4 HASIL DAN PEMBAHASAN

(1)

27

4 HASIL DAN PEMBAHASAN

4.1 Rancangan Arsitektur Sistem

Arsitektur sistem yang akan dikembangkan dari penelitian ini terdiri dari 2 Komponen, yaitu:

Komponen pertama adalah Komponen web, yaitu bagian dimana pengguna mengakses sistem secara online. Bagian ini akan dikembangkan berbasis web, sehingga dapat diakses melalui aplikasi web browser. Data curah hujan disimpan di dalam database. Komponen kedua adalah Komponen Komputasi. Merupakan bagian dimana sistem melalukan proses komputasi. Di bagian ini akan dilakukan rekonstruksi dengan menggunakan data observasi dan RegCM3 untuk melakukan komputasi paralel dan secara serial, seperti yang tampak pada Gambar 11.

Gambar 10 Rancangan Arsitektur Sistem.

Sebelum Sistem dijalankan, informasi dan data yang berkaitan dengan data curah hujan dikumpulkan untuk membentuk index database. Setelah itu, browsing interface akan membantu pengguna untuk melihat data curah hujan dan informasi yang berkaitan dengan data curah hujan tersebut.

Untuk melakukan proses rekonstuksi nilai curah hujan, yang pertama dilakukan pemetaan antara nilai pengamatan pada titik observasi terhadap data RegCM3 dengan ukuran matriks pemetaan yang telah ditentukan. Setelah

(2)

pr PC m m gr H se Gam 4.2 Se maka 4.2.1 ini m komp meng roses terseb CA. Setelah matriks reduk Dari hasil melakukan re rafik yang m Halaman gra eperti pada G mbar 11 Ha deng Rancang esuai denga a sistem aka 1 Kompone Seperti ya menjadi anta putasi secar ggunakan P ut, grid ma h itu, dilaku

ksi yang tel regresi line ekonstruksi membandin fik perband Gambar 12. alaman graf gan hasil rek gan Algoritm an rancangan an dibagi m en web ang dijelaska armuka peng ra online. K PHP dan My atriks RegC ukan proses ah dilakuka ear tersebut data curah ngkan nilai p dingan nilai . fik perband konstruksi. ma n arsitektur menjadi dua k an pada bag gguna untuk Komponen i ySQL. M3 akan di regresi terh an sebelumn diperoleh n hujan dan d pengamatan obervasi, re dingan nilai r sistem yan komponen, gian Rancan k menampil ini dikemba ireduksi me hadap nilai p nya. nilai yang di dapat ditamp n dengan nil ekonstruksi i curah huj ng telah diten yaitu: ngan Aristek lkan hasil pr angkan berb enggunkan p pengamatan iperlukan un pilkan dalam lai rekonstru dan RegCM jan hasil p ntukan sebe ktur Sitem, roses dari k basis web proses n dengan ntuk m bentuk uksi. M3 tampak engamatan elumnya, komponen komponen

(3)

29

4.2.2 Komponen komputasi

Komponen in dikembangkan dengan menggunakan MATLAB. Pada bagian ini terdapat tiga fungsi yang akan dijalankan baik secara komputasi serial dan komputasi paralel. Tiga fungsi tersebut adalah:

a. Fungsi reduksi_PCA

Pada fungsi ini akan dibaca file matriks pemetaan RegCM3 kemudian dilakukan proses reduksi matriks dengan PCA. Sehingga matriks akan direduksi dengan ukuran nilai c yang telah ditentukan sebelumnya. Hasil matriks reduksi akan disimpan dalam bentuk file yang dapat dibaca oleh komponen web dan yang akan menjadi input bagi fungsi regresi_linear. b. Fungsi regresi_linear

Fungsi ini membaca file nilai pengamatan pada titik observasi dan file matriks reduksi hasil proses PCA. Kemudian dilakuan proses regresi linear dimana nilai pengamatan merupakan nilai hasil fungsi dan matriks reduksi PCA merupakan variabel. Sehingga diperoleh nilai konstanta b. Lalu nilai konstanta b tersebut disimpan di dalam bentuk file.

c. Fungsi rekonstruksi

Fungsi ini akan menghasilkan rekonstruksi data curah hujan berdasarkan nilai konstanta b dan matriks reduksi PCA. Kemudian hasilnya disimpan dalam bentuk file yang dapat dibaca oleh komponen web.

