PEMROSESAN PARALEL PADA NVIDIA CUDA. Oleh: Satya Kurnia NIM:

(1)

PEMROSESAN PARALEL PADA NVIDIA CUDA

Oleh: Satya Kurnia NIM: 622007006

Skripsi

Untuk melengkapi salah satu syarat memperoleh Gelar Sarjana Teknik

Program Studi Sistem Komputer Fakultas Teknik Elektronika dan Komputer

Universitas Kristen Satya Wacana

Salatiga April 2013

(2)

(3)

(4)

PEMROSESAN PARALEL PADA NVIDIA CUDA

oleh Satya Kurnia NIM: 622007006

Skripsi ini telah diterima dan disahkan Untuk melengkapi salah satu syarat memperoleh

Gelar Sarjana Teknik dalam

Konsentrasi Sistem Embedded Program Studi Sistem Komputer Fakultas Teknik Elektronika dan Komputer

Universitas Kristen Satya Wacana Salatiga

Disahkan oleh:

Pembimbing I Pembimbing II

Hartanto K.Wardana, M.T. Darmawan Utomo,M.Eng.

(5)

PERNYATAAN BEBAS PLAGIAT

Saya, yang bertanda tangan di bawah ini: NAMA : Satya Kurnia NIM : 622007006 JUDUL

SKRIPSI

: PEMROSESAN PARALEL PADA NVIDIA CUDA

Menyatakan bahwa skripsi tersebut di atas bebas plagiat. Apabila ternyata ditemukan unsur plagiat di dalam skripsi saya, maka saya bersedia mendapatkan sanksi apa pun sesuai aturan yang berlaku.

Salatiga, 1 April 2013

(6)

INTISARI

Nvidia CUDA adalah salah satu teknologi pemrosesan paralel yang menggabungkan Central Processing Unit (CPU) dan Graphics Processing Unit (GPU) untuk meningkatkan kinerja pemrosesan data secara paralel. Di Indonesia pemanfaatan Nvidia CUDA untuk pemrosesan paralel belum dikenal secara luas. Oleh karena itu, pada skripsi ini dibuat modul pedoman pembelajaran dan modul pedoman praktikum untuk matakuliah pemrosesan paralel.

Modul pedoman pembelajaran terdiri dari 7 topik pedoman dan modul praktikum terdiri dari 8 topik pedoman. Pedoman pembelajaran dan pedoman praktikum telah melalui pengujian terhadap 43 mahasiswa yang mengambil matakuliah dasar pemrograman, pengujian yang dilakukan melalui pengisian kuesioner. Setelah dilakukan pengisian kuesioner, tahap selanjutnya melakukan analisis data melalui uji hipotesis.

Uji validalitas dan uji reliabilitas belum dapat dilaksanakan. Hasil dari uji hipotesis adalah responden tidak puas dengan pedoman pembelajaran tetapi puas dengan pedoman praktikum. Selain itu juga dilakukan pengujian dalam bentuk praktikum terhadap mahasiswa dengan prasyarat matakuliah pemrosesan paralel. Hasil dari pengujian praktikum adalah 5 dari 6 topik praktikum yang diujikan telah melampaui standar penilaian, sedangkan 1 topik praktikum masih membutuhkan perbaikan. Selain itu tidak ada perbedaan nilai yang signifikan antara mahasiswa yang mempunyai ipk kurang dari 3 dengan mahasiswa yang mempunyai ipk lebih dari sama dengan 3.

(7)

ABSTRACT

The development of computer technology are increasingly demanding advanced data processing technology solutions faster and cheaper. Nvidia CUDA is a parallel processing technologies that combine the Central Processing Unit (CPU) and Graphics Processing Unit (GPU) to improve the performance of processing data in parallel. In Indonesia, the use of Nvidia CUDA parallel processing has not been widely known. Therefore, in this thesis is the module learning guidance and lab guidance module for parallel processing course.

Module learning guidance consists of 7 topics guidelines and lab module consists of 8 topic guidelines. Guidelines learning and lab guidelines have gone through testing against 43 students taking the basic course programming, testing conducted through questionnaires. After filling out the questionnaire, the next stage of data analysis through hypotheses test.

Validity and reliability tests can not be executed. The results of hypothesis testing are the respondents are not satisfied with the learning guidelines but satisfied with lab guidelines. There was also tested in a lab for students with prerequisite course parallel processing. The results of the testing lab is 5 of 6 topics lab tested has exceeded the standard appraisal practice and 1 topic still needs improvement. In addition there was no significant difference in score between the students who have less ipk than 3 with students who have ipk more than equal to 3.

(8)

KATA PENGANTAR

Puji Syukur ke hadirat Tuhan Yang Maha Esa, atas segala berkat dan karunia-Nya sehingga penulis dapat menyelesaikan studi dan skripsi di Fakultas Teknik Elektronika dan Komputer Universitas Kristen Satya Wacana.

Penulis ingin mengucapkan terima kasih sebesar-besarnya kepada:

1. Papa, mama, semua kakak-kakak dan adik-adik yang telah memberikan dukungan materiil dan moril selama penulis menjalani kuliah di FTEK UKSW. 2. Bapak Hartanto K.W selaku pembimbing I.

3. Bapak Darmawan Utomo selaku pembimbing II.

4. Semua teman-teman yang membantu dalam pengujian, Ricky, Budhi, Vincent, Peg-peg, Lundy, Mima dan Daniel, terimakasih atas semua dukungan dan bantuan selama pengujian skripsi.

5. Teman-teman Lab XT , mbahe, Pakko, Heri, Black, Penda, Theo, Codot, Vincent, Patria, Onne, Widji dan semua teman-teman lab XT yang tidak bisa penulis sebutkan satu per satu.

6. Teman-teman Elektro 07, Eko, Rhino, Dwi, Codot, Evan, Putu, Agus, Indra, Tama, Dede dan semua teman -teman 07 yang tidak bisa penulis sebutkan satu per satu.

7. Semua teman-teman peserta kelas dasprog. 8. Mbak Yeti dan Mbak Ida.

9. Semua anggota jemaat MK, para tetangga rumah, orang-orang yang selalu menanyakan “kapan lulus?” dan semua orang yang tidak bisa penulis sebutkan satu per satu. Terimakasih atas dukungan dan doanya selama ini.

Walaupun masih banyak kekurangan dalam pembuatan skripsi ini, penulis berharap skripsi ini dapat berguna dan dapat disempurnakan suatu hari kelak.

Salatiga, 1 April 2013 Penulis,

(9)

DAFTAR ISI

INTISARI ... i

ABSTRACT ... ii

KATA PENGANTAR... iii

DAFTAR ISI ... iv

DAFTAR GAMBAR... vi

DAFTAR TABEL ... vii

DAFTAR SINGKATAN... viii

BAB I PENDAHULUAN... 1

1.1. Tujuan ... 1

1.2. Latar Belakang Masalah... 1

1.3. Spesifikasi ... 4

1.4. Sistematika Penulisan ... 6

BAB II DASAR TEORI ... 7

2.1. Sejarah Nvidia CUDA ... 7

2.2. Arsitektur Nvidia CUDA ... 8

2.3. GPU Sebagai Mesin Pemrosesan Paralel ... 12

2.4. Statistika ... 15

2.4.1. Skala Likert ... 15

2.4.2. Uji Chi-Square ... 16

2.4.3. Uji t ... 16

BAB III PERANCANGAN ... 18

3.1. Pedoman Pembelajaran Nvidia CUDA ... 18

3.1.1. Pedoman pembelajaran topik 1: Konsep pemrosesan paralel, sejarah dan pengenalan Nvidia CUDA sebagai mesin pemrosesan paralel...19

3.1.2. Pedoman pembelajaran topik 2 : Nvidia CUDA programming model ... 20

3.1.3. Pedoman pembelajaran topik 3: Nvidia CUDA Threading ... 20

3.1.4. Pedoman pembelajaran topik 4: Nvidia CUDA Memory ... 21

3.1.5. Pedoman pembelajaran topik 5: Nvidia CUDA Compilation and API ... 22

(10)

3.1.7. Pedoman pembelajaran topik 7: Nvidia CUDA Optimization ... 24

3.2. Pedoman Praktikum Nvidia CUDA ... 26

3.2.1. Pedoman praktikum topik 0 : Pengenalan Nvidia CUDA dan Instalasi Nvidia CUDA Toolkit, Nvidia CUDA SDK, Nvidia Nsight dan Integrasi Nvidia CUDA dengan Visual Studio 2008 dan Visual Studio 2010 ... 27

3.2.2. Pedoman praktikum topik 1:Nvidia CUDA Basic ... 28

3.2.3. Pedoman praktikum topik 2 :Nvidia CUDA Threading ... 29

3.2.4. Pedoman praktikum topik 3 :Nvidia CUDA Memory ... 30

3.2.5. Pedoman praktikum topik 4 : Nvidia CUDA API ... 32

3.2.6. Pedoman praktikum topik 5 : Nvidia CUDA Library ... 33

3.2.7. Pedoman praktikum topik 6 : Nvidia CUDA Optimization ... 35

3.2.8. Pedoman praktikum 7 : Tugas Rancang ... 36

3.3. Rancangan Pengujian ... 37

3.3.1. Pengujian oleh dosen ... 37

3.3.2. Pengujian oleh mahasiswa ... 37

3.4. Pelaksanaan Pengujian Pedoman Pembelajaran dan Pedoman Praktikum ... 38

BAB IV PENGUJIAN PEDOMAN ... 41

4.1. Pengujian oleh Dosen ... 41

4.2. Pengujian oleh mahasiswa ... 41

4.2.1. Uji Hipotesis ... 43

4.2.2. Analisis Pengujian Pedoman Praktikum ... 47

BAB V KESIMPULAN DAN SARAN ... 50

5.1. Kesimpulan ... 50 5.2. Saran Pengembangan ... 50 DAFTAR PUSTAKA ... 51 LAMPIRAN A... 53 LAMPIRAN B ... 63 LAMPIRAN C... 74 LAMPIRAN D... 93

