gan paralel didesain dengan dua pendekatan yan gi dan mendistribusikan data citra sedangkan pada kan dengan membagi data citra dan juga para
processing Citra Daun Tumbuhan Obat dilakukan dengan tujuan mempercepat waktu p ssing data citra tumbuhan obat dilakukan den
citra menjadi 270B240 dan mengubah mode w sil dari preprocessing seperti pada Gambar 17.
17 Hasil preprocessing citra tumbuhan obat (Laxmi 2012)
ksi Fitur dengan Fuzzy Local Binary Pattern hasil preprocessing digunakan sebagai input pa raksi dilakukan menggunakan operator pada Tab an mengekstraksi citra menggunakan nilai yang berbeda. Nilai threshold FLBP yang diguna 0. Nilai threshold FLBP menentukan nilai biner pat sejumlah ) nilai ∆ yang berada dalam ren kan nilai biner sebanyak 2{. Semakin besar nilai akin besar rentang nilai fuzzy pada saat pemba ng fuzzy ini berbanding lurus dengan nilai biner komputasi pada saat ekstraksi fitur menggunakan F
menghasilkan histogram frekuensi nilai LBP. an CLBP dari nilai LBP. Panjang bin yang dihasi rgantung pada jumlah sampling points (P) yang d ian ini, jumlah P yang digunakan adalah 8 sehing LBPP,R sebanyak 28 = 256 bin. Salah satu contoh
mbar 18. ang berbeda ada model 2, aralel proses pengolahan dengan cara warna citra pada proses abel 1. Ciri ai threshold nakan mulai er LBP yang entang fuzzy ilai threshold mbacaan nilai er LBP yang n FLBP. . Histogram asilkan pada g digunakan, ingga jumlah oh histogram
Gambar 18 Histogram FLBP pada tumbuhan obat
Komputasi Paralel Analisis performance metrics
Analisis performance metric meliputi analisis algoritme sekuensial dan algoritme paralel proses ekstraksi fitur menggunakan metode FLBP. Analisis ini untuk mendapatkan persamaan-persamaan matematis dalam mengukur kinerja dari proses ekstraksi fitur menggunakan metode FLBP.
Analisis sekuensial
Analisis kinerja algoritme ekstraksi fitur metode FLBP pada sistem identifikasi tumbuhan obat secara sekuensial diukur pada persamaan kompleksitas. Waktu eksekusi dipengaruhi oleh ukuran data yaitu jumlah spesies dan jumlah citra, teknik ekstraksi metode FLBP yaitu jumlah operator LBP dan jumlah threshold FLBP serta ukuran citra. Sehingga apabila jumlah spesies sebanyak spesies, jumlah citra setiap spesies adalah | citra, jumlah operator sebanyak k, rentang threshold } dan ukuran citra adalah ) B b maka kompleksitasnya adalah sebagai berikut.
WX = ~ ( × | × p × }) + () × b) % ~ ( × | × p × })
dengan WX adalah waktu sekuensial pemrosesan ekstraksi fitur menggunakan metode FLBP.
