KOMPUTASI PARALEL PADA APLIKASI PAYROLL

Seminar Nasional Teknologi Informasi 2016 C7 KOMPUTASI PARALEL PADA APLIKASI PAYROLL Andri Lesmana Wanasurya 1) Maria Angela Kartawidjaja 2) 1) Magister Teknik Elektro Universitas Katolik Indonesia Atma Jaya Jl. Jenderal Sudirman 51, Jakarta 12930 Indonesia email: andri.lesmana@atmajaya.ac.id, mariakw@atmajaya.ac.id ABSTRACT Institution have employees and usually calculating salaries that consist of various components, such as basic salary, allowance, tax, etc. In general, the calculation of payroll is carried out by serial computation using a single computer. This process is time-consuming especially for institution that has many employees with various status and condition. In this research we propose a parallel computation to do the calculation of employee s payroll, using three computers (each processor has minimum two cores) connected to a network and a Message Passing Interface (MPI) to create a virtual parallel platform. The result of our experiment indicates an acceptable performance, especially when the employee number is sufficiently large. By using two processors the speedup can reach up to 4.75 for six parallel process. Key words komputasi paralel, payroll; gaji karyawan; MPI.NET 1. Pendahuluan Banyak institusi memiliki karyawan dalam jumlah yang besar dan setiap periode waktu tertentu, umumnya bulanan, melakukan perhitungan gaji karyawan. Gaji setiap karyawan terdiri dari sejumlah komponen gaji, yaitu: gaji pokok, tunjangan fungsional, tunjangan resiko, tunjangan komunikasi, tunjangan jabatan struktural, tunjangan transport, iuran ikatan karyawan, potongan Jamsostek, iuran BPJS, potongan pajak, dsb. Setiap komponen gaji memiliki cara perhitungan yang berbeda, dan setiap karyawan dapat memiliki komponen gaji yang berbeda pula. Komponen gaji tertentu berkaitan dengan sejumlah faktor, misalnya golongan karyawan, status tanggungan pajak, presensi karyawan, dsb. Perhitungan gaji dapat dilakukan dengan menggunakan aplikasi payroll. Biasanya proses perhitungan gaji memakan waktu relatif lama dan membutuhkan lebih banyak waktu seiring dengan meningkatnya jumlah karyawan dan kompleksitas komponen gaji. Aplikasi payroll secara umum melakukan setiap proses perhitungan secara serial. Proses perhitungan gaji yang memakan waktu lama akan menghambat kinerja Departemen Sumber Daya Manusia (Human Resource Department / HRD) pada suatu institusi, misalnya ketika proses perhitungan gaji sedang berjalan maka transaksi perubahan data karyawan tidak dapat dilakukan. Di era modern seperti saat ini, banyak komputer sudah memiliki prosesor multicore (dual core, quad core, hexa core, octa core, dst.) dan terhubung dengan komputer lainnya dalam suatu jaringan komputer. Proses perhitungan gaji secara serial belum memanfaatkan keunggulan dari prosesor multicore dan/atau beberapa komputer dalam jaringan komputer yang mampu melakukan proses secara paralel dalam waktu yang bersamaan. Oleh karena itu, aplikasi payroll yang dapat melakukan proses secara paralel memiliki potensi besar untuk meningkatkan efisiensi waktu proses perhitungan gaji. Sebagai ilustrasi, jika perhitungan gaji untuk satu orang karyawan memerlukan waktu satu detik maka dengan komputasi serial proses perhitungan gaji untuk 6000 orang karyawan akan memerlukan waktu 6000 detik (100 menit). Jika menggunakan komputasi paralel dengan dua proses