(11)

DAFTAR GAMBAR

Gambar 1.1. Core GPU...2

Gambar 1.2. Floating-Point Operations per second CPU dan GPU...2

Gambar 1.3. Memory Bandwidth CPU dan GPU...3

Gambar 2.1. Arsitektur komputer dengan Nvidia CUDA...8

Gambar 2.2. GPU pada Nvidia CUDA...11

Gambar 2.3. SM pada arsitektur Fermi...11

Gambar 2.4. Perbandingan Kemampuan Floating-Point CPU dengan GPU...12

Gambar 2.5. Perbandingan Memory Bandwidth CPU dengan GPU...13

Gambar 2.6. Diagram Alir Kerja Nvidia CUDA...15

Gambar 3.1. Diagram Alir Pedoman Pembelajaran...18

(12)

DAFTAR TABEL

Tabel 1.1. Pedoman Pembelajaran...4

Tabel 1.2. Pedoman Praktikum...5

Tabel 2.1. Sejarah Perkembangan GPU...7

Tabel 2.2. Generasi Arsitektur Nvidia CUDA...10

Tabel 2.3. Perbedaan Filosofi Desain CPU dengan GPU...14

Tabel 3.1. Pelaksanaan Pengujian Pedoman Pembelajaran dan Pedoman Praktikum....38

Tabel 4.1. Pernyataan Kuesioner Pedoman Pembelajaran...42

Tabel 4.2. Pernyataan Kuesioner Pedoman Praktikum...43

Tabel 4.3. Tingkat Kesetujuan Responden Pedoman Pembelajaran...44

Tabel 4.4. Test Chi-Square Pedoman Pembelajaran...45

Tabel 4.5. Tingkat Kesetujuan Responden Pedoman Praktikum...46

Tabel 4.6. Test Chi-Square Pedoman Praktikum...46

Tabel 4.7. Nilai Rata-Rata Pengujian...47

Tabel 4.8. Nilai Rata-Rata Pengujian berdasarkan IPK...47

(13)

DAFTAR SINGKATAN

Singkatan Kepanjangan

ALU Arithmetic And Logic Unit

API Application Programming Interface CPU Central Processing Unit

CUDA Compute Unified Device Architecture DRAM Dynamic Random Access Memory FPU Floating Point Unit

GDDR Graphics Double Data Rate

GFLOPS Giga Floating Point Operations Per Second GPGPU General Purpose Graphics Processing Unit GPU Graphics Processing Unit

GHz Gigahertz

IPK Indeks Prestasi Kumulatif ISA Instruction Set Architecture MATLAB Matrix Laboratory

Mhz Megahertz

PC Personal Computer

PFLOPS Peta Floating Point Operations Per Second SDK Software Development Kit

SFU Special Function Unit SM Streaming Multiprocessor SP Streaming Processor

TFLOPS Tera Floating Point Operations Per Second VGA Video Graphics Array

2D 2 Dimensional 3D 3 Dimensional

(14)

BAB I PENDAHULUAN

Pada bab ini akan dijelaskan tujuan, latar belakang masalah, spesifikasi tugas dan sistematika penulisan skripsi.

1.1. Tujuan

Mempelajari arsitektur dan pemrograman Nvidia CUDA yang merupakan teknologi pemrosesan paralel yang menggabungkan Central Processing Unit (CPU) dengan Graphics Processing Unit (GPU) untuk meningkatkan kinerja pemrosesan data dan membuat pedoman pengajaran dalam bentuk diktat dan slide serta membuat

pedoman praktikum untuk matakuliah Pemrosesan Paralel.

1.1. Latar Belakang Masalah

Seiring dengan kemajuan teknologi, pemanfaatan komputer menjadi sangat luas dan meliputi segala aspek. Komputer menjadi alat bantu manusia untuk menyelesaikan berbagai bentuk permasalahan dari permasalahan yang sederhana sampai dengan permasalahan yang kompleks. Semakin majunya kekuatan pemrosesan komputer, menjadi alasan mengapa permasalahan yang kompleks bisa diselesaikan dalam waktu yang singkat.

CPU merupakan unit pemrosesan utama di dalam sebuah komputer. Perkembangan CPU dalam 30 tahun terakhir telah meningkat pesat dari clock speeds 1 MHz pada awal tahun 1980 hingga mencapai clock speeds 4 GHz pada saat ini. Walaupun clock speeds CPU meningkat, tetapi masalah boros daya dan panas yang dihasilkan CPU akibat tingginya clock speeds menyebabkan clock speeds sulit untuk ditingkatkan lagi, sehingga merupakan masalah besar yang harus dihadapi tiap pabrikan CPU untuk meningkatkan kinerja CPU [12, h.2-3].

Pada tahun 2006 Nvidia mengenalkan teknologi pemrosesan paralel yang cepat, murah dan efisien yaitu Compute Unified Device Architecture (CUDA) yang berbasis General Purpose Graphics Processing Unit (GPGPU). Arsitektur Nvidia CUDA dapat meningkatkan kinerja pemrosesan data di dalam komputer dengan cara menggabungkan kekuatan pemrosesan CPU dan GPU untuk meningkatkan kinerja pemrosesan data.

(15)

GPU pada Nvidia CUDA mempunyai puluhan hingga ratusan core, sehingga dapat melakukan pemrosesan data secara bersama-sama dalam satu waktu. Gambar 1.1 merupakan gambar banyaknya core di dalam GPU pada Nvidia CUDA.

Gambar 1.1. Core GPU [1]

Dengan banyaknya core di dalam sebuah GPU maka kemampuan Floating-point Operations per Second GPU jauh di atas CPU yang hanya mempunyai beberapa unit core. Saat ini kemampuan Floating-point Operations per Second GPU telah mencapai lebih dari 1,5 TFLOPS jauh di atas CPU yang baru mencapai angka 100 GFLOPS. Gambar 1.2 adalah gambar grafik perbandingan CPU dengan GPU untuk kemampuan Floating-point Operations per Second.

(16)

Fungsi utama GPU adalah untuk rendering grafik, oleh karena itu diperlukan memory bandwith yang lebar. Jenis memory yang digunakan pada GPU adalah Graphic Double Data Rate (GDDR) yang pada saat ini telah mencapai generasi GDDR5 yang mempunyai kecepatan 6000 MHz [16], melebihi kecepatan main memory pada CPU yang baru mencapai generasi DDR3 dengan kecepatan tertinggi 2000 MHz. Lebarnya memory bandwidth GPU maka merupakan salah satu keunggulan GPU dibanding dengan CPU dalam hal kecepatan akses memory. Gambar 1.3 adalah gambar grafik perbandingan memory bandwidth CPU dengan GPU.

Gambar 1.3. Memory Bandwidth CPU dan GPU [8, h.2]

Keunggulan yang dimiliki CUDA yaitu:

1. Antarmuka CUDA application menggunakan standar bahasa C sehingga mudah dipelajari.

2. Data transfer antara CPU dan GPU sangat cepat sehingga dapat mengurangi latency pengiriman data dari CPU ke GPU ataupun sebaliknya.

3. Mempunyai shared memory pada setiap multiprosesor dengan kecepatan akses tinggi.

(17)

Oak Ridge National Laboratory telah menggunakan 18.688 16 core AMD Opteron CPU dan juga 18000 Nvidia CUDA GPU pada superkomputer Cray XK6 untuk menghasilkan performa 20 PFLOPS. Superkomputer Cray XK6 2 kali lebih cepat dan 3 kali lebih hemat daya daripada K superkomputer buatan Fujitsu Jepang yang menggunakan 88.128 8 core SPARC64 VIIIfx CPU yang hanya menghasilkan performa 10 PFLOPS [14].

Nvidia CUDA telah diperkenalkan pada universitas-universitas di luar negeri seperti Universitas Harvard [4] dan Institut Teknologi Tokyo [11] sejak tahun 2009. Di Indonesia teknologi Nvidia CUDA belum dikenal secara luas dikarenakan belum ada matakuliah yang yang memanfaatkan teknologi ini. Oleh karena itu, melalui skripsi ini akan dibuat pedoman pengajaran dan pedoman praktikum Nvidia CUDA yang akan diterapkan untuk matakuliah Pemrosesan Paralel.