Analisis paralel
Algoritme proses ekstraksi fitur menggunakan metode FLBP dalam implementasinya menggunakan jumlah spesies tumbuhan obat, setiap spesies memiliki jumlah citra daun tumbuhan obat sebagai data input. Proses ekstraksi fitur data input pada metode FLBP, tergantung pada operator dan threshold yang digunakan. Parelisasi dilakukan pada pembagian data input karena memiliki beban komputasi yang besar. Penelitian ini menerapkan dua model perancangan paralel untuk mengatasi permasalahan waktu komputasi pada sistem identifikasi tumbuhan obat. 0 50 100 150 200 250 300 350 400 450 500 0 7 1 4 2 1 2 8 3 5 4 2 4 9 5 6 6 3 7 0 7 7 8 4 9 1 9 8 1 0 5 1 1 2 1 1 9 1 2 6 1 3 3 1 4 0 1 4 7 1 5 4 1 6 1 1 6 8 1 7 5 1 8 2 1 8 9 1 9 6 2 0 3 2 1 0 2 1 7 2 2 4 2 3 1 2 3 8 2 4 5 2 5 2 F r ek u e n si Nilai LBP Histogram FLBP
25
Model 1
Model 1 membagi data input ke setiap prosesor. Proses ekstraksi fitur dilakukan di setiap prosesor dengan data input yang berbeda. Satu proses (prosesor master) bertugas membagi data, melakukan komputasi lokal dan mengumpulkan hasil komputasi dari proses lainnya, sedangkan proses lainnya bertugas melakukan komputasi lokal sesuai dengan data citra dan metode ekstraksi yang harus dikerjakan. Hasil komputasi lokal setiap proses dikumpulkan ke proses master. Waktu yang diperlukan sebanyak p prosesor untuk menyelesaikan masalah yang sama, maka kompleksitas untuk waktu eksekusi paralel dirumuskan sebagai berikut:
W- = ~ × €(| × p × })• + 2(}`A/ )
dengan W- merupakan waktu paralel dan 2(}`A/ ) adalah waktu komunikasi yang dibutuhkan untuk membagi data input dan mengumpulkan hasil ekstraksi. Nilai percepatan model 1 dihitung dengan menggunakan Persamaan 9 seperti berikut:
S = WWX
-= ( × | × p × })
× E(‚×v×y)- K + 2(}`A/ )
Selain nilai percepatan, dapat juga menghitung efisiensi dari model 1 dengan menggunakan Persamaan 11 seperti berikut:
5 = W- = ( × | × p × }) + 2 (}`A/ )
\ = W5 = X ( × | × p × }) + 2 (}`A( × | × p × })
/ )
dengan 5 merupakan biaya paralel yang dikeluarkan oleh model 1. Untuk mempertahankan efisiensi yang konstan, W ukuran masalah harus proporsional terhadap W`(d, ), atau Persamaan 12 harus terpenuhi.
d = ƒWf(d, )
Total overhead Wf adalah sebagai berikut:
W-− WX= 2 (}`A/ )
Artinya jika jumlah proses bertambah dari p menjadi p′, ukuran input citra daun tumbuhan obat harus bertambah sebesar 2 ′ (}`A/ ′) kali lipat, misal jumlah proses bertambah dari dua menjadi empat, maka ukuran input harus bertambah sebesar 16/4 = 4 kali lipat.
Model 2
Parelisasi pada model 2 diterapkan pada saat proses pembagian data input ke setiap prosesor dan juga pada saat ekstraksi citra daun (proses FLBP). Citra daun akan dibagi areanya sebanyak jumlah prosesor dan area tersebut diekstraksi. Hasil ekstraksi setiap area dikumpulkan ke prosesor master. Waktu yang diperlukan sebanyak p prosesor untuk menyelesaikan masalah yang sama, maka kompleksitas untuk waktu eksekusi paralel dirumuskan sebagai berikut:
W- = ~ × €(| × p × })• + 2(}`A/ ) +
dengan W- merupakan waktu paralel, 2(}`A/ ) proses komunikasi pada saat pembagian data citra dan merupakan proses komunikasi pembagian area citra. Nilai percepatan model 2 dapat dirumuskan dengan Persamaan 9 sebagai berikut:
S = WWX
- = ( × | × p × })
× E(‚×v×y)- K + 2(}`A/ ) +
Nilai efisiensi dapat dirumuskan menggunakan Persamaan 11 dengan biaya paralel (5) dihitung terlebih dahulu. Persamaan nilai efisiensi dari model 2 adalah sebagai berikut:
5 = W- = ( × | × p × }) + 2 (}`A/ ) + /
\ = W5 = X ( × | × p × }) + 2 (}`A( × | × p × })
/ ) + /
Untuk mempertahankan efisiensi yang konstan, W ukuran masalah harus proporsional terhadap W`(d, ), atau Persamaan 12 harus terpenuhi. Total overhead Wf adalah sebagai berikut:
W-− WX = 2 (}`A/ ) + /
Artinya jika jumlah proses bertambah dari p menjadi p′, ukuran input citra daun tumbuhan obat harus bertambah sebesar 2 ′(}`A/ ′) + ′/ kali lipat, misal jumlah proses bertambah dari empat menjadi enam, maka ukuran input harus bertambah sebesar 72/32 = 2.25 kali lipat.
