Model Komputasi Paralel Algoritma Seleksi Clonal dengan Java Message Passing Model - MPJExpress

Model Komputasi Paralel Algoritma Seleksi Clonal

dengan

Java Message Passing Model

- MPJExpress

Ayi Purbasari

Teknik Informatika Unpas

pbasari@unpas.ac.id

Oerip S. Santoso

Sekolah Teknik Informatika Elektro - ITB

oerip@informatika.org

Iping S. Suwardi

Sekolah Teknik Informatika Elektro - ITB

iping@informatika.org

Rila Mandala

Sekolah Teknik Informatika Elektro - ITB

rila@informatika.org

ABSTRAK

Penelitian menghasilkan empat model komputasi paralel untuk algoritma seleksi clonal, clonal selection algorithm (CSA) yang diberi nama Clonal Selection – Inspired Parallel Algorithm

(CSI-PA). Model komputasi paralel diperoleh dengan

mengeksploitasi potensi paralelisme pada seleksi clonal dan algoritma seleksi clonal serta memperhatikan aspek terkait desain komputasi paralel, yaitu partisi data dan komunikasi antar proses. Model pertama melakukan partisi data dengan komunikasi terkontrol oleh master, (Global single-population master-slave model). Model kedua melakukan partisi data dengan komuniksi berlaku antar seluruh proses (single-population coarse-grained model). Model ketiga tidak ada partisi data dan komunikasi terkontrol oleh master (multiple-population master-slave model). Model keempat tidak ada partisi data sedangkan komunikasi berlaku antar seluruh proses (multiple-population coarse-grained model). . Keempat model diimplementasika menggunakan Java Message Passing Model – MPIJExpress.. Eksekusi dilakukan di lingkungan kluster dan multicore. Eksperimen dilakukan untuk persoalan TSP dengan dataset Berlin52.tsp. Hasil yang diperoleh adalah konsisten dimana semua model menghasilan masing-masing best cost dimana eksekusi di lingkungan multicore lebih cepat dibandingkan di lingkungan kluster. Model 2 dan 4 memiliki waktu eksekusi yang lebih baik daripada Model 1 dan 3. Terlihat bahwa model coarse grained menghasilkan waktu yang lebih cepat daripada model master-slave. Model 2 dan 4 menghasilkan bobot optimum yang lebih baik daripada model 1 dan 3. Bobot terbaik diperoleh untuk N = 50 dengan n = 10 bernilai 8516. Dibandingkan dengan bobot optimal untuk Berlin52.tsp dari TSPLib, yaitu 7542, maka diperoleh prosentase sebesar 88.56%.

Kata Kunci

Clonal Selection Algorithm, Clonal Selection – Inspired Parallel Algorithm (CSI-PA), Java Message Passing Model, MPJExpress, Traveling Salesperson Problem.

1.

PENDAHULUAN

Pada persoalan kompleks, pendekatan heuristik menjadi tawarasan solusi dimana feasible time limit menghasilkan

acceptable solution. Algoritma seleksi clonal (Clonal Selection

Algorithm/CSA) sebagai solusi heuristik berbasis populasi, telah mampu menyelesaikan persoalan kombinatorial, khususnya

Traveling Salesman Problem/TSP [6] [15]. Algoritma ini

merupakan bagian dari Artificial Immune System/AIS, suatu pendekatan berbasis inspirasi dari sistem biologi (Bio-Inspired

Computing), khususnya sistem imun, untuk menyelesaikan

persoalan kompleks [1] [19]. Pendekatan ini seperti pendekatan populasi lainnya, memerlukan waktu komputasi yang tidak

sedikit. Hal ini kemudian melahirkan bebagai gagasan untuk meningkatkan performa komputasi dengan mengadopsi komputasi paralel.