1.3. Spesifikasi

Berdasarkan surat keputusan nomor: 21/I.3/FTEK/VI/2012 dan surat keputusan nomor: 02/Kep/D/FTEK/III/2013 perincian tugas yang dikerjakan adalah sebagai berikut:

1. Materi yang diberikan terbagi menjadi 7 pedoman untuk pedoman pembelajaran dan 7 pedoman untuk pedoman praktikum.

Tabel 1.1. Pedoman Pembelajaran

Pedoman Judul

1 Konsep pemrosesan paralel, sejarah dan pengenalan Nvidia CUDA sebagai mesin pemrosesan paralel 2 Nvidia CUDA Programming Model

3 Nvidia CUDA Threading 4 Nvidia CUDA Memory

5 Nvidia CUDA Compilation and API 6 Nvidia CUDA Library

(18)

Tabel 1.2. Pedoman Praktikum

Pedoman Judul

1 Pengenalan dan instalasi Nvidia CUDA Toolkit, Nvidia CUDA SDK, Nvidia Nsight dan integrasi Nvidia CUDA dengan Visual Studio 2008 dan Visual Studio 2010

2 Nvidia CUDA Basic 3 Nvidia CUDA Threading 4 Nvidia CUDA Memory 5 Nvidia CUDA API 6 Nvidia CUDA Library 7 Nvidia CUDA Optimization 8 Tugas Rancang

2. Format untuk pedoman pembelajaran adalah sebagai berikut: 1. Judul 2. Tujuan 3. Dasar Teori 4. Summary 5. Latihan Soal 6. Daftar Pustaka

Format untuk pedoman praktikum adalah sebagai berikut: 1. Judul 2. Tujuan 3. Dasar Teori 4. Contoh Program 5. Soal Praktikum 6. Set Dosen 7. Daftar Pustaka

(19)

3. Pembuatan program Nvidia CUDA menggunakan Visual Studio 2008 dan Visual Studio 2010.

4. Pengujian untuk mahasiswa berjumlah 6 orang dengan prasyarat matakuliah pemrosesan paralel.

5. Penilaian kemampuan mahasiswa rata-rata 70.

6. Standar penilaian kemampuan mahasiswa dengan menggunakan patokan yang telah telah ditentukan.

7. Keluaran berupa : pedoman, slide dan rekomendasi prasyarat.

8. Metode pengujian yang digunakan adalah uji Chi-Square, uji t dan uji z sedangkan skala pengujian yang digunakan adalah skala likert.

1.4. Sistematika Penulisan

Penulisan skripsi ini terdiri dari 5 bab yaitu: Bab I Pendahuluan

Berisi tujuan, latar belakang masalah, spesifikasi dan sistematika penulisan. Bab II Dasar Teori

Berisi dasar teori Nvidia CUDA yang meliputi sejarah, arsitektur, pengembangan GPU sebagai mesin pemrosesan paralel dan dasar teori statistika yang akan digunakan untuk pengujian.

Bab III Perancangan Sistem

Berisi perancangan pedoman kuliah, pedoman praktikum dan perancangan pengujian pedoman.

Bab IV Pengujian dan Analisis

Berisi hasil pengujian pedoman. Bab V Kesimpulan dan Saran

Berisi kesimpulan dan saran-saran yang dapat digunakan untuk pengembangan Nvidia CUDA ke tahap selanjutnya.

(20)

BAB II

DASAR TEORI

Bab ini berisi dasar teori yang berhubungan dengan perancangan skripsi antara lain sejarah Nvidia CUDA, arsitektur Nvidia CUDA, GPU sebagai mesin pemrosesan paralel dan dasar teori untuk statistika

2.1. Sejarah Nvidia CUDA

2006-Nvidia mengenalkan teknologi pemrosesan paralel berbasis General Purpose Graphics Processing Unit (GPGPU) yaitu Compute Unified Device Architecture (CUDA). Nvidia bertujuan membuat Graphics Processing unit (GPU) tidak hanya digunakan untuk mengolah aplikasi grafis tetapi juga dapat digunakan untuk memproses aplikasi non-grafis. GPU pada mulanya hanya digunakan untuk rendering grafis 2D maupun 3D, namun sekarang telah banyak aplikasi yang memanfaatkan kinerja dari GPU untuk aplikasi perhitungan matematika seperti MATLAB. Pada awal perkembangan komputer, CPU masih memegang peranan penting dalam pemrosesan grafis namun setelah perkembangan grafis yang makin meluas, kinerja CPU menjadi menurun karena harus melakukan rendering grafis. Pada awal tahun 1980an dibuatlah hardware khusus untuk mengolah grafis yang terdiri dari Geometry unit, Rasterization unit dan Fragment unit yang kemudian dinamakan GPU. Tabel 2.1 menunjukkan sejarah perkembangan GPU.

Tabel 2.1. Sejarah Perkembangan GPU [17]

Tahun Sejarah

1980an • Intel mengembangkan graphics controller yang pertama berbasis multibus.

• Commodore Amiga merupakan PC pertama yang menggunakan GPU.

(21)

Tabel 2.1. Sejarah Perkembangan GPU [17] (lanjutan)

1990an • Aplikasi yang menggunakan grafis 3D bermunculan terutama game. • Munculnya beberapa pabrikan pembuat chip GPU seperti ATI,

Nvidia dan Matrox.

• OpenGL menjadi standar grafis API.

• Microsoft mengembangkan DirectX untuk game Microsoft yang menggunakan GPU.

2000an • Nvidia menerapkan programmable shading pada produknya yaitu geforce 3 yang memungkinkan geometric vertex dapat diproses ke dalam program sederhana sebelum ditampilkan ke layar.

2006 • Nvidia mengenalkan Compute Unified Device Architecture (CUDA) yang berbasis General Purpose Graphics Processing Unit (GPGPU).

2.2. Arsitektur Nvidia CUDA

Nvidia CUDA mempunyai arsitektur berbasis General Purpose Computing Graphics Processing Units (GPGPU). Nvidia CUDA dapat berjalan dengan platform CPU berbasis x86 dan x64 dari platform manapun dan chipset motherboard yang mendukung PCI-Express Bus. Gambar 2.1 merupakan gambar arsitektur komputer dengan Nvidia CUDA.

Gambar 2.1. Arsitektur komputer dengan Nvidia CUDA

Pada Gambar 2.1 Nvidia CUDA dihubungkan melalui interface PCI-Express Bus yang mendukung bandwidth sampai 16 GB/s. PCI-Express dihubungkan oleh

(22)

Northbridge pada motherboard yang berfungsi menjembatani CPU, DRAM, Southbridge dan PCI-Express.

Nvidia CUDA terdiri dari beberapa komponen yaitu[7, h.2]: 1. Unit pemrosesan di dalam GPU.

2. OS kernel - level yang mendukung inisialisasi dan konfigurasi hardware. 3. User mode driver yang menunjukkan device level API.

4. PTX instruction set architecture (ISA) untuk komputasi paralel kernel dan fungsi, kernel merupakan potongan program yang akan dieksekusi secara paralel oleh GPU [9, h.7].

Saat ini Nvidia CUDA telah mencapai 4 generasi arsitektur. Tabel 2.2 menunjukkan generasi arsitektur Nvidia CUDA .

(23)

10

Tabel 2.2. Generasi Arsitektur Nvidia CUDA [3]

Arsitektur Jumlah maksimum SM SP/ CUDA cores Jumlah SP maksimum Shared memory/ cache Maksimum memory bandwidth maksimum thread per block Dimensi block G80/G92 16 8 128 246 KB shared memory, 512 KB register 86,4 GB/s 512 512 x 512 x 64 GT 200 30 8 240 480KB shared memory, 1920 KB register 141,7 GB/s 512 512x 512 x 64 Fermi 16 32 512 L1 cache 1024 KB, L2 cache 768 KB, 2048 KB register 177,4 GB/s 1024 1024 x 1024 x 64 Kepler 8 192 1536 L1 cache 512 KB, L2 cache 1536 KB, 2048 KB register 192,4 GB/s 1024 1024 x 1024 x 64

(24)

GPU pada Nvidia CUDA terdiri beberapa unit Streaming Multiprocessors (SM) seperti pada Gambar 2.2.

Gambar 2.2. GPU pada Nvidia CUDA [1]

Setiap SM terdiri dari beberapa Streaming Processors (SP)/CUDA cores, Setiap arsitektur mempunyai jumlah SP/CUDA cores yang berbeda-beda. Gambar 2.3 adalah contoh gambar SM pada arsitektur Fermi.

(25)

Bagian yang terdapat pada setiap SM arsitektur Fermi adalah [10, h.5-8]:

• 32 CUDA core yang terdiri dari Arithmetic Logic Unit (ALU) dan Floating Point Unit (FPU). ALU pada arsitektur Fermi mendukung sampai 32 bit precision unit untuk semua instruksi sedangkan FPU mendukung sampai 64 bit. • 16 unit Load Store Unit yang digunakan untuk pengalamatan resource dan

destination yang dapat menampung sampai 16 thread per clock.

• 4 Special Function Unit (SFU) yang berfungsi mengeksekusi instruksi transcendental seperti sin,cos dan bilangan kuadrat.

• 2 Warp scheduler untuk penjadwalan 32 thread yang bekerja secara paralel. • 64 KB Shared memory dan L1 cache.

• Register serbaguna dengan ukuran 32.768 x 32 bit. 2.3. GPU Sebagai Mesin Pemrosesan Paralel

Sejak tahun 2003 kemampuan Graphics Processing Unit (GPU) telah melampaui kemampuan Central Processing Unit (CPU) dalam hal kemampuan pemrosesan floating point, baik single precision maupun double precision. Gambar 2.4 menunjukkan perbandingan kemampuan GPU Nvidia CUDA dengan CPU.