Analisis hasil percobaan
Ekstraksi fitur FLBP memiliki waktu komputasi yang cukup lama pada sistem identifikasi tumbuhan obat. Beberapa faktor yang mempengaruhi waktu komputasi pada saat proses ekstraksi adalah penggunaan dua operator LBP, masing-masing operator menggunakan threshold * = 1 sampai * = 10. Satu citra daun tumbuhan obat akan memiliki 20 histogram ciri hasil ekstraksi menggunakan kombinasi operator dan threshold tersebut. Penelitian ini mengolah
27
sebanyak 1 440 citra sehingga menghasilkan sebanyak 28 800 vektor histogram FLBP.
Proses ekstraksi 1 440 data citra latih yang dilakukan secara sekuensial (menggunakan satu komputer) memerlukan waktu selama 29 131 detik atau delapan jam. Penelitian ini mencoba mengurangi waktu komputasi tersebut. Kedua model perancangan dijalankan dalam sebuah komputer cluster. Komputer cluster (Gambar 19) terdiri atas sejumlah komputer yang terkoneksi dalam Local Area Network (LAN) yang saling bekerja secara paralel. Komputer cluster pada penelitian ini menggunakan 8 unit komputer (prosesor) yang dihubungkan melalui kabel LAN 100Mbps.
Gambar 19 Komputer cluster menggunakan 8 unit komputer
Delapan unit komputer yang digunakan pada komputer cluster memiliki spesifikasi yang sama yaitu, ProcessorIntel Core i3-2100 CPU 3.10 Ghz, memori RAM 4 GB dan harddisk 500 GB. Pada penelitian ini salah satu komputer cluster dijadikan prosesor master. Prosesor master memberikan perintah kepada prosesor slave untuk dikerjakan secara paralel. Prosesor master dan slave terhubung melalui kabel LAN dan satu unit switch. Komunikasi dalam topologi LAN hanya terjadi pada prosesor yang tergabung didalamnya tanpa ada komunikasi dari topologi jaringan lain. Oleh karena itu, nilai latency yang dihasilkan sangat baik yaitu 0.113 miliseconds. Semakin kecil nilai latency dari suatu model perancangan cluster, maka semakin baik performa dari model perancangan tersebut. Pencatatan waktu ekstraksi fitur citra daun tumbuhan obat secara paralel dilakukan oleh prosesor master. Pengerjaan paralel pada sistem identifikasi tumbuhan obat hanya pada saat ekstraksi fitur citra daun. Setelah prosesor master menerima hasil ekstraksi fitur dari prosesor slave, prosesor master akan memroses hasil ekstraksi fitur tersebut untuk mendapatkan model PNN. Proses klasifikasi menggunakan PNN dikerjakan di dalam satu komputer yaitu komputer master.
Model 1
Model 1 pada penelitian ini didesain untuk memecahkan permasalahan komputasi dengan banyak data. Perancangan model perancangan mengikuti metode Foster yaitu partisi, komunikasi, aglomerasi dan mapping.
Partisi
Partisi dapat dilakukan dengan membagi citra ke beberapa prosesor kemudian dilakukan ekstraksi fitur di masing-masing prosesor. Tabel 2 menunjukkan proses pembagian data untuk setiap prosesor. Pembagian data citra dilakukan pada setiap spesies yang akan diekstraksi. Partisi yang ideal adalah saat setiap prosesor mendapatkan jumlah data yang sama.
Tabel 2 Pembagian data citra setiap spesies untuk setiap prosesor
Total data Jumlah prosesor
Pembagian data setiap prosesor
Jumlah prosesor yang kelebihan data
48 2 24 0 48 3 16 0 48 4 12 0 48 5 9 3 48 6 8 0 48 7 6 6 48 8 6 0
Tabel 2 menunjukkan bahwa terdapat kondisi tidak ideal di dalam pembagian data citra ke setiap prosesor. Penggunaan 5 buah prosesor terjadi kondisi tidak ideal tersebut. Terdapat 3 buah prosesor yang mengolah data lebih banyak. 3 buah prosesor masing-masing mengolah 10 data citra dan 2 prosesor lainnya mengolah sebanyak 9 data citra untuk setiap spesiesnya.
