Text

Perbandingan Kinerja Jaringan Syaraf Tiruan Backpropagation Dengan Pemrosesan Pararel GPGPU Cuda dan Pemrosesan Sekuensial

---

ABSTRAK
Jaringan Syaraf Tiruan (JST) merupakan salah satu contoh kecerdasan buatan yang
terdiri dari beberapa layer yang dibentuk oleh node neuron, dan saling terhubung satu sama
lain melalui jaringan. Metode JST diketahui sebagai salah satu metode terbaik dalam
menyelesaikan beberapa kasus meskipun masih diperlukan waktu komputasi yang lama
dalam kasus yang sangat kompleks. Pemrosesan Paralel dengan memanfaatkan kekuatan
GPU Geforce diharapkan proses pelatihan dan pengujian JST untuk suatu kasus berjalan
dengan waktu komputasi lebih cepat. Untuk mencapai tujuan, bahasa pemrograman C++ dan
SDK CUDA sebagai tool pemrograman paralel. JST yang digunakan adalah metode JST
backpropagation, dengan penerapan komputasi sekuensial dan paralel. Dari hasil penelitian
dapat diketahui bahwa ternyata waktu komputasi paralel yang dibutuhkan 4 kali waktu
komputasi sekuensial. Oleh karena itu, aplikasi JST untuk prediksi jumlah penderita
penyakit masih cukup ditangani dengan pemrosesan sekuensial saja. Kelambatan
pemrosesan paralel kemungkinan dapat disebabkan oleh latency, throughput, memory clock,
cache, clock prosesor, bandwith atau algoritma paralel yang digunakan. Dengan adanya
permasalahan crash yang dialami aplikasi JST setelah melakukan pengaturan nilai neuron
hidden yang lebih besar, pemrosesan paralel masih bisa menjadi alternatif untuk
menyelesaikan beberapa kasus. Pemahaman mengenai JST backpropagation dan arsitekur
GPU sangat diperlukan agar dapat mengembangkan aplikasi JST CUDA dengan baik.
Kata kunci : Jaringan syaraf tiruan, pemrosesan paralel, komputasi paralel, GPGPU,
CUDA, backpropagation.

ABSTRACT
Artificial Neural Network (ANN) is one of the artificial intelligence example, which
consist of layers formed of nodes and interconnected layers. The method is known as one of
the best methods in solving several types of problem, despite the long computational time
that occur on several complex cases. Doing a parallel processing by harnessing the power of
Geforce GPU is expected for the ANN training and evaluation process for a certain case able
to gain computational time speed up. To fulfill the purpose, C++ programming language and
CUDA SDK as the tools of parallel programming. The ANN backpropagation is chose as
the method, with the implementation of sequential and parallel programming. Based on the
research, it appears that parallel computational time is 4 times the sequential computational
time. Therefore, ANN CUDA application for disease prediction is enough to be handled only
with sequential processing. The slowness of parallel processing possibly caused by the factor
of latency, throughput, memory clock, cache, processor clock, bandwidth or the parallel
algorithm which is used. The ANN CUDA application did experience a crash problem after
the larger hidden neuron number was set, and parallel processing can be an alternative for
tackling this problem. Having a strong knowledge of ANN backpropagation and GPU
architecture is very important in order to develop the ANN CUDA application properly.
Keywords: Artificial Neural Network, parallel processing, parallel computing, GPGPU,
CUDA, backpropagation.

---

Ketersediaan

339F15IV

006.32 OZA p

Perpustakaan FSM Undip (Referensi)

Tersedia

Informasi Detail

Judul Seri

ILMU KOMPUTER/INFORMATIKA

No. Panggil

006.32 OZA p

Penerbit

: ., 2015

Deskripsi Fisik

-

Bahasa

Indonesia

ISBN/ISSN

-

Klasifikasi

936

Tipe Isi

-

Tipe Media

-

Tipe Pembawa

-

Edisi

-

Subjek

-

Info Detail Spesifik

-

Pernyataan Tanggungjawab

Ozalif Routing B.S

Versi lain/terkait

Lampiran Berkas

Komentar

---

Anda harus masuk sebelum memberikan komentar