Sebagai penggagas awal, Watskin [22] tidak spesifik untuk algoritma seleksi clonal dan diterapkan untuk persoalan pengenalan pola. Hongbing dkk [13] menerapkan paralelisme CSA untuk prediksi struktur protein dengan menggunakan Open-MPI. Sedangkan Dabrowski dan Kobale [10] menggunakan komputasi CSA paralel untuk persoalan pewarnaan graf. Yotau Qi menggagas ide komputasi paralel CSA dengan menggunakan model tower master slave (TMS) untuk persoalan TSP [23] dengan nama Parallel Immune Memory

Clonal Selection Algorithm (PIMCSA). PIMCSA menghasilkan

performa dan solusi yang baik untuk persoalan TSP. Hal ini menunjukkan bahwa gagasan komputasi paralel pada memiliki potensi meningkatkan performa komputasi yang lebih baik. Pada penelitian ini, akan dikembangkan model komputasi paralel dengan mengeksploitasi potensi paralelisme yang ada pada seleksi clonal dan algoritma seleksi clonal. Selain memperhatikan karakteristik yang dimiliki oleh sistem imun pada peristiwa seleksi clonal, model yang dibangun merujuk kepada prinsip dan konsep desain komputasi paralel, dengan mempertimbangkan banyak aspek: partisi, komunikasi, agglomearation, dan mapping [12].

Model selanjutnya menghasilkan 4 varian algoritma yang diberi nama Clonal Selection – Inspired Parallel Algorithm (CSI-PA). Algoritma ini kemudian diimplementasikan menggunakan pustaka standard Message Passing Interface (MPI), berupa Java Message Passing Model, MPJExpress. Pustaka ini merupakan pustaka implementasi standar Message Passing Interface (MPI) menggunakan bahasa Java sebagai bahasa pembangun dan

Application Programmable Interface (API) [4] [3]. MPJExpress

ditujukan untuk lingkungan multicore, cluster, atau hibrid [5] [7]. Penelitian bertujuan untuk melakukan penerapan MPJExpress pada model komputasi paralel CSI-PA, yang kemudian diimplementasikan pada lingkungan multicore atau cluster. Penelitian berfokus kepada aspek-aspek yang harus diperhatikan pada penerapan pustaka, model komputasi yang dihasilkan, serta hasil dari komputasi itu sendiri.

Secara sistematika, makalah ini berisi pendahuluan, metode penelitian, riset terkait, hasil dan kesimpulan, serta

acknowledgements.

2.

METODE PENELITIAN

Penelitian ini bersifat eksperimental, diawali dengan

pembangunan model komputasi yang kemudian

dengan lingkungan komputasi paralel berupa multicore dan

cluster. Terdapat beberapa dataset sebagai data uji eksperimen,

data mengambil kasus TSP dari pustaka TSPLib [20]. Berikut adalah metode pada penelitian ini:

1) Kajian literatur terkait solusi persoalan TSP dengan immune inspired algorithm dan kajian model komputasi paralel dengan clonal selection algorithms

2) Implementasi dan verifikasi model dengan menerapkan MPJExpress

3) Perumusan hasil eksperimen

3.

RISET TERKAIT

3.1

TSP

dan Solusi Terinspirasi Sistem Imun

Persoalan kompleks, NP-Problem merupakan persoalan yang membutuhkan waktu non-polynomial dalam mendapatkan solusi. Optimasi kombinatorial merupakan bagian dari NP-Problem,

dengan contoh persoalan Traveling Salesperson Problem (TSP). Beberapa pendekatan TSP baik secara deterministik dan heuristik, telah menghasilkan ragam solusi TSP [11].

Clonal Selection Algorithm (CSA), merupakan algoritma

terinspirasi sistem imun khususnya pada peristiwa seleksi clonal [9]. Seleksi clonal adalah peristiwa pada respon imun, dimana ketika terjadi serangan dari antigen, sel B sebagai sel yang memproduksi antibodi akan diperbanyak jika sel tersebut memilik kecocokan resptor dengan reseptor yang terdapat pada antigen. Sel yang tidak memiliki kecocokan tidak turut dalam seleksi. Perhitungan kecocokan tersebut dikenal sebagai peristiwa affinity maturation.

CSA menjadi bagian dari keluarga Bio-Inspired Algorithm yang disebut Artificial Immune System (AIS) [1]. CSA memetakan komponen sistem imun antibodi sebagai populasi yang menjadi solusi yang dituju, sedangkan komponen sistem imun antigent ditujukan sebagai persoalan/problem. Dalam memetakan persoalan dengan penyelesaian/solusi berdasarkan inspirasi sistem imun ini, terdapat aktivitas yang disebut sebagai immune

engineering [19]. Pada persoalan TSP; respon imun

merepresentasikan solusi sedangkan antigen merepresentasikan persoalan; dalam hal ini adalah kumpulan simpul/kota dimana salesman harus mengunjunginya, sel B (pembentuk antibodi) merepresentasikan tour yang terbentuk [6] [9].