Kondisi tidak ideal juga terjadi pada penggunaan 7 buah prosesor. Kondisi ini terjadi karena terdapat 6 buah prosesor mengolah 7 data citra sedangkan 1 buah prosesor hanya mengolah 6 data citra. Hanya satu prosesor yang mengolah sebanyak 6 data citra setiap spesiesnya.
Komunikasi
Komunikasi yang digunakan pada model 1 adalah MPI_Scatterv (Gambar 20). MPI_Scatterv merupakan komunikasi yang disediakan oleh Library MPI untuk mendistribusikan jumlah data yang berbeda untuk setiap prosesor. Model 1 terdapat beberapa prosesor yang mengolah data tidak dalam jumlah yang sama.
Gambar 20 Proses komunikasi menggunakan MPI_Scatterv dan MPI_Gatherv
Pasangan dari proses MPI_Scatterv adalah proses MPI_Gatherv. MPI_Gatherv digunakan untuk mengumpulkan histogram hasil ekstraksi fitur
29
citra daun tumbuhan obat. Proses pengumpulan histogram terjadi dari prosesor slave ke prosesor master. Proses komunikasi yang terjadi pada model 1 cukup sederhana sehingga tidak menggunakan tahapan proses aglomerasi dan mapping. Hasil pengumpulan histogram FLBP selanjutnya menjadi input untuk proses PNN.
Evaluasi kinerja paralel model 1
Hasil evaluasi percepatan dan efisiensi seperti ditunjukkan pada Tabel 3. Penerapan proses paralel mampu meningkatkan percepatan pemrosesan ekstraksi fitur citra menggunakan FLBP. Peningkatan ini didapatkan dari perbandingan waktu paralel dengan waktu sekuensial.
Tabel 3 Hasil evaluasi percepatan dan efisiensi model 1
Jumlah processor( ) Waktu paralel …W-†
(detik) Percepatan(S) Efisiensi (\)
2 14 742 1.97 0.97 3 9 955 2.92 0.97 4 7 468 3.90 0.97 5 6 249 4.66 0.93 6 5 062 5.75 0.95 7 4 428 6.57 0.93 8 3 812 7.64 0.95 Percepatan
Pengukuran kinerja model perancangan paralel yang pertama adalah percepatan. Percepatan merupakan hasil perbandingan antara waktu sekuensial dengan waktu paralel. Waktu sekuensial merupakan waktu proses ekstraksi fitur citra daun tumbuhan obat menggunakan satu prosesor sedangkan waktu paralel merupakan waktu ekstraksi fitur citra daun tumbuhan obat menggunakan multi-processor. Hasil evaluasi percepatan menggunakan beberapa prosesor (Gambar 21) menunjukkan peningkatan percepatan kinerja pada saat ekstraksi fitur.
Gambar 21 Percepatan model 1
1.97 2.92 3.9 4.66 5.75 6.57 7.64 0 1 2 3 4 5 6 7 8 9 2 3 4 5 6 7 8 P er ce p a ta n Jumlah Prosesor
Berdasarkan grafik pada Gambar 21, penggunaan multi-processor untuk melakukan ekstraksi fitur citra daun tumbuhan dapat mengurangi waktu komputasi. Percobaan dilakukan dengan menggunakan 2 prosesor untuk ekstraksi fitur memerlukan waktu selama 14 742 detik dengan percepatan mencapai 1.97 kali lebih cepat dari waktu sekuensial. Percobaan dilakukan sampai dengan menggunakan 8 prosesor memerlukan waktu selama 3 812 detik dengan percepatan mencapai 7.64 kali lebih cepat dari waktu sekuensial.
