARI
Royani Darma Nurfita, Gunawan Ariyanto, Implementasi Deep Learning Berbasis Tensorflow Untuk Pengenalan Sidik Jari IMPLEMENTASI DEEP LEARNING BERBASIS TENSORFLOW UNTUK PENGENALAN SIDIK JARI Royani Darma
Lebih terperinciClustering Terhadap Indeks Prestasi Mahasiswa STMIK Akakom Menggunakan K-Means
Clustering Terhadap Indeks Prestasi Mahasiswa STMIK Akakom Menggunakan K-Means Sri Redjeki Andreas 1), Andreas Pamungkas, Pamungkas Hastin 2), Hastin Al-fatah Al-fatah 3) 1)2)3) STMIK dzeky@akakom.ac.id
Lebih terperinciBAB I PENDAHULUAN Latar Belakang
1 BAB I PENDAHULUAN 1.1. Latar Belakang Clustering adalah proses di dalam mencari dan mengelompokkan data yang memiliki kemiripan karakteristik (similarity) antara satu data dengan data yang lain. Clustering
Lebih terperinciAPLIKASI PENGENALAN WAJAH UNTUK VALIDASI PESERTA UJIAN ONLINE MENGGUNAKAN METODE HAAR CASCADE DAN EIGEN FACE VECTOR
APLIKASI PENGENALAN WAJAH UNTUK VALIDASI PESERTA UJIAN ONLINE MENGGUNAKAN METODE HAAR CASCADE DAN EIGEN FACE VECTOR Mika Tandililing Program Studi Teknik Komputer, STMIK Profesional ladabarra@gmail.com
Lebih terperinciBAB I PENDAHULUAN. dengan alat medis seperti Computed Tomography (CT) scan atau Magnetic
BAB I PENDAHULUAN A. Latar Belakang Penyakit pada bagian dalam tubuh manusia merupakan suatu hal yang tidak dapat dilihat secara langsung. Contohnya untuk mengetahui dan mendiagnosa penyakit tumor pada
Lebih terperinciThe 6 th University Research Colloquium 2017 Universitas Muhammadiyah Magelang
Penerapan Seleksi Atribut Berdasarkan Koefisien Variansi dan Korelasi untuk Inisialisasi Pusat Awal Klaster pada Algoritma K- Means dalam Pemetaan E-Government Tahun 2016 Ivon Dewi Apriliyaningsih 1*,
Lebih terperinciBAB III ANALISIS DAN PENYELESAIAN MASALAH
BAB III ANALISIS DAN PENYELESAIAN MASALAH 3.1 Deskripsi Sistem Gambar III-1 Deskripsi Umum Sistem Pada gambar III-1 dapat dilihat deskripsi sistem sederhana yang mendeteksi intrusi pada jaringan menggunakan
Lebih terperinciProsiding SENATEK 2015 Fakultas Teknik, Universitas Muhammadiyah Purwokerto Purwokerto, 28 November 2015, ISBN
SISTEM KLASTERISASI MENGGUNAKAN METODE K-MEANS DALAM MENENTUKAN POSISI ACCESS POINT BERDASARKAN POSISI PENGGUNA HOTSPOT DI UNIVERSITAS MUHAMMADIYAH PURWOKERTO Achmad Fauzan*, Abid Yanuar Badharudin, Feri
Lebih terperinciAstika Ayuningtyas Sekolah Tinggi Teknologi Adisutjipto Yogyakarta, Jl Janti Blok R Lanud Adisutipto, Yogyakarta
Seminar SENATIK Nasional Vol. II, 26 Teknologi November Informasi 2016, ISSN: dan 2528-1666 Kedirgantaraan (SENATIK) Vol. II, 26 November 2016, ISSN: 2528-1666 PeP- 115 Pemrosesan Paralel pada Menggunakan
Lebih terperinciKLASTERISASI BERDASARKAN KESAMAAN POLA DENGAN MENGGUNAKAN ALGORITMA PCLUSTER (Kata kunci: Penggalian Data, Klasterisasi Kesamaan Pola)
PRESENTASI TUGAS AKHIR KI091391 KLASTERISASI BERDASARKAN KESAMAAN POLA DENGAN MENGGUNAKAN ALGORITMA PCLUSTER (Kata kunci: Penggalian Data, Klasterisasi Kesamaan Pola) Penyusun Tugas Akhir : Kartika Wijayati