Leandro [9] menjelaskan bahwa Afiniti menggambarkan kecocokan reseptor antara Antibodi yang terbentuk (Ab) dengan Antigen (Ag). Kematangan afiniti (affinity maturation) dihitung dari tingkat shape-space Ab-Ag yang dapat direpresentasikan dengan perhitungan Hamming Distance sebagai berikut:

D = ∑ .

Dimana = 1 ≠ dan =

0 = . L adalah jumlah atribut dari Ab dan Ag. Untuk persoalan optimasi, terdapat aturan bahwa jumlah total klon yang dibangkitkan untuk setiap n antibodi terpilih memenuhi persamaan sebagai berikut:

= ∑ ( . )

Dimana Nc, merupakan jumlah total klon yang dibangkitkan untuk setiap Ab, β adalah pengali/clone factor, N adalah total jumlah Ab.

Sementara itu, aturan untuk hipermutasi adalah menetapkan nilai probabilitas mutasi dengan persamaan a=exp(-β*f), dimana β parameter pengali dan f adalah fitness dari sel awal dengan nilai [0,1], dimana semakin besar nilai, semakin baik fitness yang diperoleh. [9]. Nilai probabilitas ini yang digunakan untuk melakukan hipermutasi.

Gambaran umum algoritma seleksi clonal dapat dilihat dalam Gambar 1.

Gambar 1 Algoritma Seleksi Clonal

Pada dasarnya CSA ditujukan untuk persoalan learning dan optimasi [9] dengan contoh klasik TSP. CSA telah dipergunakan untuk berbagai persoalan, yang didomasi oleh persoalan optimasi [21]. Dalam perkembangannya, CSA telah mengalami banyak improvement [8], termasuk gagasan untuk diimplementasikan secara paralel. Sebagai penggagas awal, Watskin [22] tidak spesifik untuk algoritma seleksi clonal dan diterapkan untuk persoalan pengenalan pola. Hongbing dkk [13] menerapkan paralelisme CSA untuk prediksi struktur protein dengan menggunakan Open-MPI. Sedangkan Dabrowski dan Kobale [10] menggunakan komputasi CSA paralel untuk persoalan pewarnaan graf. Yotau Qi menggagas ide komputasi paralel CSA dengan menggunakan model tower master slave (TMS) untuk persoalan TSP [23] dengan nama Parallel Immune Memory

Clonal Selection Algorithm (PIMCSA). PIMCSA menghasilkan

performa dan solusi yang baik untuk persoalan TSP. Hal ini menunjukkan bahwa gagasan komputasi paralel pada memiliki potensi meningkatkan performa komputasi yang lebih baik.

3.2

Komputasi Paralel, Message Passing

Interface, dan MPJExpress

Untuk melakukan komputasi paralel, beberapa aspek harus dipertimbangkan [12]. Desain paralel, menentukan bagaimana algoritma untuk komputasi paralel dibangun. Prinsip-prinsip desain paralel dapat dilihat dalam Gambar 2.

Gambar 2 Prinsip perancangan komputasi paralel [12]

Prinsip-prinsip perancangan komputasi paralel harus mempetimbangkan:

1) Partisi, baik partisi data atau partisi task. Dalam ini, partisi dilakukan terhadap task.

2) Komunikasi antar proses, baik komunikasi terpusat, tersebar atau gabungan keduanya.

Population Initialization

Evaluation

Selection

High Affinity?

Cloning

Hypermutation Edit Receptor Stop Condition?

Population Finalization Yes

No

3) Agglomeration, adalah penggabungan task ke dalam task-task yang lebih besar.

4) Mapping adalah pemetaan antara proses dan pemroses.