Menurut Grama et al. (2003) percepatan yang ideal adalah nilai percepatan yang dihasilkan sama dengan jumlah prosesor yang digunakan. Namun pada banyak percobaan seringkali tidak mencapai kondisi ideal tersebut. Hal ini disebabkan oleh faktor komunikasi yang terjadi selama proses paralel dan terdapat prosesor yang idle atau tidak berkerja. Percepatan yang dihasilkan dari semua percobaan mendekati kondisi ideal. Setiap percobaan menghasilkan nilai percepatan (S) yang mendekati jumlah prosesor yang digunakan ( ).
Efisiensi
Efisiensi merupakan perbandingan antara percepatan dengan jumlah prosesor yang digunakan (p). Efisiensi mengukur seberapa efisien penggunaan sejumlah prosesor di dalam model perancangan paralel yang dibangun. Dalam model perancangan paralel yang ideal, efisiensi mencapai nilai satu. Penelitian ini mengukur nilai efisiensi (Gambar 22) pada model perancangan yang dibangun. Pengukuran efisiensi dilakukan untuk melihat seberapa maksimum prosesor yang bekerja di dalam model perancangan yang dibangun.
Gambar 22 Efisiensi model 1
Nilai efisiensi yang dihasilkan pada model perancangan paralel pembagian data mendekati nilai ideal. Nilai efisiensi tertinggi adalah 0.97 pada saat penggunaan 2, 3, dan 4 prosesor. Penggunaan 5 prosesor terjadi penurunan nilai efisiensi menjadi 0.93. Penurunan nilai efisiensi ini disebabkan oleh hasil proses pembagian data yang tidak ideal. Untuk pengolahan 48 data citra setiap spesiesnya terdapat 3 prosesor mengolah 10 data citra, sedangkan 2 prosesor mengolah 9 data citra. Pembagian data citra yang tidak ideal ini menyebabkan 2 prosesor dalam kondisi idle pada saat 3 prosesor lainnya masih mengolah data citra. Kondisi idle ini mempengaruhi nilai efisiensi pada pemrosesan paralel.
0.97 0.97 0.97 0.93 0.95 0.94 0.96 -0.10 0.20 0.30 0.40 0.50 0.60 0.70 0.80 0.90 1.00 2 3 4 5 6 7 8 E fi si en si Jumlah Prosesor
31
Namun, penurunan nilai efisiensi tidak secara signifikan. Penggunaan multiprocessor untuk mengekstraksi fitur sebanyak 1 440 citra daun tumbuhan obat cukup ideal.
Isoefisiensi
Skalabilitas (isoefisiensi) merupakan kemampuan model perancangan paralel untuk mempertahankan nilai efisiensi dengan bertambahnya jumlah data dan prosesor. Jumlah prosesor pada model perancangan program paralel sangat diperhitungkan. Penggunaan sejumlah prosesor berhubungan dengan biaya komunikasi. Penggunaan prosesor yang efektif mampu mengurangi biaya komunikasi yang dikeluarkan oleh model perancangan paralel. Pengukuran isoefisiensi ditunjukkan pada Tabel 4.
Tabel 4 Hasil evaluasi isoefisiensi model 1
R = 2 = 3 = 4 = 5 = 6 = 7 = 8 540 0.97 0.97 0.88 0.87 0.95 0.82 0.72 600 0.99 0.94 0.97 0.97 0.83 0.90 0.80 720 0.98 0.97 0.96 0.92 0.95 0.82 0.83 840 0.97 0.93 0.97 0.90 0.89 0.94 0.83 900 0.99 0.99 0.92 0.97 0.96 0.84 0.90 1 020 0.99 0.94 0.93 0.95 0.92 0.80 0.84 1 140 1.00 0.96 0.93 0.93 0.88 0.88 0.90 1 200 1.00 0.94 0.98 0.97 0.92 0.92 0.96 1 320 0.89 0.97 0.99 0.96 0.90 0.88 0.89 1 440 0.99 0.98 0.98 0.93 0.96 0.94 0.96
Berdasarkan perhitungan performance metric didapatkan bahwa untuk mempertahankan nilai efisiensi pada model 1 dengan menambahkan data citra sebesar 2 (}`A/ ). Tabel 4 menunjukkan penambahan prosesor dari berjumlah 2 menjadi 3 dengan penambahan data sebesar 2 (}`A/ ) mempertahankan efisiensi sebesar 0.98.