4.3 Analisis Kompleksitas Sistem

Analisis kompleksitas difokuskan pada komponen komputasi yang melakukan proses perhitungan. Pada komponen ini terdapat tiga fungsi yang dijalankan secara serial dan paralel.

a. Fungsi reduksi_PCA

Pada fungsi reduksi_PCA secara serial, terdapat 2 loopingnested for sehingga kompleksitas waktu adalah . Pada komputasi paralel, looping pada banyak observsi dapat dipecah sesuai dengan jumlah prosesor secara paralel maka kompleksitas waktu menjadi . Secara keseluruhan, speedup fungsi reduksi_PCA adalah .

(4)

b. Fungsi regresi

Untuk fungsi regresi secara serial, terdapat 2 loopingnested for sehingga kompleksitas waktu adalah , Untuk komputasi paralel, looping pada banyak observsi dapat juga dipecah sesuai dengan jumlah prosesor secara paralel maka kompleksitas waktu menjadi . Secara keseluruhan, speedup fungsi reduksi_PCA paralel adalah .

c. Fungsi rekonstruksi

Fungsi rekonstruksi secara serial, terdapat loopingnested for yang terdapat 2 looping for sehingga kompleksitas waktu adalah 2 . Pada komputasi paralel looping pada banyak observsi dapat dipecah sesuai dengan jumlah prosesor secara paralel maka kompleksitas waktu menjadi 2 . Secara keseluruhan, speedup fungsi rekonstruksi adalah .

4.4 AMD Turion X2 Mobile Technology

Prosesor yang digunakan untuk mengimplementasikan pemrograman paralel pada penelitian ini adalah prosesor AMD Turion X2 Mobile Technology TL-58. Prosesor jenis ini, seperti yang tampak pada Gambar 18, merupakan Prosesor Turion dual-core yang didasarkan pada arsitektur K8 dan memiliki cache level 1 sebesar 128KB, dan dua buah cache level 2 sebesar 512KB, dual-channel DDR2 memory controller dan sebuah hyper-transport link.

(5)

Gambar 1 (http Pros unit pemro menangan pada Tabe Tabel 5 Sp (http Manu Kecep Peak Ajust Core Threa Tipe Bus Kecep Multi 2 Prosesor A p://www.cpu sesor ini me osesan dapa ni 2 thread d el 5. pesifikasi P p://www.cpu Param ufaktur patan Processing P ed Processing setiap proseso ads setiap cor

patan Maksim iplier AMD Turio u-world.com erupakan pro at menjalank data secara b rosesor AM u-world.com meter Proseso Performance (P g Performance or re mum on 64 X2 M m). osesor yang kan 1 thread bersamaan. MD Turion 6 m). r PPP) e (APP) Mobile Techn g miliki 2 un d, sehingga Spesifikasi 64 X2 Mobi AMD 1.9GHz 15.2GFLOP 4.56WG 2 Unit 1 Unit Mobile, Du HyperTrans 1.9GHz/1x2 19/2x nology TL-nit pemrose a secara kese i secara deta ile Technolo Nilai PS ual-Core sport 200Mhz (200 58

esan dan set eluruhan da ail dapat dil

ogy TL-58 Mhz) 31 iap apat lihat

(6)

Maximal Physical/Virtual Addressing 40-bit/48-bit

Native Page Sixe 4kB

Large Page Size 2MB

Parameter Cache Prosesor Nilai

Intergrated Data Cache 64kB, Synchronous, Write-Back, 2-way, Exclusive, 64 byte line size Intergrated instruction Cache 64kB, Synchronous, Write-Back,

2-way, 64 byte line size

L2 On-board Cache 512kB, Synchronous, Write-Back, 16-way, Exclusive, 64 byte line size

L2 Cache Multiplier 1x

4.5 Implementasi Sistem

Dalam mengembangkan sistem ini digunakan perangkat lunak dan perangkat keras sebagai berikut:

perangkat lunak:

a. Sistem Operasi Windows Vista Home Premium b. XAMPP 1.7.0

c. Web Server Apache 2.2.3 d. Bahasa Pemrograman PHP 5.2.8 e. Framework PHP Smarty 2.6.18 f. DBMS MySQL 5.1.3

g. Web Browser Mozilla Firefox 3.6.8 dan Microsoft Internet Explorer 8.0.7600.16385

h. MATLAB 7.7.0.0471 (R2008b) dengan perangkat keras PC:

a. Prosesor AMD Thurion 64x2 TL 58 (1,9Ghz, 2 x 512KB L2 cache) b. Memori 2GB DDR II RAM

c. Harddisk 320 GB e. Monitor

(7)