Message Passing Interface (MPI), merupakan standar pustaka

untuk model pemrograman paralel message passing. Dengan model message passing terdapat komunikasi antar proses melalui pengiriman pesan dari satu proses ke proses lainnya melalui jaringan. Tiap proses MPI memiliki masing-masing keadaan program lokal, yang tidak dapat diobservasi maupun diubah oleh proses lainnya, kecuali dalam hal merespon message

[14]. Kebanyakan program MPI ditulis dalam bentuk model SPMD (Single Program Multiple Data), dimana setiap proses berjalan pada program yang sama dengan data yang berbeda. [14].

Setidaknya terdapat dua production-quality MPI libraries:

MPICH [2] dan OpenMPI [17]. Keduanya mengimplementasikan prinsip-prinsip dasar message passing pada standar MPI, antara lain Communicator, Point-to-point basics, Collective basics, dan

Derived datatypes. Bahasa tingkat tinggi yang digunakan pada

dasarnya ada bahasa C dan Fortran. Seiring dengan lahirnya bahasa Java dengan penerimaannya yang meluas, lahirlah gagasan pemanfaatan bahasa Java sebagai bahasa untuk pemrograman High Performance Computing (HPC) dan MPJ Express merupakan salah satu implementasinya [4] [3] [7]. MPJ Express memiliki desain berlapis yang mengijinkan pengembangan secara incremental, juga mampu untuk mengupdate dan swap lapisan sesuai dengan kebutuhan pengembangan. Hal ini memberikan opsi kepada pengembang untuk memanfaatkan high-performance proprietary network

devices atau memilih pure Java devices dengan soket. MPJ Express didesain dengan leveling yang berbeda: the MPJ API, high-level, base-level, mpjdev, and xdev [4] [3] [5] [7]. Pada penelitian ini digunakan MPJ API.

MPJ Express menawarkan solusi komputasi pada konfigurasi cluster dan hybrid selain lingkungan multicore [16].

4.

HASIL DAN DISKUSI

4.1

Model Komputasi Paralel

Berdasarkan tahapan desain paralel pada sub bab 3.1, berikut tahapan pembangunan model komputasi paralel untuk CSA: Berdasarkan partisi data, terdapat 2 kriteria partisi data sebagaimana diperlihatkan dalam Tabel 1.

Tabel 1 Partisi data

Kriteria Deskripsi Gambaran

Partisi

Data I Proses master menginisialisasi populasi awal Data dipartisi

Partisi data dikirim ke seluruh proses

Partisi

Data II Seluruh proses menginisialisasi populasi awal Tidak ada data partisi

Berdasarkan tipe komunikasi, terdapat 4 kelompok komunikasi sebagaimana diperlihatkan dalam Tabel 2.

Tabel 2 Tipe komunikasi

Kriteria Deskripsi Kendali

komunikasi

Master-slave Master sebagai

pengendali proses, slave

berkomunikasi dengan master

Master

Coarse-grained Master sebagai

pengendali proses

Master-slave Slave melakukan

proses awal,

selanjutnya komunikasi kepada master

Slave

Coarse-grained Seluruh proses

saling

Dengan mempertimbangkan aspek komunikasi dan partisi, model komputasi untuk algoritma seleksi clonal dapat dikelompokkan sebagai berikut:

1) Data dipartisi, komunikasi terkontrol oleh master, atau disebut global single-population master-slave model. 2) Data dipartisi, komuniksi berlaku antar seluruh proses, atau

single-population coarse-grained model.

3) Data tidak dipartisi, komunikasi terkontrol oleh master, atau disebut multiple-population master-slave model.

4) Data tidak dipartisi, berlaku antar seluruh proses, atau disebut multiple-population coarse-grained model.

Pada model global single-population master-slave, populasi disiapkan oleh proses master, kemudian dipartisi dan dikirim ke proses slave. Selanjutnya, tiap slave melakukan operasi seleksi clonal berupa perhitungan afiniti, seleksi, cloning dan mutasi, serta replacement. Populasi terbaik yang terdapat pada masing-masing slave kemudian dikirimkan ke master. Master mengkoleksi dan melakukan mengirimkan ke proses slave. Gambar 3 ini merupakan gambaran global single-population