Lebih terperinciCLUSTERING BUSINESS PROCESS MODEL PETRI NET DENGAN COMPLETE LINKAGE
JURNAL ITSMART Vol 3. No 2. Desember 24 ISSN : 23 72 CLUSTERING BUSINESS PROCESS MODEL PETRI NET DENGAN COMPLETE LINKAGE Fakhrunnisak Nur Aini fakhrunnisak@students.uns.ac.id Sarngadi Palgunadi palgunadi@uns.ac.id
Lebih terperinciBAB II LANDASAN TEORI
BAB II LANDASAN TEORI 2.1 Multithreading Programming Multithreading Programming adalah suatu kemampuan yang memungkinkan beberapa kumpulan instruksi atau proses dapat dijalankan secara bersamaan dalam
Lebih terperinciBAB IV PENGUJIAN DAN ANALISIS
BAB IV PENGUJIAN DAN ANALISIS Pada bab ini akan dijelaskan tentang pengujian dari masing masing metode computing dan juga analisa dari hasil pengujian tersebut. Pengujian dilakukan pada waktu proses dengan
Lebih terperinciORGANISASI KOMPUTER II AUB SURAKARTA
ORGANISASI KOMPUTER II STMIK AUB SURAKARTA Umumnya sistem multiprosesor menggunakan dua hingga selusin prosesor. Peningkatan sistem multiprosesor menggunakan jumlah prosesor yang sangat banyak ratusan,
Lebih terperinciSISTEM OPERASI. Belajar SO?
SISTEM OPERASI Pendahuluan ruliriki@gmail.com http://blogriki.wordpress.com Belajar SO? Sistem Operasi masih menjadi bagian dari inti kurikulum bidang Ilmu Komputer? Mengapa ''hari gini'' (terpaksa) mempelajari
Lebih terperinciBAB I PENDAHULUAN. Tsunami ini merupakan kejadian alam yang dipengaruhi oleh adanya aktifitas
BAB I PENDAHULUAN 1. 1. Latar Belakang Tsunami ini merupakan kejadian alam yang dipengaruhi oleh adanya aktifitas yang terjadi di dasar laut. Aktifitas ini dapat berupa gempa laut, gunung berapi meletus,
Lebih terperinciPERBANDINGAN METODE CLUSTERING MENGGUNAKAN METODE SINGLE LINKAGE DAN K - MEANS PADA PENGELOMPOKAN DOKUMEN
PERBANDINGAN METODE CLUSTERING MENGGUNAKAN METODE SINGLE LINKAGE DAN K - MEANS PADA PENGELOMPOKAN DOKUMEN Rendy Handoyo 1, R. Rumani M 2, Surya Michrandi Nasution 3 1,2,3 Gedung N-203, Program Studi Sistem
Lebih terperinciParalelisasi Transformasi Fourier Para Arsitektur General Purpose Graphic Processing Unit Untuk Klasifikasi Alat Musik Dengan Solo Instrumen
Paralelisasi Transformasi Fourier Para Arsitektur General Purpose Graphic Processing Unit Untuk Klasifikasi Alat Musik Dengan Solo Instrumen Ridwan Rismanto 1 *, Nanik Suciati 2, Wahyu Suadi 3 Institut
Lebih terperinciBAB I PENDAHULUAN. seiring perkembangan teknologi mikroprosesor, proses komputasi kini dapat
BAB I PENDAHULUAN I.1 Latar Belakang Proses komputasi yang dapat dilakukan oleh komputer telah berkembang dengan pesat. Pada awalnya proses komputasi hanya dapat dilakukan secara sekuensial saja. Sebuah
Lebih terperinciOptimasi Teknik Klasifikasi Modified k Nearest Neighbor Menggunakan Algoritma Genetika
Optimasi Teknik Klasifikasi Modified k Nearest Neighbor Menggunakan Algoritma Genetika Siti Mutrofin 1, Arrie Kurniawardhani 2, Abidatul Izzah 3, Mukhamad Masrur 4 Universitas Pesantren Tinggi Darul Ulum