Model 1 untuk citra kueri
Model 1 didesain juga untuk ekstraksi citra kueri. Sistem identifikasi yang dikembangkan dirancang untuk menerima citra input dari user. Citra kueri atau citra input ini akan diekstraksi fitur dan hasil ekstraksi berupa histogram FLBP. Proses ekstraksi fitur citra kueri akan diproses menggunakan model perancangan paralel.
Proses partisi dilakukan dengan membagi dan mendistribusikan kombinasi operator dan threshold FLBP ke setiap prosesor. Setiap prosesor akan mengekstraksi fitur citra kueri menggunakan kombinasi yang berbeda. Proses komunikasi yang digunakan untuk citra kueri sama dengan proses komunikasi yang digunakan pada saat ekstraksi fitur citra daun tumbuhan obat (Gambar 20). Prosesor master akan membagi dan mendistribusikan kombinasi operator LBP
dan threshold FLBP ke setiap prosesor slave. Prosesor slave mengekstrasi fitur citra kueri dengan kombinasi yang diberikan oleh prosesor master. Hasil ekstraksi fitur menggunakan kombinasi operator LBP dan threshold FLBP berupa vektor histogram FLBP. Prosesor slave mengirimkan kembali histogram FLBP ke prosesor master.
Evaluasi kinerja paralel untuk citra kueri
Pengukuran kinerja paralel pada ekstraksi citra kueri menggunakan percepatan dan efisiensi. Pengukuran percepatan dengan membandingkan waktu sekuensial dengan waktu paralel ekstraksi citra kueri. Waktu sekuensial ekstraksi citra kueri adalah 24.9 detik. Tabel 5 menunjukkan waktu paralel yang dibutuhkan untuk ekstraksi citra kueri. Jumlah prosesor yang digunakan adalah sebanyak 2 prosesor sampai 8 prosesor.
Tabel 5 Hasil evaluasi percepatan dan efisiensi model 1 untuk citra kueri
Jumlah processor( ) Waktu paralel …W-†
(detik) Percepatan(S) Efisiensi (\)
2 12.1 2.06 1 3 8.3 3.00 1 4 6.1 4.08 1 5 4.9 5.08 1 6 4.8 5.19 0.86 7 3.7 6.73 0.96 8 3.7 6.73 0.84
Hasil evaluasi percepatan (Gambar 23) dan efisiensi (Gambar 24) pada ekstraksi fitur citra kueri memperlihatkan tercapainya kondisi ideal. Penggunaan prosesor sampai dengan 5 buah prosesor efisiensi tercapai nilai satu dan nilai percepatan yang sama dengan jumlah prosesor.
Gambar 23 Percepatan model 1 untuk citra kueri
2.06 3.00 4.08 5.08 5.19 6.73 6.73 -1.00 2.00 3.00 4.00 5.00 6.00 7.00 8.00 2 3 4 5 6 7 8 P e rc e p a ta n Jumlah Prosesor
33
Grafik percepatan (Gambar 23) menunjukkan bahwa pemrosesan paralel untuk ekstraksi fitur citra kueri dapat meningkatkan percepatan proses ekstraksi fitur. Pengukuran percepatan mencapai kondisi ideal pada saat penggunaan prosesor sebanyak 2 sampai dengan 5 buah prosesor. Percobaan dengan menggunakan 2 prosesor, peningkatan percepatan sampai dengan 2.05 kali lebih cepat dari waktu sekuensial. Percobaan dengan 3, 4 dan 5 prosesor, peningkatan percepatan sama dengan jumlah prosesor yang digunakan. Percobaan dengan menggunakan 6 dan 8 prosesor memiliki nilai percepatan yang jauh dari kondisi ideal.