Gambar 3 Global single-population master-slave model

Pada model single-population coarse-grained, populasi disiapkan oleh proses master, kemudian dipartisi dan dikirim ke proses slave. Selanjutnya, tiap slave melakukan operasi seleksi clonal. Populasi terbaik yang terdapat pada masing-masing slave kemudian dikirimkan ke seluruh proses slave. Proses diulang sampai dengan kriteria berhenti. Gambar 4 merupakan gambaran

single-population coarse-grained model:

Gambar 4 Single-Population Coarse-Grained

Pada model multiple-population master-slave, populasi disiapkan oleh tiap-tiap proses. Selanjutnya, tiap slave

melakukan operasi seleksi clonal. Populasi terbaik yang terdapat pada masing-masing slave kemudian dikirimkan ke master. Master mengkoleksi dan melakukan mengirimkan ke proses

slave. Gambar 5 merupakan gambaran multiple-population

master-slave model.

Gambar 5 Multiple-Population Master-Slave

Model keempat adalah multiple-population coarse-grained

model. Gambar 6 merupakan gambaran multiple-population

coarse-grained model:

Gambar 6 Multiple-Population Coarse-Grained Model

4.2

Verifikasi dengan Eksperimen

Setelah mendapatkan model komputasi paralel, maka langkah berikutnya adalah melakukan verifikasi dengan eksperimen. Persoalan yang diteliti tetap persoalan combinatorial optimization dalam kasus Traveling Salesperson Problem (TSP).

Gambar 7 merupakan gambaran lokasi kota pada dataset Berlin52.tsp.

Gambar 7 Koordinat kota dan tour optimum Berlin52.tsp

4.2.1

Perancangan Eksperimen

Eksperimen dilakukan pada lingkungan implementasi perangkat keras dan perangkat lunak. Lingkungan perangkat keras terdiri dari dua lingkungan yaitu lingkungan multicore dan lingkungan cluster. Kluster yang digunakan, terdiri dari 1 headnode dan 16

compute node. Pada eksperimen ini akan digunakan digunakan 8

compute node. Berikut gambaran spesifikasi teknis dari

headnode Hardware CPUs 32x2.90GHz, memory 126.13GB,

local disk 895.465GB. Software: Linux 2.6.32-279. Sedangkan untuk dan compute node: Hardware CPUs 16x2.70GHz, memory 15.66GB, local disk 142.835GB. Software: Linux 2.6.32-279 Sedangkan lingkungan perangkat lunak menggunakan Java Message Passing Model, MPJExpress. Pengembangan mengunakan IDE Netbean 7.2.1 yang menggunakan Java versi 1.7.0_13; dilengkapi Java HotSpot(TM) 64-Bit Server V M 23.7-b01. Seluruhnya berjalan di Sistem Operasi Windows 7 v6.1. Gambaran umum eksperimen dapat dilihat pada Gambar 8.

Gambar 8 Perancangan eksperimen

Untuk eksekusi maka, disusun simulasi eksekusi sebagaimana diperlihatkan dalam Tabel 3.

Tabel 3 Skenario eksperimen

Nama dataset Berlin52

Jumlah simpul 52

Jumlah generasi 1000,10.000, 100.000

Nilai

Lingkungan pemroses Multicore, cluster

4.2.2

Hasil Eksperimen

Gambar 9 memperlihatkan gambaran dari bobot terbaik atau best cost yang dihasilkan oleh ke empat model yang dieksekusi pada dua lingkungan:

Gambar 9 Best cost untuk Berlin52.tsp

Terlihat bahwa best cost diperoleh pada model 2 yang dieksekusi pada lingkungan multicore tapi tidak jauh berbeda jika di eksekusi pada lingkungan kluster.

Gambar 10 memperlihatkan gambaran dari bobot terbaik atau best cost yang dihasilkan oleh ke empat model yang dieksekusi pada dua lingkungan

Gambar 10 Waktu eksekusi untuk Berlin52.tsp

Terlihat bahwa waktu tercepat diperoleh pada model 4 yang dieksekusi di lingkungan multicore.

Gambar 11 memperlihatkan gambaran bobot terbaik pada 10.000 generasi untuk keempat model di kedua lingkungan eksekusi.