yang berjalan bersamaan, diperkirakan waktu yang diperlukan mendekati 3000 detik (50 menit). Berdasarkan ilustrasi tersebut, waktu proses perhitungan gaji dengan komputasi paralel lebih efisien dibandingkan komputasi serial. Maksud dan tujuan penelitian ini adalah meningkatkan efisiensi waktu proses perhitungan gaji melalui implementasi komputasi paralel. Untuk mendukung maksud dan tujuan ini, dibuat suatu prototipe aplikasi payroll yang dapat melakukan proses komputasi secara paralel. Metode penelitian terdiri atas tiga bagian utama, yaitu perancangan model sistem dan aplikasi, pembuatan aplikasi, serta pengujian melalui model percobaan. Tahap perancangan model sistem dilakukan untuk menentukan bagian dari proses perhitungan gaji yang dapat dipecah dan dijalankan secara paralel (paralelisasi), menentukan pembagian beban komputasi pada seluruh prosesor yang digunakan dalam proses perhitungan, dan menentukan pola komunikasi antar proses. Paralelisasi dengan membagi proses perhitungan gaji per karyawan, yaitu instruksi proses perhitungan gaji yang berulang dilakukan dalam waktu yang bersamaan terhadap karyawan yang berbeda. Perancangan aplikasi untuk menentukan struktur data dalam tabel pada 39

C7 Seminar Nasional Teknologi Informasi 2016 Relational Database Management System (RDBMS) dan menentukan jenis aplikasi yang akan dibuat. Pembuatan aplikasi dilakukan berdasarkan rancangan yang sudah dibuat. Aplikasi dibuat dengan menggunakan Integrated Development Environment (IDE) Microsoft Visual Studio versi 2008. Framework.NET yang akan digunakan adalah versi 2.0 dan seluruh program akan ditulis dalam bahasa pemrograman C#. RDBMS yang akan digunakan adalah Microsoft SQL Server versi 2008. Tahap pengujian dilakukan melalui simulasi model percobaan dengan menggunakan data karyawan fiktif yang dibentuk di awal pengujian. Jumlah komponen gaji yang digunakan adalah empat belas, dan data karyawan yang digunakan sebanyak 1000 karyawan. Percobaan model pertama menggunakan dua buah komputer (satu komputer sebagai server basis data dan satu komputer lainnya untuk menjalankan proses perhitungan). Percobaan model kedua menggunakan tiga buah komputer (satu komputer sebagai server basis data dan dua komputer lainnya untuk menjalankan proses perhitungan). Seluruh komputer saling terhubung dalam jaringan komputer dengan topologi star. Komputer sebagai server basis data memiliki spesifikasi prosesor Intel Core i7-3630qm 2.4 GHz dan memori 8GB, sedangkan komputer untuk menjalankan proses perhitungan memiliki spesifikasi prosesor Intel Core i5-3230m 2.6 GHz dan memori 4GB. Pengujian menggunakan jumlah proses paralel yang berbeda, yaitu satu, dua, tiga, empat, dst. pada satu dan beberapa prosesor, dan juga dilakukan pengukuran besarnya waktu yang dibutuhkan untuk menyelesaikan proses perhitungan gaji bagi seluruh karyawan. Dari hasil pengukuran dapat dihitung peningkatan kinerja komputasi paralel dengan menggunakan relative speedup sebagai metrik. Sampai dengan tulisan ini dibuat, belum ditemukan penelitian yang sudah dipublikasikan terkait komputasi paralel menggunakan Message Passing Interface (MPI).NET untuk melakukan perhitungan gaji karyawan. Penelitian komputasi paralel menggunakan MPI yang sudah pernah dilakukan di antaranya adalah untuk implementasi pengolahan paralel pola Williamson Array dalam Pembangunan Matriks skew-hadamard [1], dan untuk