Lebih terperinciBAB 3 PROSEDUR DAN METODOLOGI. menawarkan pencarian citra dengan menggunakan fitur low level yang terdapat
BAB 3 PROSEDUR DAN METODOLOGI 3.1 Permasalahan CBIR ( Content Based Image Retrieval) akhir-akhir ini merupakan salah satu bidang riset yang sedang berkembang pesat (Carneiro, 2005, p1). CBIR ini menawarkan
Lebih terperinciOrganisasi SistemKomputer, Pelayanan Sistem Operasi. Ptputraastawa.wordpress.com
SistemOperasi Organisasi SistemKomputer, ArsitekturSistemKomputer, Pelayanan Sistem Operasi ptputraastawa@gmail.com Ptputraastawa.wordpress.com Organisasi Komputer Sistem komputer modern terdiri dari satu
Lebih terperinciPertemuan ke - 12 Unit Masukan dan Keluaran Riyanto Sigit, ST. Nur Rosyid, S.kom Setiawardhana, ST Hero Yudo M, ST
Pertemuan ke - 12 Unit Masukan dan Keluaran Riyanto Sigit, ST. Nur Rosyid, S.kom Setiawardhana, ST Hero Yudo M, ST Politeknik Elektronika Negeri Surabaya Tujuan Menjelaskan system komputer unit masukkan/keluaran
Lebih terperinciANALISIS KETERKAITAN DATA TRANSAKSI PENJUALAN BUKU MENGGUNAKAN ALGORITMA APRIORI DAN ALGORITMA CENTROID LINKAGE HIERARCHICAL METHOD (CLHM)
ANALISIS KETERKAITAN DATA TRANSAKSI PENJUALAN BUKU MENGGUNAKAN ALGORITMA APRIORI DAN ALGORITMA CENTROID LINKAGE HIERARCHICAL METHOD (CLHM) Nurani 1, Hamdan Gani 2 1 nurani_nanni@yahoo.com, 2 hamdan.gani.inbox@gmail.com
Lebih terperinciJl. Raya Dukuhwaluh Purwokerto )
Sistem Klasterisasi Menggunakan Metode K-Means dalam Menentukan Posisi Access Point Berdasarkan Posisi Hotspot di Universitas Muhammadiyah Purwokerto (Clustering System Using K-Means Method in Determining
Lebih terperinciSEGMENTASI CITRA MENGGUNAKAN LEVEL SET UNTUK ACTIVE CONTOUR BERBASIS PARALLEL GPU CUDA
HALAMAN JUDUL TESIS SEGMENTASI CITRA MENGGUNAKAN LEVEL SET UNTUK ACTIVE CONTOUR BERBASIS PARALLEL GPU CUDA LIANITA FEBRIHANI No. Mhs : 125301846/PS/MTF PROGRAM STUDI MAGISTER TEKNIK INFORMATIKA PROGRAM
Lebih terperinciSIMULASI PERAMBATAN GELOMBANG SUARA DENGAN METODE STAGGERED GRID FINITE DIFFERENCE TIME DOMAIN MENGGUNAKAN ARSITEKTUR CUDA GPU
TESIS SIMULASI PERAMBATAN GELOMBANG SUARA DENGAN METODE STAGGERED GRID FINITE DIFFERENCE TIME DOMAIN MENGGUNAKAN ARSITEKTUR CUDA GPU ARIEF BUDIMAN No. Mhs. : 105301460/PS/MTF PROGRAM STUDI MAGISTER TEKNIK
Lebih terperinciPengantar Teknik Informatika
Pengantar Teknik Informatika Algoritma dan Kompleksitas Pertemuan Ke-3 Materi E-learning Tanggal : 1 Oleh : Supatman Fakultas Teknologi Informasi Universitas Mercu Buana Yogyakarta Tahun 2012 Algoritma
Lebih terperinciPengenalan Pola. K-Means Clustering
Pengenalan Pola K-Means Clustering PTIIK - 2014 Course Contents 1 Definisi k-means 2 Algoritma k-means 3 Studi Kasus 4 Latihan dan Diskusi K-Means Clustering K-Means merupakan salah satu metode pengelompokan
Lebih terperinciPengantar PENGOLAHAN CITRA. Achmad Basuki PENS-ITS Surabaya 2007
Pengantar PENGOLAHAN CITRA Achmad Basuki PENS-ITS Surabaya 2007 TUJUAN Mahasiswa dapat membuat aplikasi pengolahan citra Mahasiswa dapat menerapkan konsep-konsep pengolahan citra untuk menghasilkan suatu