Gambar 11 Grafik Best cost untuk Berlin52.tsp di Multicore

-np2 np4 np8 np2 np4 np8 np2 np4 np8

1.000 10.000 100.000

np2 np4 np8 np2 np4 np8 np2 np4 np8

1.000 10.000 100.000

1 1001 2001 3001 4001 5001 6001 7001 8001 9001

Gambar 12 Best cost untuk Berlin52.tsp di Cluster

Keempat model memperlihatkan konvergensi bobot terbaik, namun stagnan di beberapa titik tertentu.

Tabel 4 memperlihatkan rangkuman hasil eksekusi, dari sisi bobot dan waktu eksekusi.

Tabel 4 Bobot tour terbaik dari 4 model untuk Berlin52.tsp

Tabel 5 memperlihatkan rangkuman untuk waktu eksekusi komputasi dari 4 model.

Tabel 5 Waktu eksekusi komputasi dari 4 model untuk Berlin52.tsp

Gambaran tour optimal yang diperoleh untuk keempat model di kedua lingkungan komputasi parallel diperlihatkan dalam Gambar 13.

Cluster 3 (MC-3) Cluster 4 (MC-4)

Gambar 13 Tour optimal hasil eksekusi di lingkungan multicore dan cluster

5.

KESIMPULAN

Penelitian menghasilkan 4 model komputasi paralel untuk algoritma seleksi clonal, clonal selection algorithm (CSA). Keempat model dipersiapkan untuk diimplementasikan di lingkungan pengembangan sistem paralel dengan MPIJExpress, menggunakan bahasa Java. Penelitian ini juga dilengkapi dengan perancangan ekperimen berupa skenario eksekusi yang dilengkapi persiapan dataset untuk persoalan TSP.

Dari hasil eksperimen, dapat dilihat bahwa untuk dataset berlin52, hasil yang diperoleh adalah konsisten dimana: 1) Untuk semua model, eksekusi di lingkungan multicore lebih

cepat dibandingkan di lingkungan kluster.

2) Untuk semua model, semakin banyak jumlah pemroses, semakin banyak waktu yang diperlukan untuk eksekusi. 3) Untuk semua model, semakin banyak jumlah generasi,

semakin banyak waktu yang diperlukan untuk eksekusi. 4) Model 2 dan 4 memiliki waktu eksekusi yang lebih baik

daripada Model 1 dan 3. Dengan kata lain, model coarse grained menghasilkan waktu yang lebih cepat daripada model master-slave.

5) Model 2 dan 4 menghasilkan bobot optimum yang lebih baik daripada model 1 dan 3.

Rangkuman hasil eksperimen dapat dilihat alam Tabel 6.

Tabel 6 Hasil Eksperimen 8516. Dibandingkan dengan bobot optimal untuk Berlin52.tsp dari TSPLib, yaitu 7542, maka diperoleh prosentase sebesar 88.56%. Eksekusi tercepat adalah 807, 7981, dan 122.298 (satuan milidetik) untuk jumlah generasi 1000, 10.000, dan 100.000 masing-masing. Bobot terbaik dihasilkan oleh model 4 sedangkan waktu eksekusi terbaik dihasilkan oleh model 4 dan di lingkungan multicore.

6.

ACKNOWLEDGMENTS

Makalah ini merupakan bagian dari penelitian disertasi di Sekolah Teknik Elektro dan Informatika ITB. Terima kasih penulis ucapkan kepada para pembimbing. Terima kasih juga

5000

1 1001 2001 3001 4001 5001 6001 7001 8001 9001

Best

Co

st

Generasi

Best Cost hasil eksekusi di Cluster (Berlin52.tsp)

Model np2 np4 np8 np2 np4 np8 np2 np4 np8 M-1 13.227 12.628 13.178 13.510 14.629 10.015 13.932 14.268 10.896

model np2 np4 np8 np2 np4 np8 np2 np4 np8

untuk Jurusan Teknik Informatika, Fakultas Teknik Universitas Pasundan, tempat penulis sebagai dosen tetap atas segala dukungan kepada penulis.

DAFTAR REFERENSI

[1] Alsharhan S, J.R. Al-Enezi. Abbod MF, "Artificial Immune Systems – Models , Algorithms and Applications," International Journal of Research and Reviews in Applied Science (IJRRAS), pp. 118-131, May 2010.