menghitung nilai akhir mata kuliah Metode Numerik di Jurusan Matematika Universitas Andalas [2]. Kedua penelitian tersebut berbeda dengan penelitian ini, baik dari sisi cara maupun langkah perhitungannya. Penelitian paralel untuk pola Williamson Array dalam Pembangunan Matriks skew-hadamard dan perhitungan nilai akhir mata kuliah Metode Numerik yang disebutkan di atas menggunakan MPI dengan bahasa pemrograman C, sedangkan penelitian ini menggunakan MPI.NET dengan bahasa pemrograman C#. C# adalah bahasa pemrograman dalam platform Microsoft.NET untuk komputasi berkinerja tinggi dengan fitur modern, object oriented programming (OOP), dan mendukung pengembangan aplikasi yang dapat terhubung melalui jaringan. Selain itu, penelitian ini menggunakan RDBMS untuk penyimpanan datanya dan hal ini tidak ditemukan dalam kedua penelitian terdahulu. Komputasi paralel adalah solusi yang menarik untuk mempercepat proses perhitungan gaji, di samping peningkatan kemampuan komputasi melalui pembaharuan perangkat keras seperti prosesor, memori, dan harddisk. Perangkat keras yang memiliki kinerja komputasi lebih tinggi dapat mempercepat proses perhitungan gaji, namun peningkatan ini tidak dapat berlangsung terus, karena akan dibatasi oleh kecepatan maksimum yang dapat dimiliki elektron-elektron (3 x 10 8 m/s) dan oleh jarak minimum antara elemen-elemen internal IC yang masih dapat diwujudkan. Dalam komputasi paralel, peningkatan kinerja komputasi dapat dicapai dengan menambahkan jumlah pemrosesan sesuai kebutuhan. Penambahan jumlah pemrosesan didasarkan pada jumlah inti prosesor, jumlah prosesor pada suatu komputer, dan jumlah komputer yang terhubung dalam suatu jaringan komputer. Di samping itu, pendistribusikan beban komputasi harus seimbang, dan komunikasi antar proses harus dibuat seminimal mungkin. Komputasi paralel selain meningkatkan efisiensi waktu proses, juga meningkatkan efisiensi penggunaan perangkat keras terutama prosesor dan memori. Dari penelitian ini dapat diketahui peningkatan efisiensi waktu proses perhitungan gaji dengan penggunaan komputasi paralel dan pengaruh jumlah proses paralel terhadap waktu proses perhitungan gaji. 2. Komputasi Paralel Suatu sistem komputasi paralel didefinisikan sebagai kombinasi dari algoritma paralel dan arsitektur komputer paralel yang digunakan dalam eksekusi program paralel. Dengan demikian kinerja sistem komputasi paralel perlu dievaluasi berdasarkan algoritma dan arsitekturnya. 2.1 Arsitektur Komputer Paralel Menurut Flynn, berdasarkan aliran instruksi dan aliran data, komputer dapat dikategorikan ke dalam empat kelompok, yaitu Single Instruction Stream, Single Data Stream (SISD), Single Instruction Stream, Multiple Data Stream (SIMD), Multiple Instruction Stream, Single Data Stream (MISD), dan Multiple Instruction Stream, Multiple Data Stream (MIMD) [3][4]. Sistem komputer paralel termasuk dalam kelompok MIMD. Kelompok ini memiliki sejumlah prosesor yang masingmasing beroperasi pada sejumlah data. Berdasarkan ruang pengalamatan, sistem komputer MIMD dapat dibagi menjadi sistem multiprosesor dan sistem multikomputer. Sistem multiprosesor adalah sistem komputer paralel dengan pemakaian memori tunggal secara bersama-sama, sedangkan sistem 40