Lebih terperinciMINGGU II DASAR SISTEM OPERASI
1 MINGGU II DASAR SISTEM OPERASI TINJAUAN UMUM Sebuah program yang berperan sebagai penengah antara seorang user dan perangkat keras komputer Tujuan sistem operasi: Menjalankan program milik user dan membuat
Lebih terperinciTAKARIR. : Mengelompokkan suatu objek yang memiliki kesamaan. : Kelompok atau kelas
TAKARIR Data Mining Clustering Cluster Iteratif Random Centroid : Penggalian data : Mengelompokkan suatu objek yang memiliki kesamaan. : Kelompok atau kelas : Berulang : Acak : Pusat area KDD (Knowledge
Lebih terperinciOPTIMASI TEKNIK KLASIFIKASI MODIFIED K NEAREST NEIGHBOR MENGGUNAKAN ALGORITMA GENETIKA
OPTIMASI TEKNIK KLASIFIKASI MODIFIED K NEAREST NEIGHBOR MENGGUNAKAN ALGORITMA GENETIKA Optimization Techniques Modi ed k Nearest Neighbor Classi cation Using Genetic Algorithm Siti Mutro n 1, Abidatul
Lebih terperinciBAB I PENDAHULUAN 1.1. Latar Belakang
BAB I PENDAHULUAN 1.1. Latar Belakang Dalam mencapai tujuan pembangunan ekonomi diperlukan peran serta lembaga keuangan untuk membiayai pembangunan tersebut. Lembaga keuangan memegang peranan penting dalam
Lebih terperinciKata kunci: Cluster, Knowledge Discovery in Database, Algoritma K-Means,
K- Pembentukan cluster dalam Knowledge Discovery in Database dengan Algoritma K-Means Oleh: Sri Andayani Jurusan Pendidikan Matematika FMIPA UNY,email: andayani@uny.ac.id Abstrak Pembentukan cluster merupakan
Lebih terperinciMultithreading untuk Algoritma Divide and Conquer
Multithreading untuk Algoritma Divide and Conquer Novan Parmonangan Simanjuntak(13509034) Program Studi Teknik Informatika Sekolah Teknik Elektro dan Informatika Institut Teknologi Bandung, Jl. Ganesha
Lebih terperinciStruktur Sistem Komputer
Struktur Sistem Komputer ARSITEKTUR UMUM SISTEM KOMPUTER Sistem Komputer Sistem komputer terdiri atas CPU dan sejumlah perangkat pengendali yang terhubung melalui sebuah bus yang menyediakan akses ke memori
Lebih terperinciK-SUPPORT VECTOR NEAREST NEIGHBOR UNTUK KLASIFIKASI BERBASIS K-NN
K-SUPPORT VECTOR NEAREST NEIGHBOR UNTUK KLASIFIKASI BERBASIS K-NN Eko Prasetyo 1) 1 Program Studi Teknik Informatika, Fakultas Teknik, Universitas Bhayangkara Surabaya 2 Jalan A. Yani 11, Surabaya, 60231
Lebih terperinciPENGELOMPOKAN GAMBAR BERDASARKAN WARNA DAN BENTUK MENGGUNAKAN FGKA (FAST GENETIC KMEANS ALGORITHM) UNTUK PENCOCOKAN GAMBAR
PENGELOMPOKAN GAMBAR BERDASARKAN WARNA DAN BENTUK MENGGUNAKAN FGKA (FAST GENETIC KMEANS ALGORITHM) UNTUK PENCOCOKAN GAMBAR Farah Zakiyah Rahmanti 1, Entin Martiana K. 2, S.Kom, M.Kom, Nana Ramadijanti
Lebih terperinciBAB III METODOLOGI PENELITIAN. Gambar 3.1 merupakan desain penelitian yang akan digunakan dalam
BAB III METODOLOGI PENELITIAN 3.1 Desain Penelitian Gambar 3.1 merupakan desain penelitian yang akan digunakan dalam proses penelitian penerapan algoritma K-Means pada clustering berita berbahasa Indonesia.