Gambar 2.4. Perbandingan Kemampuan Floating-Point CPU dengan GPU [9, h.2]

Gambar 2.4 memperlihatkan perbedaan yang sangat mencolok antara kemampuan GPU Nvidia CUDA dengan CPU. CPU tercepat buatan Intel pada tahun 2011 yaitu

(26)

Intel Sandy Bridge kemampuannya berbeda jauh dengan GPU NVIDIA GTX 680 yang juga keluar pada tahun yang sama.

Memory Bandwidth juga mempengaruhi perbedaan kemampuan CPU dengan GPU Nvidia CUDA. Gambar 2.5 menunjukkan perbandingan memory bandwidth antara GPU Nvidia CUDA dengan CPU.

Gambar 2.5. Perbandingan Memory Bandwidth CPU dengan GPU [9, h.2]

Gambar 2.5 memperlihatkan GPU Nvidia CUDA sangat unggul dalam memory bandwith, hal ini terlihat jelas dari GPU Nvidia GTX 680 yang mempunyai memory bandwith 192.2 GB/s sedangkan CPU tercepat intel Sandy Bridge hanya memiliki memory bandwidth sekitar 50 GB/s. GPU mempunyai akses memory yang cepat karena pada dasarnya GPU memang diperuntukkan untuk rendering grafis yang membutuhkan memory bandwidth yang tinggi untuk mengurangi bottleneck. Dengan perkembangan game 3D yang semakin lama membutuhkan GPU yang semakin cepat, pabrikan chip GPU pun saling berlomba-lomba membuat GPU yang mempunyai kemampuan tinggi tetapi dapat dijual dengan harga yang murah. Hal ini menyebabkan hampir setiap tahun 2 pabrikan besar pembuat chip GPU yaitu ATI dan Nvidia mengeluarkan GPU baru dengan arsitektur yang semakin baik dalam segi performa dan semakin hemat daya listrik.

(27)

Setelah melihat perbedaan signifikan antara CPU dengan GPU, maka dapat ditarik kesimpulan bahwa kemampuan CPU tidak sepadan dengan GPU. Hal ini disebabkan CPU dengan GPU mempunyai filosofi yang berbeda dalam desainnya. Tabel 2.3 menunjukkan perbedaan filosofi desain CPU dengan GPU.

Tabel 2.3. Perbedaan Filosofi Desain CPU dengan GPU [5, h.39-41]

CPU GPU

Mempunyai sedikit unit pemrosesan Mempunyai banyak unit pemrosesan Akses ke cache memory sangat cepat Akses ke onboard memory sangat cepat CPU sangat baik untuk task parallelism GPU sangat baik untuk data parallelism Kemampuan tinggi untuk single thread

execution

Kemampuan tinggi untuk tugas paralel

Pada Tabel 2.3 memperlihatkan bahwa GPU mempunyai desain yang berbeda dengan CPU. GPU dapat melakukan apa yang CPU tidak bisa lakukan, sebaliknya CPU juga dapat melakukan apa yang GPU tidak bisa lakukan. Inilah alasan Nvidia CUDA menggabungkan CPU dengan GPU. Dengan banyaknya unit pemrosesan di dalam GPU maka data dalam jumlah banyak dapat diproses secara bersamaan dalam satu waktu. CPU akan mengeksekusi kode sequential yang berisi instruksi yang diperlukan GPU untuk melakukan pemrosesan paralel, setelah itu GPU akan mengeksekusi data yang diberikan oleh CPU secara paralel. Gambar 2.6 menunjukkan diagram alir kerja Nvidia CUDA.

(28)

Gambar 2.6. Diagram Alir Kerja Nvidia CUDA [15]

Penjelasannya adalah sebagai berikut:

1. Alur kerja yang pertama yaitu CPU akan menyalin semua data yang dibutuhkan GPU untuk eksekusi dari main memory ke GPU memory onboard.

2. Setelah semua data yang dibutuhkan GPU untuk proses eksekusi disalin. CPU akan mengerjakan kode sequential dan kemudian akan memberikan instruksi yang akan dikerjakan oleh GPU.

3. GPU akan mengeksekusi secara paralel.

4. Hasil dari pemrosesan paralel akan disalin ke main memory.

2.4.Statistika [6, h.70-89] [13, h.15-18] 2.4.1. Skala Likert

Skala likert adalah skala psikometrik yang sering digunakan untuk kuesioner di dalam riset berupa survei. Disediakan lima pilihan skala dengan format sebagai berikut:

1. Sangat tidak setuju 2. Tidak setuju 3. Tidak pasti 4. Setuju 5. Sangat setuju

(29)

Langkah skala likert

1.Menentukan dan memahami apa yang akan diukur. 2.Menyusun perancangan.

2.4.2. Uji Chi-Square

Uji Chi-Square bertujuan untuk menguji perbedaan proporsi dua atau lebih kelompok.

Perhitungan uji Chi-Square menggunakan persamaan 2.1.

=

∑( )

(2.1)

Dengan: Fh = Frekuensi harapan Fo = Frekuensi observasi Fh =

(2.2)

Dengan: = Total baris = Total kolom N = Total 2.4.3. Uji t

Uji t biasa digunakan untuk sampel kecil. Uji t yang digunakan adalah Uji t independen berbeda varian sesuai persamaan 2.3.

(30)

$ = ∑(% − %̅)₍ Dengan:

S12 = Standar Deviasi 1

S22 = Standar Deviasi 2

n1 = Jumlah responden kelompok 1 n2 = Jumlah responden kelompok 2 %1 = Nilai rata-rata kelompok 1 %2 = Nilai rata-rata kelompok 2

(31)

BAB III

PERANCANGAN

Pada bab ini akan dijelaskan deskripsi pedoman pengajaran dan pedoman praktikum Nvidia CUDA.

3.2. Pedoman Pembelajaran Nvidia CUDA

Diagram alir pedoman pembelajaran dapat dilihat pada Gambar 3.1.

(32)

Gambar 3.1 menunjukkan perancangan pedoman pembelajaran. Berikut adalah deskripsi dari masing-masing pedoman :

3.2.1. Pedoman pembelajaran topik 1: Konsep pemrosesan paralel, sejarah dan pengenalan Nvidia CUDA sebagai mesin pemrosesan paralel.

Melalui pedoman pembelajaran topik 1 diharapkan mahasiswa dapat : • Mengingat kembali konsep - konsep dasar pemrosesan paralel. • Mengerti konsep Nvidia CUDA sebagai mesin pemrosesan paralel. Pemilihan topik pedoman ini didasarkan :

• Perlunya mahasiswa mengingat kembali konsep - konsep dasar pemrosesan paralel.

• Perlunya pengenalan konsep Nvidia CUDA sebagai mesin pemrosesan paralel.

Perancangan pedoman pengajaran : 1. Tujuan.

2. Materi

2.1. Konsep pemrosesan paralel

2.1.1. Konsep pemrosesan paralel secara umum. 2.1.2. Hukum Amdahl.

2.1.3. Platform memory. 2.1.4. Taksonomi Flyn. 2.1.5. Dekomposisi. 2.2. Pengenalan Nvidia CUDA

2.2.1. Sejarah perkembangan GPU.

2.2.2. GPU sebagai mesin pemrosesan paralel. 3. Ringkasan.

4. Soal-Soal Latihan. 5. Daftar Pustaka.

(33)

3.2.2. Pedoman pembelajaran topik 2 : Nvidia CUDA programming model. Melalui pedoman pembelajaran topik 2 diharapkan mahasiswa dapat: • Memahami dan mengerti arsitektur Nvidia CUDA.

• Menguasai dasar - dasar programming model Nvidia CUDA. Pemilihan topik pedoman ini didasarkan :

• Mahasiswa perlu mengetahui konsep dasar arsitektur dan pemrograman Nvidia CUDA sebagai dasar untuk melakukan pemrosesan paralel menggunakan Nvidia CUDA.

2. Materi

2.1. Arsitektur Nvidia CUDA.

2.2. Programming Model Nvidia CUDA 2.2.1. Kernel.

2.2.2. Thread.

2.2.3. Heterogeneous Programming. 2.2.4. Management memory Nvidia CUDA. 3. Ringkasan.

3.2.3. Pedoman pembelajaran topik 3: Nvidia CUDA Threading. Melalui pedoman pembelajaran topik 3 diharapkan mahasiswa dapat: • Memahami dan mengerti konsep dasar dari thread.

• Menguasai dasar-dasar pemrograman thread. • Mengerti manfaat dari penjadwalan thread.

(34)

Pemilihan topik pedoman ini didasarkan :

• Thread merupakan kunci utama Nvidia CUDA untuk melakukan

pemrosesan paralel, thread berfungsi mengeksekusi data secara paralel.

2. Materi

2.1. Konsep Thread pada Nvidia CUDA. 2.2. Pemrograman Thread. 2.3. Penjadwalan Thread. 2.4. Transparent Scalability. 3. Ringkasan. 4. Soal-Soal Latihan. 5. Daftar Pustaka.

3.2.4. Pedoman pembelajaran topik 4: Nvidia CUDA Memory.

Melalui pedoman pembelajaran topik 4 diharapkan mahasiswa dapat:

• Memahami dan mengerti konsep dasar memory model pada Nvidia CUDA. • Mengerti jenis - jenis memory yang terdapat pada Nvidia CUDA beserta

pemanfaatannya.