Seminar Nasional Teknologi Informasi 2016 C7 multikomputer adalah sistem komputer paralel dengan setiap CPU memiliki memorinya sendiri dan independen. Oleh karena sistem multikomputer menggunakan memori yang terpisah, diperlukan saluran interkoneksi untuk menghubungkan komputer-komputer tersebut. 2.2 Topologi Jaringan Komputer Saluran interkoneksi untuk menghubungkan komputer yang satu dengan komputer lainnya dapat memiliki berbagai topologi di antaranya topologi bus, topologi ring, dan topologi star [5] seperti ditunjukkan pada Gambar 1, 2, dan 3. Gambar 1 Topologi bus Topologi bus adalah topologi yang paling sederhana. Topologi ini hanya menggunakan sebuah kabel coaxial di sepanjang node (komputer) dan umumnya pada ujung kabel coaxial tersebut dipasang konektor T sebagai kabel end to end. Gambar 2 Topologi ring Topologi ring adalah topologi yang menghubungkan satu komputer dengan komputer lainnya dalam suatu rangkaian melingkar dengan bentuk mirip sebuah cincin. Topologi ini biasanya hanya untuk Local Area Network (LAN). Gambar 3 Topologi star Topologi star merupakan topologi yang menggunakan perangkat switch atau hub untuk menghubungkan satu komputer dengan komputer lainnya. Pada penelitian ini, seluruh komputer yang digunakan dalam percobaan saling terhubung dalam jaringan komputer dengan topologi star. 2.3 Message Passing Interface (MPI) MPI adalah suatu sistem yang kompleks. Secara keseluruhan, MPI menyediakan 129 fungsi terkait pemrograman untuk komputasi paralel [6]. MPI sebagai salah satu protokol komunikasi dapat digunakan dalam pemrograman untuk komputasi paralel. Komunikasi dalam MPI dapat dilakukan baik secara point-to-point maupun secara collective. MPI digunakan untuk memberikan kinerja paralel yang tinggi, scalable, dan mudah dimigrasikan dari platform komputasi yang satu ke platform komputasi yang lain (portable). MPI banyak digunakan dalam komputasi paralel berkinerja tinggi [7][8][9]. MPI.NET adalah implementasi MPI untuk lingkungan pengembangan berbasis Microsoft.NET. MPI.NET menyediakan dukungan untuk seluruh bahasa pemrograman berbasis.net, terutama bahasa pemrograman C# [10]. C# merupakan salah satu bahasa pemrograman untuk komputasi berkinerja tinggi (High- Performance Computing) [11] dengan fitur modern dan kompatibilitas yang baik dengan berbagai RDBMS. 2.4 Speedup Untuk mengukur kinerja komputasi paralel ada beberapa metrik yang lazim digunakan, misalnya waktu eksekusi, peningkatan kecepatan atau biasa disebut sebagai speedup, efisiensi prosesor dan memori, serta biaya komputasi. Salah satu metrik kinerja yang umum digunakan adalah speedup [12]. Secara umum speedup dapat dikategorikan ke dalam dua bentuk, yaitu absolute speedup dan relative speedup. Absolute speedup mengukur peningkatan kinerja suatu program paralel dibandingkan dengan program sekuensial yang memiliki waktu eksekusi paling singkat. Oleh karena program sekuensial yang paling cepat untuk suatu masalah belum tentu merupakan program sekuensial yang paling cepat untuk masalah lain, maka sebagai program sekuensial diambil program aplikasi yang umum digunakan untuk memecahkan masalah. Relative speedup mengukur peningkatan kinerja yang diperoleh dengan menjalankan suatu program paralel pada sejumlah prosesor dibandingkan terhadap program paralel yang sama yang dijalankan pada satu prosesor. Dalam penelitian ini akan dilakukan pengukuran seberapa besar peningkatan kinerja yang dapat diperoleh dengan menggunakan sejumlah prosesor yang bekerja bersama-sama, sehingga wajar untuk 41