[2] Argonne National Laboratory. High-Performance Portable MPI. [Online]. http://www.mpich.org/

[3] Mark Baker and Bryan Carpenter, "MPJ: A New Look at MPI for Java," in Poster Paper in All Hands Meeting (AHM), 2005. [4] Mark Baker and Bryan Carpenter, "Mpj: A proposed java message

passing api and environment for high performance computing," in

Parallel and Distributed Processing.: Springer Berlin Heidelberg, 2000, pp. 552-559.

[5] Mark Baker, Bryan Carpenter, and Aamir Shafi, "MPJ Express: towards thread safe Java HPC," in IEEE International Conference on Cluster Computing, 2006.

[6] Gaber J Bakhouya M, "An Immune Inspired-based Optimization Algorithm : Application to the Traveling Salesman Problem," AMO - Advanced Modeling and Optimization, vol. 9, no. 1, pp. 105-116., 2007.

[7] Mark Barker and Bryan Carpenter. (2005) [Online]. http://mpj-express.org

[8] Jason Brownlee, "Clonal Selection Algorithms," Complex Intelligent Systems Laboratory, Centre for Information Technology Research, , Faculty of Information Communication Technology, Swinburne University of Technology, Melbourne, Australia , Technical 2009.

[9] Leandro N. de Castro and Fernando J. Von Zuben, "Learning and Optimization Using the Clonal Selection Principle," IEEE Transactions On Evolutionary Computation, vol. 6, no. 3, pp. 239-251, June 2002.

[10] Jacek Dabrowski and Marek Kubale, "Computer Experiments with a Parallel Clonal Selection Algorithm for the Graph," in IEEE International Symposium on Parallel and Distributed Processing, Miami, FL, 2008, pp. 1-6.

[11] Donald Davendra, Traveling Salesperson Problem: Theory and Application, Donald Davendra, Ed. Croatia: InTechWeb.Org, 2010.

[12] Ian Foster. (1995) Designing and Building Parallel Programs. [Online]. http://www.mcs.anl.gov/~itf/dbpp/

[13] Zhu Hongbing, Chen Sicheng, and Wu Jianguo, "Paralleling Clonal Selection Algorithm with OpenMP," in 3rd International Conference on Intelligent Networks and Intelligent Systems (ICINIS), Shenyang, 1-3 Nov. 2010, pp. 463 - 466.

[14] Ayi Purbasari, "Implementasi Algoritma Paralel untuk Traveling Salesperson Problem dengan MPI.NET pada Visual C#," in Seminar Nasional Ilmu Komputer, Samarinda, 2013.

[15] Ayi Purbasari, Iping Supriana Suwardi, Oerip Slamet Santoso, and Rila Mandala, "Studi dan Implementasi Algoritma Terinspirasi Sistem Imun: Clonal Selection Algorithm (CSA)," in Konferensi Nasional Sistem Informasi (KNSI), Makassar, 2014.

[16] Aamir Shafi, Jawad Manzoor, Kamran Hameed, Bryan Carpenter, and Mark Baker, "Multicore-enabling the MPJ Express messaging library," in The 8th International Conference on the Principles and Practice of Programming in Java - ACM, 2010.

[17] The Open MPI Project. (2004) Open Source High Performance Computing. [Online]. http://www.open-mpi.org/

[18] Jonathan Timmis, "Artificial Immune Systems - Today and Tomorrow," Natural Computing, vol. 6, no. 1, pp. 1-18, 2006. [19] Jonathan Timmis and Leandro Nunes Castro, Artificial Immune

Systems: A New Computational Approach. London: Springer Verlag, 2002.

[20] TSPLIB. [Online].

http://www.iwr.uni-heidelberg.de/groups/comopt/software/TSPLIB95/tsp/

[21] Kulturel-Konak S Ulutas BH, "A Review of Clonal Selection Algorithm and Its Applications," Artificial Intelligence Review, 2011.

[22] Andrew Watkins, Xintong Bi, and Amit Phadke, "Parallelizing an Immune-Inspiring Algorithm for Efficient Pattern Recognition," in

Intelligent Engineering Systems through Artificial Neural Networks: Smart Engineering, 2003, pp. 225-230.