• Penggunaan memory pada Nvidia CUDA sangat penting karena penggunaan memory dapat mempengaruhi unjuk kerja program.

• Perlunya mahasiswa mengetahui cara penggunaan memory pada Nvidia CUDA.

Perancangan pedoman pengajaran: 1. Tujuan.

2. Materi

(35)

2.2. GPU memory 2.2.1. Register. 2.2.2. Local memory. 2.2.3. Shared memory. 2.2.4. Constant memory. 2.2.5. Texture memory. 2.2.6. Global memory. 3. Ringkasan. 4. Soal-Soal Latihan. 5. Daftar Pustaka.

3.2.5. Pedoman pembelajaran topik 5: Nvidia CUDA Compilation and API. Melalui pedoman pembelajaran topik 5 diharapkan mahasiswa dapat: • Memahami dan mengerti Nvidia CUDA Compilation dan Nvidia CUDA

API.

• Menguasai 5 fungsi dasar Nvidia CUDA Runtime API yaitu device management, memory management, stream management, event management dan error handling.

• Menguasai dasar - dasar dari Nvidia Driver API. Pemilihan topik pedoman ini didasarkan:

• Pemanggilan fungsi API merupakan dasar pemrograman Nvidia CUDA. • Mengenalkan 5 fungsi dasar Nvidia CUDA API Runtime.

2. Materi

2.1. Nvidia CUDA Compilation. 2.2. Nvidia CUDA Language.

2.2.1. Declaration Qualifier. 2.2.2. Built in Variables.

(36)

2.2.3. Built in Types.

2.2.4. Execution Configuration. 2.3. Nvidia CUDA API

2.3.1. Runtime API 2.3.1.1. Device Management. 2.3.1.2. Memory Management. 2.3.1.3. Event Management. 2.3.1.4. Stream Management. 2.3.1.5. Error Handling. 2.3.2. Driver API. 3. Ringkasan. 4. Soal-Soal Latihan. 5. Daftar Pustaka.

3.2.6. Pedoman pembelajaran topik 6: Nvidia CUDA Library.

Melalui pedoman pembelajaran topik 6 diharapkan mahasiswa dapat: • Memahami penggunaan Nvidia Library untuk mempermudah user dalam

memproses data secara paralel.

• Menguasai penggunaan Library CUBLAS untuk operasi perhitungan vektor dan matrik.

• Menguasai penggunaan Library Thrust untuk transformasi, reduksi, prefix-sums dan sorting.

Pemilihan topik ini didasarkan:

• Nvidia CUDA Library dapat mempermudah user dalam memproses data secara paralel menggunakan Nvidia CUDA.

2. Materi 2.1. CUBLAS

(37)

2.1.1. CUBLAS level 1. 2.1.2. CUBLAS level 2. 2.1.3. CUBLAS level 3. 2.2. Thrust 2.2.1. Containers. 2.2.2. Algoritma. 2.2.3. Iterators. 3. Ringkasan. 4. Soal-Soal Latihan. 5. Daftar Pustaka.

3.2.7. Pedoman pembelajaran topik 7: Nvidia CUDA Optimization. Melalui pedoman pembelajaran topik 7 diharapkan mahasiswa dapat: • Mengerti dasar-dasar optimasi Nvidia CUDA secara software dan

hardware.

Pemilihan topik ini didasarkan:

• Perlunya mahasiswa mengetahui cara meningkatkan unjuk kerja Nvidia CUDA melalui software dan hardware.

2. Materi

2.1. Optimasi Software 2.1.1. Optimasi memory

2.1.1.1. Efisiensi transfer memory. 2.1.1.2. Coalescing memory.

2.1.1.3. Menggunakan shared memory secara efisien. 2.1.2. Optimasi thread.

2.1.3. Optimasi instruksi. 2.2. Optimasi Hardware. 3. Ringkasan.

(38)

(39)

3.2. Pedoman Praktikum Nvidia CUDA

Diagram alir pedoman praktikum dapat dilihat pada Gambar 3.2.

(40)

Gambar 3.2 menunjukkan perancangan pedoman praktikum. Berikut adalah deskripsi dari masing-masing pedoman:

3.2.1. Pedoman praktikum topik 0 : Pengenalan Nvidia CUDA dan Instalasi Nvidia CUDA Toolkit, Nvidia CUDA SDK, Nvidia Nsight dan Integrasi Nvidia CUDA dengan Visual Studio 2008 dan Visual Studio 2010.

Melalui pedoman praktikum topik 0 diharapkan mahasiswa menguasai konsep:

• Mahasiswa dapat melakukan instalasi Nvidia CUDA Toolkit, Nvidia CUDA SDK dan Nvidia Nsight.

• Mahasiswa dapat melakukan integrasi Nvidia CUDA dengan Visual Studio 2008 dan 2010.

• Mahasiswa dapat mengetahui properties GPU yang digunakan melalui program GPU-Z.

• Mahasiswa dapat menguji contoh program pada Nvidia CUDA SDK.

• Perlunya mahasiswa mengingat kembali konsep-konsep dasar pemrosesan paralel.

• Perlunya pengenalan konsep Nvidia CUDA sebagai mesin pemrosesan paralel.

Perancangan pedoman praktikum: 1. Tujuan.

2. Mengecek jenis GPU dan versi driver pada PC atau laptop. 3. Instalasi Nvidia CUDA Toolkit.

4. Instalasi Nvidia CUDA SDK.

5. Integrasi Nvidia CUDA dengan Visual Studio 2008. 6. Integrasi Nvidia CUDA dengan Visual Studio 2010. 7. Instalasi Nvidia Nsight.

8. Kompilasi source CUDA dengan Visual Studio 2010 command prompt 9. GPU Computing SDK test.

(41)

10. Pemrograman Nvidia CUDA dengan Visual Studio 2008 atau Visual Studio 2010.

11. Soal Praktikum

11.1. Soal praktikum set 1: Analisa program. 11.2. Soal praktikum set 2: Analisa program. 12. Set Dosen

12.1. Set Dosen 1. 12.2. Set Dosen 2. 13. Daftar Pustaka.

3.2.2. Pedoman praktikum topik 1:Nvidia CUDA Basic.

• Pembuatan program Nvidia CUDA sederhana.

• Penyalinan memory, eksekusi kernel dan menampilkan hasil eksekusi. • Eksekusi thread pada kernel.

Pemilihan topik pedoman ini didasarkan : • Mengenalkan CUDA template.

• Dasar dari penyalinan memory, pemanggilan kernel dan eksekusi thread pada kernel.

• Mengenalkan kode host dan kode device.

Perancangan pedoman praktikum: 1. Tujuan. 2. Dasar Teori 2.1. Kernel. 2.2. Thread. 2.3. CUDA template. 2.4. Alokasi memory.

(42)

3. Contoh Program

3.1. Contoh program 1: menghitung kuadrat dari thread. 4. Soal Praktikum set 1

4.1. Soal 1 : Pembatasan thread dari thread 0 sampai thread 3. 4.2. Soal 2 : Penjumlahan paralel.

5. Soal Praktikum set 2

5.1. Soal 1 : Pembatasan thread dari thread 7 sampai thread 4. 5.2. Soal 2 : Perkalian paralel.

6. Set Dosen 6.1. Set Dosen 1. 6.2. Set Dosen 2. 7. Daftar Pustaka.

3.2.3. Pedoman praktikum topik 2 :Nvidia CUDA Threading.

Melalui pedoman praktikum topik 2 diharapkan mahasiswa menguasai konsep:

• Menggunakan thread dalam 3 sumbu vektor x,y dan z. • Menggabungkan semua thread di dalam block.

• Menggunakan timer untuk mengetahui waktu eksekusi GPU. Pemilihan topik pedoman ini didasarkan :

• Konfigurasi thread yang digunakan dalam mengeksekusi kernel mempengaruhi unjuk kerja GPU.

• Penggunaan timer penting untuk mengetahui unjuk kerja GPU. Perancangan pedoman praktikum :

1. Tujuan. 2. Dasar Teori

2.1. Konfigurasi thread.

(43)

3. Contoh Program

3.1. Contoh program 1: Eksekusi kernel dengan menggunakan thread vektor x,y dan z.

3.2. Contoh program 2: Eksekusi kernel dengan menggunakan gabungan thread antar block.

3.3. Contoh program 3: Penggunaan timer untuk menghitung waktu eksekusi.

4.1. Soal 1: Penjumlahan koordinat dengan menggunakan vektor x dan y. 4.2. Soal 2: Perkalian matrik secara paralel.

5.1. Soal 1: Perkalian koordinat dengan menggunakan vektor x dan y. 5.2. Soal 2: Perkalian matrik secara paralel.

3.2.4. Pedoman praktikum topik 3 :Nvidia CUDA Memory.

• Memory model Nvidia CUDA.

• Jenis - jenis memory Nvidia CUDA.

• Menentukan jenis memory yang tepat untuk mengeksekusi program Nvidia CUDA.

• Penggunaan shared memory, constant memory dan global memory dalam program.

(44)

• Perlunya mengetahui jenis memory Nvidia CUDA.

• Perlunya mengetahui cara penggunaan memory di dalam program Nvidia CUDA.