Lebih terperinci(M.6) FUZZY C-MEANS CLUSTERING DENGAN ANALISIS ROBUST
(M.6) FUZZY C-MEANS CLUSTERING DENGAN ANALISIS ROBUST 1Nor Indah FitriyaNingrum, 2 Suwanda, 3 Anna Chadidjah 1Mahasiswa JurusanStatistika FMIPA UniversitasPadjadjaran 2Jurusan Statistika FMIPA Universitas
Lebih terperinciPENGEMBANGAN HEURISTIK DIFERENSIAL TERKOMPRESI UNTUK ALGORITMA BLOCK A*
PENGEMBANGAN HEURISTIK DIFERENSIAL TERKOMPRESI UNTUK ALGORITMA BLOCK A* Teguh Budi Wicaksono 1), Rinaldi Munir 2) Sekolah Teknik Elektro dan Informatika, Institut Teknologi Bandung Bandung, Jawa Barat
Lebih terperinciAPLIKASI IDENTIFIKASI ISYARAT TANGAN SEBAGAI PENGOPERASIAN E-KIOSK
APLIKASI IDENTIFIKASI ISYARAT TANGAN SEBAGAI PENGOPERASIAN E-KIOSK Wiratmoko Yuwono Jurusan Teknologi Informasi Politeknik Elektronika Negeri Surabaya-ITS Jl. Raya ITS, Kampus ITS, Sukolilo Surabaya 60111
Lebih terperinciSISTEM OPERASI. Review
SISTEM OPERASI STRUKTUR SISTEM OPERASI ruliriki@gmail.com Review 1 CPU Bertugas mengendalikan operasi komputer dan melakukan fungsi pemrosesan Terdiri dari : ALU (Arithmetic Logic Unit ) untuk komputasi
Lebih terperinciBAB 1 PENDAHULUAN Latar Belakang
BAB 1 PENDAHULUAN 1.1. Latar Belakang Data mining adalah proses mengeksplorasi dan menganalisis data dalam jumlah besar untuk menemukan pola dan rule yang berarti (Berry & Linoff, 2004). Klasifikasi adalah
Lebih terperinciBAB IV ANALISIS DAN PERANCANGAN
BAB IV ANALISIS DAN PERANCANGAN 4.1. Analisa 4.1.1 Analisis Data Pada tahap analisa data ini akan dibahas mengenai citra CT Scan yang akan dilakukan proses segmentasi atau pengelompokan data. Data citra
Lebih terperinciBAB I PENDAHULUAN. Saat ini, konsep data mining semakin dikenal sebagai tools penting dalam
BAB I PENDAHULUAN 1.1 LATAR BELAKANG Saat ini, konsep data mining semakin dikenal sebagai tools penting dalam manajemen informasi karena jumlah informasi yang semakin besar jumlahnya. Data mining sendiri
Lebih terperinciALGORITMA K-MEDOIDS UNTUK PENENTUAN STRATEGI PEMASARAN PRODUK
ALGORITMA K-MEDOIDS UNTUK PENENTUAN STRATEGI PEMASARAN PRODUK Wiwit Agus Triyanto Fakultas Teknik, Program Studi Sistem Informasi Universitas Muria Kudus Email: at.wiwit@yahoo.co.id ABSTRAK Strategi pemasaran
Lebih terperinciBAB 4 IMPLEMENTASI Implementasi
BAB 4 IMPLEMENTASI Bab ini menuturkan penjelasan mengenai implementasi dari sistem pengujian yang dibangun berdasarkan hasil analisis dan perancangan sistem yang telah dibahas pada bab sebelumnya. Bab
Lebih terperinciAnalisis Arsitektur Aplikasi Web Menggunakan Model View Controller (MVC) pada Framework Java Server Faces
Scientific Journal of Informatics Vol. 3, No. 1, Mei 2016 p-issn 2407-7658 http://journal.unnes.ac.id/nju/index.php/sji e-issn 2460-0040 Analisis Arsitektur Aplikasi Web Menggunakan Model View Controller
Lebih terperinci