Pengukuran efisiensi pada saat ekstraksi fitur citra kueri mencapai kondisi ideal (Gambar 24) pada saat penggunaan 3, 4 dan 5 prosesor. Percobaan menggunakan 6 prosesor, nilai efisiensi yang dihasilkan menurun, begitu juga dengan menggunakan 8 prosesor. Hal ini terjadi disebabkan oleh adanya prosesor yang dalam kondisi idle pada saat proses paralel berlangsung.
Gambar 24 Efisiensi model 1 untuk citra kueri
Klasifikasi dan Evaluasi
Hasil ekstraksi fitur dari model 1 dibagi menjadi data latih dan uji dengan persentase masing-masing 80% dan 20%. Data latih sebanyak 1 140 citra dan 300 citra menjadi data uji. Bias yang digunakan adalah 40. Hasil klasifikasi menggunakan classifier PNN menunjukkan jumlah citra yang berhasil diidentifikasi sebanyak 206 citra dari seluruh data uji sehingga diperoleh akurasi sebesar 68.89%. Perhitungan akurasi dapat dilihat sebagai berikut:
spqrs_ = 206300 × 100% = 68.89%
Perbandingan akurasi hasil ekstraksi untuk masing-masing kelas dapat dilihat pada grafik Gambar 25.
0 0.1 0.2 0.3 0.4 0.5 0.6 0.7 0.8 0.9 1 2 3 4 5 6 7 8 E fi si e n si Jumlah Prosesor
Gambar 25 Perbandingan akurasi per kelas model 1
Grafik pada Gambar 25 menunjukkan bahwa kelas 2 (Jarak Pagar), 6 (Daruju), 7 (Pegagan), 21 (Nanas Kerang) dan 26 (Cincau Hitam) merupakan kelas yang berhasil diidentifikasi dengan tingkat akurasi 100%, sedangkan kelas 5 (Akar Kuning) memiliki tingkat akurasi 0% yang berarti tidak pernah teridentifikasi benar. Adapun contoh citra latih dan citra uji kelas 7 dapat dilihat pada Gambar 26 dan kelas 5 dapat dilihat pada Gambar 27.
Data Latih Data Uji
Gambar 26 Contoh citra data latih dan data uji kelas 7 (Pegagan)
Data Latih Data Uji
Gambar 27 Contoh citra data latih dan data uji kelas 5 (Akar Kuning)
Model 2
Model 2 didesain untuk memparalelkan proses ekstraksi fitur menggunakan FLBP. Langkah-langkah perancangan model 2 menggunakan metode Foster seperti pada perancangan model 1. Metode Foster terdiri atas partisi, efisiensi, aglomerasi dan mapping.
0 10 20 30 40 50 60 70 80 90 100 1 2 3 4 5 6 7 8 9 10 11121314 15 16 17 18192021 22 23 24 25262728 29 30 A k u ra si % Kelas
35
Partisi
Proses partisi pada model 2 terbagi menjadi dua bagian yaitu pembagian data citra dan pembagian area citra. Pembagian data citra pada model 2 mengikuti model perancangan satu seperti terlihat pada Tabel 2. Partisi dilakukan dengan membagi citra ke beberapa prosesor kemudian dilakukan ekstraksi fitur di masing-masing prosesor. Pembagian area citra (Gambar 28) dilakukan saat prosesor mengekstraksi hasil pembagian data citra. Proses ekstraksi FLBP merupakan proses yang independent sehingga dapat dilakukan proses paralel pada area citra yang berbeda.
Gambar 28 Proses pembagian area citra daun
Proses ekstraksi fitur FLBP dilakukan pada area citra (Gambar 29). Area citra akan diekstraksi menggunakan prosesor yang berbeda. Hasil ekstraksi dari masing-masing area citra dijumlahkan untuk mendapatkan histogram FLBP hasil ekstraksi citra tersebut.