2. Dasar Teori

2.1. Memory model Nvidia CUDA. 2.2. Tipe Memory Nvidia CUDA. 3. Contoh Program

3.1. Contoh program 1: Contoh penggunaan global memory, shared memory dan constant memory kemudian membandingkan kecepatan shared memory dan global memory dalam memproses data.

4.1. Soal 1: Perkalian matrik secara paralel dengan menggunakan shared memory.

4.2. Soal 2: Bitonic sort. 5. Soal Praktikum set 2

5.1. Soal 1: Perkalian matrik secara paralel dengan menggunakan shared memory, data yang digunakan random.

5.2. Soal 2: Bitonic sort dengan menggunakan data random. 6. Set Dosen

(45)

3.2.5. Pedoman praktikum topik 4 : Nvidia CUDA API.

Melalui pedoman praktikum topik 4 diharapkan mahasiswa menguasai konsep :

• Menguasai dan menerapkan 5 fungsi dasar Nvidia CUDA Runtime API yaitu device management, memory management, stream management, event management dan error handling.

• Pembuatan aplikasi dengan menggunakan Nvidia CUDA API Runtime. Pemilihan topik pedoman ini didasarkan :

• Mengenalkan 5 fungsi dasar Nvidia CUDA API Runtime.

Perancangan pedoman praktikum : 1. Tujuan.

2. Dasar Teori

2.1. Nvidia CUDA Device Management. 2.2. Nvidia CUDA Memory Management. 2.3. Nvidia CUDA Event Management. 2.4. Nvidia CUDA Stream Management. 2.5. Nvidia CUDA Error Handling. 3. Contoh Program

3.1. Contoh program 1: Contoh penggunaan Nvidia CUDA Device Management.

3.2. Contoh program 2: Contoh penggunaan Nvidia CUDA Memory Management untuk penjumlahan vektor menggunakan mapping memory.

3.3. Contoh program 3: Contoh penggunaan Nvidia CUDA Event, Stream dan Error handling untuk mengecek pemanggilan API, jika ada error maka program akan menampilkan pesan error.

(46)

4.1. Soal 1: Membuat Menu untuk Searching bilangan via Runtime API secara paralel, Mencari bilangan prima via Runtime API secara paralel, Mencari bilangan prima dengan menggunakan mapping memory dan memproses data menggunakan CUDA stream.

5.1. Soal 1: Membuat Menu untuk Searching bilangan via Runtime API secara paralel, Mencari bilangan bukan prima via Runtime API secara paralel, Mencari kelipatan bilangan dengan menggunakan mapping memory dan memproses data menggunakan CUDA stream.

3.2.6. Pedoman praktikum topik 5 : Nvidia CUDA Library.

• Penggunakan fasilitas library Nvidia CUDA.

• Penggunaan library CUBLAS dan Thrust untuk melakukan pemrosesan paralel.

• Penggunaan Nvidia CUDA Library dapat mempermudah user dalam memproses data secara paralel.

Perancangan pedoman praktikum : 1. Tujuan.

2. Dasar Teori 2.1. CUBLAS

(47)

2.1.2. CUBLAS level 2. 2.1.3. CUBLAS level 3. 2.2. Thrust 2.2.1. Containers. 2.2.2. Algoritma. 2.2.3. Iterator. 3. Contoh Program

3.1. Contoh program 1: Menggunakan CUBLAS level 1 untuk menghitung operasi vektor dengan vektor menggunakan fungsi cublasSaxpy, cublasSasum dan cublasScoopy.

3.2. Contoh program 2: Menggunakan CUBLAS level 2 untuk menghitung operasi matrik dengan vektor menggunakan fungsi cublasSgemv. 3.3. Contoh program 3: Menggunakan CUBLAS level 3 untuk menghitung

operasi matrik dengan matrik menggunakan fungsi cublasSgemm. 3.4. Contoh program 4: Menggunakan Thrust untuk transformasi, reduksi,

prefix-sums dan sorting. 4. Soal Praktikum set 1

4.1. Soal 1: Melakukan pembacaan text file dengan format yang telah ditentukan kemudian membuat menu unuk melihat data list barang , melihat barang dari harga termurah, melihat barang dari harga termahal dan membeli barang. Semua perhitungan menggunakan Thrust Library.

4.2. Soal 2: Melakukan pembacaan data melalui text file kemudian melakukan perkalian matrik dengan matrik itu sendiri yang telah ditransformasi negasi dan dilakukan transpose matrik. Perkalian matrik menggunakan CUBLAS level 3.

5.1. Soal 1: Melakukan pembacaan text file dengan format yang telah ditentukan kemudian membuat menu unuk melihat data list barang , melihat barang dari harga termurah, melihat barang dari harga termahal dan membeli barang. Semua perhitungan menggunakan Thrust Library.

(48)

5.2. Soal 2: Melakukan pembacaan data melalui text file kemudian melakukan perkalian matrik dengan matrik itu sendiri yang telah ditransformasi modulo dan dilakukan transpose matrik. Perkalian matrik menggunakan CUBLAS level 3.

3.2.7. Pedoman praktikum topik 6 : Nvidia CUDA Optimization.

• Optimasi Nvidia CUDA secara software .

• Optimasi Nvidia CUDA dengan menggunakan coalescing memory. • Memaksimalkan penggunaan thread untuk mengoptimalkan unjuk kerja

Nvidia CUDA.

• Perlunya optimasi Nvidia CUDA secara software untuk meningkatkan unjuk kerja Nvidia CUDA dalam memproses data secara paralel.

2. Dasar Teori

2.1. Coalescing memory. 2.2. Optimasi thread. 3. Contoh Program

3.1. Contoh program 1: Membandingkan unjuk kerja coalescing memory dengan uncoalescing memory.

3.2. Contoh program 2: Membandingkan waktu eksekusi Nvidia CUDA dengan konfigurasi block dan thread yang berbeda.

(49)

4.1. Soal 1: Membuat program untuk melakukan transpose matrik dengan uncoalescing memory, coalescing memory, shared memory dan optimasi thread kemudian membandingkan waktu eksekusinya. 4.2. Soal 2: Analisa potongan program kernel, menentukan apakah

potongan program kernel merupakan coalescing memory atau bukan. 5. Soal Praktikum set 2

5.1. Soal 1: Membuat program untuk melakukan transpose matrik dengan uncoalescing memory, coalescing memory, shared memory dan optimasi thread kemudian membandingkan waktu eksekusinya. Inputan berasal dari text file.

5.2. Soal 2: Analisa potongan program kernel, menentukan apakah potongan program kernel merupakan coalescing memory atau bukan. 6. Set Dosen

3.2.8. Pedoman praktikum 7 : Tugas Rancang.

Melalui pedoman praktikum topik 7 diharapkan mahasiswa dapat: • Menerapkan pedoman praktikum dari topik 1 sampai topik 6.

• Membuat aplikasi CUDA untuk menyelesaikan permasalahan yang membutuhkan waktu eksekusi yang lama apabila dikerjakan oleh CPU. • Membandingkan unjuk kerja Nvidia CUDA dengan CPU.

Tugas Rancang yang diberikan adalah menemukan jalur terpendek menggunakan algoritma Floyd-Warshall, mahasiswa akan diberikan algoritma Floyd-Warshall secara sequential kemudian mengubahnya ke algoritma paralel. Selain itu mahasiswa juga membandingkan unjuk kerja Nvidia CUDA dengan CPU dalam memproses data menggunakan algoritma Floyd-Warshall.

(50)

Spesifikasi tugas rancang :

1. Algoritma menemukan jalur terpendek menggunakan Floyd-Warshall. 2. Menggunakan shared memory dalam pemrosesan data.

3. Penghitungan waktu eksekusi GPU menggunakan timer CUDA event. 4. Penghitungan waktu eksekusi CPU menggunakan timer dari library ctime. 5. Data dibuat dalam bentuk matrik.

6. Ukuran matrik data minimal 50x50.

7. Transformasi data menggunakan Nvidia CUDA library.

3.3. Rancangan Pengujian

Pengujian yang dilakukan melalui tahapan sebagai berikut: 3.3.1. Pengujian oleh dosen

Dosen akan mengoreksi kekurangan di dalam pedoman dan akan memberikan masukan untuk memperbaiki pedoman.

3.3.2. Pengujian oleh mahasiswa a) Pengisian kuesioner

Mahasiswa akan mengisi kuesioner tentang kualitas pedoman, dari hasil pengisian kuesioner akan dilakukan uji hipotesis. Pada akhir uji hipotesis akan disimpulkan hasil pengujian pedoman.

b) Penilaian

Mahasiswa akan mengerjakan soal-soal praktikum yang terdapat pada pedoman. Dari hasil penilaian dilakukan:

Perhitungan nilai rata-rata.

• Pedoman dinyatakan dapat membantu mahasiswa memahami materi apabila rata-rata penilaian di atas 70.

Perhitungan perbedaan nilai kelompok.

• Pedoman dinyatakan baik apabila tidak ada perbedaan yang signifikan antara kelompok yang terdiri dari mahasiswa yang memiliki ipk lebih dari sama dengan 3 dengan kelompok yang terdiri dari mahasiswa yang memiliki ipk kurang dari 3.

(51)

3.4. Pelaksanaan Pengujian Pedoman Pembelajaran dan Pedoman Praktikum. Tabel 3.1 menunjukkan pelaksanaan pengujian pedoman pembelajaran dan pedoman praktikum.