C7 Seminar Nasional Teknologi Informasi 2016 menggunakan relative speedup sebagai metrik. Secara matematis relative speedup didefinisikan sebagai: T1 Sp... (1) T p dengan T 1 dan T p masing-masing adalah waktu eksekusi program paralel pada satu dan pada p prosesor. 3. Hasil Percobaan Seluruh percobaan yang dilakukan menggunakan data karyawan fiktif yang dibentuk di awal pengujian dan menggunakan komponen gaji sebanyak empat belas, yaitu: 1. Gaji Pokok 2. Tunjangan Fungsional 3. Tunjangan Resiko 4. Tunjangan Komunikasi 5. Tunjangan Jabatan Struktural 1 6. Tunjangan Jabatan Struktural 2 7. Tunjangan Transport 8. Bruto Gaji 9. Iuran Ikatan Karyawan 10. Potongan Jamsostek 11. Iuran BPJS TK-JP 12. Iuran BPJS Kesehatan 13. Potongan Pajak 14. Netto Gaji Data karyawan yang digunakan sebanyak 1000 karyawan. Masing-masing karyawan memiliki rincian data pribadi, status pekerja, status tanggungan pajak, departemen, golongan, langkah, kelompok, posisi, status PHK, NPWP, presensi kehadiran kerja, dan jabatan jika menjabat struktural. Contoh hasil perhitungan gaji untuk salah satu karyawan dalam percobaan ditunjukkan pada Gambar 4. Percobaan dengan model pertama dilakukan dengan menggunakan jumlah proses paralel satu hingga dua belas. Untuk masing-masing jumlah proses paralel dilakukan percobaan sebanyak lima kali, sehingga total percobaan yang dilakukan untuk model pertama sebanyak 60 kali. Hasil percobaan model pertama ditunjukkan pada Tabel 1. Percobaan dengan model kedua dilakukan dengan menggunakan jumlah proses paralel dua, empat, enam, delapan, sepuluh, dan dua belas. Untuk masing-masing jumlah proses paralel dilakukan percobaan sebanyak lima kali, sehingga total percobaan yang dilakukan untuk model kedua sebanyak 30 kali. Hasil percobaan model kedua ditunjukkan pada Tabel 2. Tabel 1 Hasil percobaan model pertama Jumlah Proses Paralel Model Pertama Waktu Proses Rata-Rata (milidetik) Relative Speedup 1 36226 1.00 2 17665 2.05 3 11940 3.03 4 9522 3.80 5 9045 4.01 6 8605 4.21 7 7759 4.67 8 8287 4.37 9 8755 4.14 10 8202 4.42 11 7956 4.55 12 7738 4.68 Tabel 2 Hasil percobaan model pertama dan kedua Jumla h Model Pertama Model Kedua Waktu Proses Waktu Proses Proses Relative Relative Rata-Rata Rata-Rata Paralel Speedup Speedup (milidetik) (milidetik) 2 17665 2.05 17360 2.09 4 9522 3.80 9566 3.79 6 8605 4.21 7619 4.75 8 8287 4.37 8187 4.42 10 8202 4.42 8249 4.39 12 7738 4.68 7578 4.78 Gambar 4 Contoh hasil perhitungan gaji salah satu karyawan Perbandingan relative speedup terhadap jumlah proses paralel pada percobaan model pertama dapat dilihat pada Gambar 5, sedangkan perbandingan relative speedup antara percobaan model pertama dan kedua dapat dilihat pada Gambar 6. 42

Seminar Nasional Teknologi Informasi 2016 C7 menghasilkan kinerja komputasi dan relative speedup yang lebih baik. Gambar 5 Perbandingan relative speedup model pertama. Percobaan dalam penelitian ini masih menggunakan jumlah data dan komputer yang terbatas. Penelitian masih berjalan dan akan dilakukan percobaan lain dengan jumlah data yang lebih banyak, peningkatan jumlah komputer, dan penambahan model percobaan. Penelitian komputasi paralel ini masih mungkin untuk dikembangkan dengan menambah jumlah dan variasi komponen gaji yang memiliki cara perhitungan lebih kompleks. Kemungkinan pengembangan lainnya adalah penerapan komputasi paralel untuk aplikasi selain payroll, misalnya simulasi perhitungan anggaran perusahaan, simulasi perubahan suku bunga bagi nasabah perbankan, dsb. Gambar 6 Perbandingan relative speedup model pertama dan kedua. 