+
Gambar 29 Proses ekstraksi fitur FLBP pada area citra daun
Komunikasi
Model 2 memiliki komunikasi lebih kompleks dibandingkan model 1. Komunikasi yang digunakan adalah collective dan point-to-point communication. Collective communication digunakan saat pembagian data citra ke setiap prosesor. Proses komunikasi ini digunakan juga pada model 1. Komunikasi point-to-point terjadi pada saat pengiriman area citra dari satu prosesor ke prosesor pasangannya (Gambar 30). Prosesor A mengirimkan potongan area citra yang dimilikinya ke prosesor B sebagai pasangannya. Prosesor B kemudian mengekstraksi fitur potongan area citra prosesor A untuk mendapatkan histogram FLBP. Prosesor B mengirimkan histogram FLBP tersebut ke prosesor A. Proses komunikasi selanjutnya adalah prosesor B mengirimkan potongan area citra miliknya ke prosesor A dan prosesor A mengekstraksi fitur potongan citra tersebut. Histogram hasil ekstraksi fitur akan dikirimkan kembali ke prosesor B.
Gambar 30 Proses point-to-point communication
Proses point-to-point communication pada Library MPI menggunakan MPI_Send untuk mengirimkan pesan atau perintah ke prosesor pasangan. MPI_Recv digunakan untuk menerima pesan atau perintah tersebut.
Aglomerasi
Model 2 memiliki proses komunikasi yang kompleks. Proses komunikasi mempengaruhi lama waktu komputasi pada model perancangan paralel. Proses komunikasi point-to-point sangat rawan terjadinya suatu kondisi deadlock. Kondisi deadlock terjadi apabila prosesor A dan prosesor B sama-sama melakukan pengiriman pesan atau dalam kondisi menerima pesan. Aglomerasi diperlukan untuk mengatur komunikasi antar prosesor dengan tujuan mengurangi overhead pada komunikasi tersebut.
Aglomerasi pada penelitian ini adalah dengan membuat dua communicator baru. Communicator default yang disediakan Library MPI adalah MPI_COMM_WORLD yang berfungsi untuk mengatur komunikasi seluruh prosesor pada model 2. Komunikasi yang terjadi pada model 2 merupakan gabungan dari collective dan point-to-point communication. Pembuatan communicator baru bertujuan untuk mengatur komunikasi prosesor secara lebih spesifik, misalnya prosesor A hanya dapat berkomunikasi point-to-point dengan prosesor B.
Communicator pertama adalah GRID_COMM yang merupakan virtual topology (Gambar 31). Communicator GRID_COMM ini berfungsi untuk mendapatkan id cartessius dan memudahkan mengolah data dalam bentuk matriks. Virtual topology adalah mekanisme pengubahan topologi model perancangan paralel dari linear menjadi grid cartessian. Topologi ini disediakan oleh Library MPI untuk memudahkan pekerjaan dalam bentuk matriks. Prosesor yang tergabung dalam topologi virtual ini akan memiliki id baru dalam bentuk cartesius. Gambar 31 menunjukkan penggunaan 4 prosesor dalam communicator MPI_COMM_WORLD yang memiliki id dari 0 sampai dengan 3. Virtual topology dalam communicator GRID_COMM mengubah topologi menjadi matriks berukuran 2 × 2 dan memiliki id (0,0) sampai dengan (1,1).
37
Gambar 31 Topologi virtual GRID_COMM
Communicator kedua dibuat berdasarkan GRID_COMM yaitu communicator coll_comm (Gambar 32). Communicator coll_comm membagi topologi communicator GRID_COMM dari bentuk matriks menjadi bentuk vektor kolom.
Gambar 32 Topologi virtual communicator coll_comm
Pembuatan communicator baru GRID_COMM dan coll_comm bertujuan mempermudah proses komputasi pembagian area citra. Citra dalam bentuk matriks dibagi berdasarkan id GRID_COMM pada prosesor yang tergabung dalam communicator coll_comm. Proses komunikasi pada communicator coll_comm dapat dilihat pada Gambar 33.
Gambar 33 Proses komunikasi pada communicator coll_comm
Gambar 33 menunjukkan alur proses komunikasi point-to-point pada communicator coll_comm. Prosesor dengan id coll_comm (0) mengirimkan area citra yang dimiliki ke prosesor id coll_comm (1) untuk diekstraksi fitur. Histogram hasil ekstraksi fitur prosesor id coll_comm (1) dikirimkan kembali ke