Tabel 3.1. Pelaksanaan Pengujian Pedoman Pembelajaran dan Pedoman Praktikum

No. Pelaksanaan Pengujian Pedoman

Pembelajaran

Pedoman Praktikum 1 Menjelaskan kembali konsep

pemrosesan paralel, menjelaskan konsep dasar Nvidia CUDA. Instalasi Nvidia Toolkit, Nvidia SDK, Nvidia Nsight dan integrasi dengan Visual Studio 2008 dan 2010.

topik 1 topik 0

2 Menjelaskan konsep dasar programming model Nvidia CUDA yang meliputi thread, kernel dan

memory kemudian melakukan

pengujian soal praktikum dengan standar nilai yang telah ditentukan.

topik 2 topik 1

3 Menjelaskan konsep dasar thread Nvidia CUDA pada pedoman pengajaran. Kemudian mecoba contoh program pada pedoman praktikum. Setelah mahasiswa menerima semua materi baru dilakukan pengujian soal praktikum dengan standar nilai yang telah ditentukan.

topik 3 topik 2

(52)

Tabel 3.1. Pelaksanaan Pengujian Pedoman Pembelajaran dan Pedoman Praktikum (Lanjutan)

Pembelajaran

Pedoman Praktikum 4 Menjelaskan konsep dasar memory

Nvidia CUDA pada pedoman pengajaran. Kemudian mencoba contoh program pada pedoman praktikum. Setelah mahasiswa menerima semua materi baru dilakukan pengujian soal praktikum dengan standar nilai yang telah ditentukan.

topik 4 topik 3

5 Menjelaskan dasar teori CUDA

Compilation kemudian

menjelaskan jenis-jenis CUDA Runtime beserta contoh program pada pedoman praktikum. Setelah mahasiswa menerima semua materi, baru dilakukan pengujian soal praktikum dengan standar nilai yang telah ditentukan.

topik 5 topik 4

6 Menjelaskan contoh-contoh CUDA Library beserta keunggulannya dalam mempermudah user, kemudian mempelajari CUBLAS Library dan Thrust Library secara spesifik. Setelah mahasiswa menerima semua materi, baru dilakukan pengujian soal praktikum.

topik 6 topik 5

(53)

Tabel 3.1. Pelaksanaan Pengujian Pedoman Pembelajaran dan Pedoman Praktikum (Lanjutan)

Pembelajaran

Pedoman Praktikum 7 Menjelaskan dasar teori tentang

CUDA Optimization kemudian mencoba contoh program pada pedoman praktikum. Setelah mahasiswa menerima semua materi baru dilakukan pengujian soal praktikum dengan standar nilai yang telah ditentukan.

(54)

BAB IV

PENGUJIAN PEDOMAN

Pada bab ini akan dijelaskan mengenai pengujian pedoman beserta analisis hasil penilaian pedoman praktikum.

4.1. Pengujian oleh Dosen

Setiap pedoman yang telah selesai dikerjakan, pedoman akan diperiksa oleh dosen pembimbing. Dosen pembimbing akan memberi masukan dan memeriksa kekurangan yang terdapat pada pedoman, masukan yang diterima yaitu:

1. Penambahan flowchart pada pedoman praktikum. 2. Penambahan penjelasan pada contoh program. 3. Perbaikan contoh program.

4.2. Pengujian oleh Mahasiswa

Pengujian oleh mahasiswa dilakukan dengan 2 cara yaitu melalui kuesioner dan penilaian pedoman praktikum. Mahasiswa yang mengisi kuesioner adalah mahasiswa yang mengambil kelas dasar pemrograman sedangkan mahasiswa yang mengikuti pengujian penilaian pedoman praktikum adalah mahasiswa yang telah mengambil matakuliah pemrosesan paralel. Skala yang digunakan dalam pembuatan kuesioner adalah skala likert, skala likert terdiri dari lima pilihan yaitu sangat setuju, setuju, tidak pasti, tidak setuju dan sangat tidak setuju, pernyataan tersebut diberi skor 5, 4, 3, 2 dan 1. Tetapi pada skripsi ini hanya akan diberikan 4 pilihan yaitu sangat setuju, setuju, tidak setuju dan sangat tidak setuju, pilihan tidak pasti dihilangkan sehingga pernyataan diberi skor 4, 3, 2 dan 1. Kuesioner untuk pedoman pembelajaran dan pedoman praktikum masing-masing diberi pernyataan sejumlah 10 pernyataan. Tabel 4.1 merupakan pernyataan kuesioner pedoman pembelajaran.

(55)

Tabel 4.1. Pernyataan Kuesioner Pedoman Pembelajaran

No. Pernyataan

1 Judul topik pedoman pembelajaran sesuai dengan tujuan dan materi pedoman pembelajaran.

2 Materi dalam pedoman pembelajaran sesuai dengan tujuan pedoman pembelajaran

3 Contoh-contoh program dalam pedoman dapat membantu memahami materi.

4 Kesesuaian contoh-contoh program dengan materi. 5 Kesesuaian ringkasan dengan dengan materi. 6 Ringkasan dapat membantu mahasiswa memahami

materi.

7 Kesesuaian soal-soal latihan dengan materi. 8 Soal-soal latihan dapat menguji pemahaman

mahasiswa tentang materi.

9 Pedoman pembelajaran dapat diajarkan sesuai dengan alokasi jam kuliah.

10 Format pedoman pembelajaran keseluruhan dapat membantu mahasiswa memahami materi.

(56)

Tabel 4.2 merupakan kuesioner untuk pedoman praktikum. Tabel 4.2. Pernyataan Kuesioner Pedoman Praktikum

Setelah kuesioner diisi oleh mahasiswa maka dilakukan uji hipotesis untuk mendapatkan kesimpulan pengujian pedoman.

4.2.1. Uji Hipotesis

Uji hipotesis bertujuan untuk mendapatkan kesimpulan pengujian pedoman berdasarkan data kuesioner.

No. Pernyataan

1 Materi dalam pedoman praktikum sudah sesuai dengan tujuan pedoman praktikum.

2 Dasar teori dalam pedoman praktikum dapat membantu memahami materi.

3 Kesesuaian dasar teori pedoman praktikum dengan materi pedoman kuliah.

4 Contoh-contoh program sesuai dengan dasar teori. 5 Contoh-contoh program dapat membantu

memahami dasar teori.

6 Contoh-contoh program dapat membantu membuat aplikasi.

7 Kesesuaian soal praktikum dengan dasar teori. 8 Kesesuaian soal praktikum dengan contoh program. 9 Soal praktikum dapat selesai dikerjakan sesuai

dengan alokasi jam praktikum.

10 Format pedoman praktikum keseluruhan dapat membantu mahasiswa memahami materi.

(57)

Langkah-langkah uji hipotesis: 1. Menentukan Ho dan H1

Ho: responden tidak puas dengan kualitas pedoman

H1: responden puas dengan kualitas pedoman

2. Responden dapat dikatakan puas dengan kualitas pedoman apabila mengisi kuesioner dengan skor lebih dari sama dengan 3.

3. Responden dapat dikatakan tidak puas dengan kualitas pedoman apabila mengisi kuesioner dengan skor kurang dari 3.

4. Menentukan α = 0.05

5. Menentukan derajat bebas (db) = (k-1)(b-1) =(5-1)(4-1) = 12 6. Menentukan nilai dari tabel x2

Tabel x2 = x2(α, db) maka didapat 21.02

Tabel 4.3 merupakan tabel tingkat kesetujuan responden terhadap pedoman pembelajaran.

Tabel 4.3. Tingkat Kesetujuan Responden Pedoman Pembelajaran Pernyataan Tujuan Materi Ringkasan Soal Format Total

Sangat setuju 19 24 20 25 11 99 Setuju 63 88 57 49 25 282 Tidak setuju 3 15 9 12 7 46 Sangat tidak setuju 1 2 0 0 0 3 Total 86 129 86 86 43 430

(58)

Tabel 4.4 merupakan tabel test Chi-Square pedoman pembelajaran. Tabel 4.4. Test Chi-Square Pedoman Pembelajaran

Pernyataan Fo Fh Fo-Fh (Fo-Fh)2 (Fo-Fh)2 /Fh Sangat setuju Tujuan 19 19.8 -0.8 0.64 0.0323 Sangat setuju Materi 24 29.7 -5.7 32.49 1.0939 Sangat setuju Ringkasan 20 19.8 0.2 0.04 0.002 Sangat setuju Soal Latihan 25 19.8 5.2 27.04 1.3657 Sangat setuju Format 11 9.9 1.1 1.21 0.1222 Setuju Tujuan 26 56.4 6.6 43.56 0.7723 Setuju Materi 88 84.6 3.4 11.56 0.1366 Setuju Ringkasan 57 56.4 0.6 1.36 0.0064 Setuju Soal Latihan 49 56.4 -7.4 54.76 0.9709 Setuju Format 25 28.2 -3.2 10.24 0.3631 Tidak setuju Tujuan 3 9.2 -6.2 38.44 4.1783 Tidak setuju Materi 15 13.8 1.2 1.44 0.1043 Tidak setuju Ringkasan 9 9.2 -0.2 0.04 0.0043 Tidak setuju Soal Latihan 12 9.2 2.8 7.84 0.8522 Tidak setuju Format 7 4.6 2.4 5.76 1.2522 Sangat tidak setuju Tujuan 1 0.6 0.4 0.16 0.2667 Sangat tidak setuju Materi 2 0.9 1.1 1.21 1.344 Sangat tidak setuju Ringkasan 0 0.6 -0.6 0.36 0.6 Sangat tidak setuju Soal Latihan 0 0.6 -0.6 0.36 0.6 Sangat tidak setuju Format 0 0.3 -0.3 0.09 0.3 Total 14.368

Nilai Chi-Square dari Tabel 4.4 untuk tingkat signifikansi 5% dan derajat kebebasan 12 adalah 21.02 karena Ho < H1 maka Ho diterima dan H1 ditolak,

dapat disimpulkan responden tidak puas dengan kualitas pedoman pembelajaran. Tabel 4.5 merupakan tabel tingkat kesetujuan responden pedoman praktikum.