4. Kesimpulan Dari penelitian dan hasil percobaan yang diperoleh dapat disimpulkan: Komputasi paralel pada aplikasi payroll dapat meningkatkan efisiensi waktu proses perhitungan gaji. Kinerja komputasi dan relative speedup meningkat sejalan dengan penambahan proses paralel sampai jumlah tertentu. Dari hasil percobaan ini, penambahan proses paralel sampai dengan empat, baik pada percobaan model pertama maupun kedua, masih menghasilkan peningkatan kinerja komputasi dan relative speedup yang signifikan. Jumlah proses paralel yang terlalu banyak, lebih dari empat dalam percobaan ini, menghasilkan waktu proses rata-rata yang tidak konsisten terhadap jumlah proses paralelnya. Hal ini kemungkinan disebabkan oleh keterbatasan kemampuan komputer yang menyimpan basis data dan kapasitas jaringan komputer. Penggunaan jumlah komputer yang lebih banyak dengan jumlah proses paralel yang tepat dapat REFERENSI [1] Suharini, Y. S. dan Indriasari, M., 2014, Implementasi Pengolahan Paralel Pola Williamson Array dalam Pembangunan Matriks skew-hadamard, Jurnal IPTEK 9 (1): 1-7. [2] Bahri, S., 2010, Pemograman Paralel Untuk Menghitung Nilai Akhir Mata Kuliah Metode Numerik di Jurusan Matematika Unand, Working Paper, Fakultas Matematika dan Ilmu Pengetahuan Alam, Universitas Andalas (Unpublished). [3] Hwang, K., 1993, Advanced Computer Architecture: Parallelism, Scalability, Programmability, New York: McGraw-Hill. [4] Hennessy, J. L. dan Patterson, D. A., 2012, Computer Architecture: A Quantitative Approach, 5 th ed., San Francisco: Morgan Kaufmann. [5] Wilkinson, B. dan Allen, M., 2005, Parallel Programming: Techniques and Applications Using Networked Workstations and Parallel Computers, 2 nd ed, New Jersey: Prentice Hall. [6] Foster, I., 1994, Designing and Building Parallel Programs: Concepts and Tools for Parallel Software Engineering, Boston: Addison-Wesley Publishing. [7] Sayatan, S. et al., 2006, High Performance and Scalable MPI over InfiniBand with Reduced memory Usage: An In depth Performance Analysis, Proceedings of the 2006 ACM/IEEE conference on Supercomputing. [8] Message Passing Interface Forum, MPI: A Message Passing Interface Standard, 1994. [9] Message Passing Interface Forum, MPI: Extension to the Message Passing Interface, 1997. [10] http://www.crest.iu.edu/research/mpi.net, Tanpa tahun, MPI.NET: High-Performance C# Library for Message Passing, http://www.crest.iu.edu/research/mpi.net, diakses tanggal 11-02-2016. [11] Willcock, J. et al., 2002, Using MPI with C# and the Common Language Infrastructure, Indiana University Computer Science Department Technical Report 570. [12] Culler, D. et al., 1997, Parallel Computer Architecture: A Hardware/Software Approach, San Francisco: Morgan Kaufmann. 43

C7 Seminar Nasional Teknologi Informasi 2016 Andri Lesmana Wanasurya, memperoleh gelar S.T. dari Fakultas Teknik Universitas Katolik Indonesia Atma Jaya. Saat ini sebagai mahasiswa Magister Teknik Elektro Universitas Katolik Indonesia Atma Jaya. Maria Angela Kartawidjaja, memperoleh gelar M.Kom. dan Doktor dari Fakultas Ilmu Komputer Universitas Indonesia pada tahun 1994 dan 2005. Saat ini sebagai staf pengajar Magister Teknik Elektro Universitas Katolik Indonesia Atma Jaya dari tahun 1985 hingga saat ini. 44