(59)

Tabel 4.5. Tingkat Kesetujuan Responden Pedoman Praktikum Pernyataan Tujuan Dasar

Teori

Contoh Program

Soal Format Total

Sangat setuju 7 10 49 26 10 102 Setuju 36 69 66 87 27 285 Tidak setuju 0 7 14 14 6 41 Sangat tidak setuju 0 0 0 2 0 2 Total 43 86 129 129 43 430

Tabel 4.6 merupakan tabel test Chi-Square pedoman praktikum. Tabel 4.6. Test Chi-Square Pedoman Praktikum

Pernyataan Fo Fh Fo-Fh (Fo-Fh)2 (Fo-Fh)2 /Fh Sangat setuju Tujuan 7 10.2 -3.2 10.24 1.04 Sangat setuju Dasar teori 10 20.4 -10.4 108.16 5.302 Sangat setuju Contoh program 49 30.6 18.4 338.56 11.064 Sangat setuju Soal praktikum 26 30.6 -4.6 21.16 0.6915 Sangat setuju Format 10 10.2 -0.2 0.04 0.0039 Setuju Tujuan 36 28.5 7.5 56.25 1.9737

Setuju Dasar teori 69 57 12 144 2.5263

Setuju Contoh program 66 85.5 -19.5 380.25 4.4474

Setuju Soal praktikum 87 85.5 1.5 2.25 0.0263

Setuju Format 27 28.5 -1.5 2.25 0.0789

Tidak setuju Tujuan 0 4.1 -4.1 16.81 4.1

Tidak setuju Dasar teori 7 8.2 -1.2 1.44 0.1756

Tidak setuju Contoh program 14 12.3 1.7 2.89 0.235

Tidak setuju Soal praktikum 14 12.3 1.7 2.89 0.235

Tidak setuju Format 6 4.1 1.9 3.61 0.8805

Sangat tidak setuju Tujuan 0 0.2 -0.2 0.04 0.2 Sangat tidak setuju Dasar teori 0 0.4 -0.4 0.16 0.4 Sangat tidak setuju Contoh program 0 0.6 -0.6 0.36 0.6

(60)

setuju Sangat tidak setuju

Format 0 0.2 -0.2 0.04 0.2

Total 37.411

Nilai Chi-Square dari Tabel 4.6 untuk tingkat signifikansi 5% dan derajat kebebasan 12 adalah 21.02 karena Ho > H1 maka Ho ditolak dan H1 diterima,

dapat disimpulkan responden puas dengan kualitas pedoman praktikum. 4.2.2. Analisis Pengujian Pedoman Praktikum

Hasil pengujian praktikum dapat dilihat pada tabel 4.7.

Tabel 4.7. Nilai Rata-Rata Pengujian

Praktikum Jumlah Peserta Nilai Rata-Rata

1 5 82 2 5 74 3 4 50 4 5 74 5 5 79 6 5 78

Dari 6 topik praktikum yang telah diujikan 5 topik pedoman praktikum telah melampaui standar penilaian rata-rata 70, tetapi ada satu topik praktikum yaitu topik praktikum nomor 3 yang gagal melampaui standar penilaian rata-rata karena soal yang diberikan terlalu sulit sehingga peserta tidak dapat mengerjakan soal praktikum. Selain itu jumlah peserta tidak bisa memenuhi standar jumlah peserta sesuai dengan spesifikasi dikarenakan sulitnya mencari peserta untuk mengikuti pengujian.

Tabel 4.8 menunjukkan nilai rata-rata pengujian berdasarkan IPK. Kelompok 1 merupakan kelompok dengan ipk lebih dari sama dengan 3 sedangkan kelompok 2 merupakan kelompok dengan IPK kurang dari 3.

Tabel 4.8. Nilai Rata-Rata Pengujian berdasarkan IPK Kelompok Nilai rata-rata topik 1 Nilai rata-rata topik 2 Nilai rata-rata topik 3 Nilai rata-rata topik 4 Nilai rata-rata topik 5 Nilai rata-rata topik 6

(61)

1 100 86.6 50 80 85 80

2 70 55 50 70 75 76.6

Selanjutnya akan dilakukan uji t untuk mengetahui apakah ada perbedaan signifikan antara dua kelompok tersebut.

1. Langkah pertama adalah menentukan Ho dan H1.

Ho = Tidak terdapat perbedaan nilai yang signifikan antara dua kelompok

(µ1=µ2).

H1 = Terdapat perbedaan nilai yang signifikan antara dua kelompok

(µ1≠µ2).

2. Langkah kedua adalah menentukan kriteria penolakan. Df = (n1+n2)-2 = (3+2)-2 = 3.

Maka di dapat nilai dari ttabel = 5.841dengan α=0.01

3. Langkah ketiga adalah menghitung nilai thitung dengan persamaan 2.3.

$ = ((1 − 1)$1 + ((2 − 1)$2_{(1 + (2 − 2} ,(1 + (2

(1(2 Dengan standar deviasi

$ = ∑(% − %̅)₍

Contoh menghitung uji t untuk penilaian topik 1

$1 = ( -- --) !( -- --)_. =0

$2 = (/- /-) !(/- /-) !(/- /-)_. =0

(62)

$ = 0

=%1 − %2_$

=100 − 70₀

= tidak terdefinisi

Tabel 4.9 menunjukkan hasil uji t untuk semua topik pedoman praktikum Tabel 4.9. Hasil Uji t Pedoman Praktikum

Topik 3₄₅₃₆₇₈ 3_39:;< Keterangan Kesimpulan

1 tidak terdefinisi 5.841

2 4.52 5.841 t hitung < t tabel Tidak ada

perbedaan 3 tidak terdefinisi 9.925

perbedaan 5 tidak terdefinisi 5.841

perbedaan

Hasil uji t menunjukkan bahwa t hitung < t tabel maka Ho diterima dan H1 ditolak

sehingga dapat disimpulkan tidak ada perbedaan signifikan antara 2 kelompok untuk topik praktikum nomor 2, 4 dan 6. Tetapi hasil uji t untuk topik praktikum nomor 1, 3 dan 5 tidak dapat disimpulkan karena hasil perhitungan standar deviasi adalah 0 sehingga hasil t hitung menjadi tidak bisa didefinisikan.

Kesimpulan dari analisis pengujian pedoman praktikum adalah tidak ada perbedaan signifikan nilai antara kelompok dengan ipk lebih dari sama dengan 3 dengan ipk kurang dari 3. Walaupun melalui uji t masih ada 3 topik praktikum yang tidak terdefinisi sehingga 5 topik praktikum dinyatakan dapat membantu mahasiswa dalam memahami materi sedangkan 1 topik praktikum masih memerlukan perbaikan agar dapat lolos dari standar penilaian rata-rata.

(63)

BAB V

KESIMPULAN DAN SARAN

Pada bab ini akan dijabarkan kesimpulan yang didapatkan selama pengerjaaan skripsi yang meliputi perancangan, realisasi dan pengujian. Pada bab ini juga akan dipaparkan beberapa saran yang dapat dipertimbangkan untuk pengembangan skripsi ini.

5.1. Kesimpulan

Berdasarkan perancangan, realisasi dan pengujian skripsi didapat beberapa kesimpulan yaitu:

1. Pemrosesan paralel dapat dilakukan pada Nvidia CUDA dan pemrosesan paralel pada Nvidia CUDA dapat meningkatkan kinerja CPU dalam pemrosesan data.

2. Hasil uji hipotesis untuk pedoman pembelajaran dan pedoman praktikum yaitu responden tidak puas terhadap pedoman pembelajaran dan responden puas terhadap pedoman praktikum.

3. Pengujian 6 topik pedoman praktikum melampaui standar rata-rata 70 untuk 5 topik praktikum, sedangkan 1 topik masih membutuhkan perbaikan untuk melampaui standar rata-rata.

5.2. Saran Pengembangan

Beberapa saran yang penulis dapat berikan untuk pengembangan skripsi ini adalah sebagai berikut:

1. Meningkatkan jumlah peserta untuk pengujian agar mendapatkan hasil uji beda yang valid.

2. Menambah fasilitas VGA Nvidia CUDA di BB-5 agar praktikum dapat berjalan dengan lancar dan jumlah peserta praktikum dapat ditambah.

3. Membuat aplikasi CUDA dengan menggabungkan beberapa unit PC (Cluster CUDA) dapat dilakukan untuk pengembangan aplikasi Nvidia CUDA. 4. Apabila ingin melakukan uji validalitas dan uji reabilitas sebaiknya dengan

cara membandingkan dua kelompok mahasiswa yang diberi perlakuan berbeda.