33

4.6 Rancangan Pengujian

Pengujian sistem ini dilakukan dengan menggunakan 24 tahun data observasi yang akan diuji adalah akurasi proses perhitungan dan tingkat kinerja proses paralel yang ada dalam sistem. Dalam pengujian ukuran grid matriks pemetaan RegCM3 adalah 3x3,5x5 dan 7x7. Untuk ukuran reduksi matriks dengan PCA ukuran yang diuji adalah 1,3 dan 5. Untuk menguji akurasi, nilai korelasi digunakan untuk membandingkan hasil rekonstruksi dengan hasil pengamatan untuk setiap titik stasiun observasi dengan menggunakan metode pengujian 8-fold cross validation.

Untuk pengujian kinerja proses paralel, digunakan prosesor dual-core dengan banyak thread yang diuji adalah 2, 3 dan 4 thread dengan menggunakan

konfigurasi ’local’. Pengujian dilakukan untuk setiap kombinasi ukuran data input yang akan diproses. Proses ini dilakukan sebanyak 10 kali, lalu dihitung rata-ratanya.

4.7 Hasil Pengujian

Pengujian yang dilakukan pada penelitian ini adalah untuk mengamati dan menganilisis hasil rekonstruksi dan kinerja implementasi pemrograman paralel. Data hasil pengujian secara keseluruhan dapat dilihat pada lampiran.

4.7.1 Akurasi komputasi dengan R2

Akurasi komputasi ditentukan dengan menghitung nilai korelasi antara nilai observasi dengan nilai rekonstruksi. Pengujian dilakukan dengan 8 –fold cross validation terhadap data curah hujan sebanyak 24 tahun data pengamatan curah hujan.Untuk setiap iterasi pengujian, data uji yang digunakana adalah 3 tahun periode dan data latih adalah data 21 tahun periode. Setelah itu,

dilakukan perbandingan nilai R2_{dari hasil rekonstruksi dari data uji dengan} data pengamatan.

(8)

Gambar 13 Grafik perbandingan nilai minimum, maksimum dan rata-rata R2.

Dari hasil perhitungan, diperoleh nilai R2 yang paling kecil berada pada prercobaan grid matriks dimensi 5x5 direduksi menjadi 5 pada fold sebesar 15.36% . Untuk nilai R2 yang paling besar berada percobaan grid matriks dimensi 3x3 menjadi 5 pada fold=3 sebesar 89.14%. Secara rata nilai R2 yang paling besar secara rata-rata juga berada pada percobaan grid matriks dimensi 3x3 menjadi 5 pada fold=3 dimana nilainya R2 sebesar 81.59%. Grafik

Perbandingan nilai R2 minimum, maksimum dan rata-rataHasil pengujian dapat dilihat pada Gambar 14.

Model dengan nilai R2 terbesar

Model curah hujan yang digunakan dalam proses rekonstruksi nilai curah hujan adalah model yang nilai R2_{paling besar yang mendekati 1. Seperti telah} disebutkan sebelumnya, bahwa model yang terbaik dari hasil percobaanadalah pada percobaan proses grid matrik 3x3 direduksi menjadi 5 dengan k-fold=3, sebesar 89.15%. Gambar 15 menunjukan perbandingan nilai rata-rata bulanan dari hasil observasi, RegCM3 dan hasil rekonstruksi untuk periode waktu 1993-1995.

0 0.1 0.2 0.3 0.4 0.5 0.6 0.7 0.8 0.9 1 1 2 3 4 5 6 7 8 nila i R 2

k‐fold cross validation

min max

(9)

Gambar 1 Graf paling bes plot dapat Gambar 1 4 Halaman pengamat ukuran m

fik hasil rek sar tersebut dilihat dari 5 Grafik Sc rekonstru k-fold=3 grafik perb tan, hasil r matrik grid 3 konstruksi d dipetakan u i Gambar 16 cattered plot uksi untuk p (1993-1995 0 50 100 150 200 250 300 350 400 0 Hasil R eko nst ruk si (1993 ‐ 1995 ) bandingan n rekonstruksi x3 menjadi

dan data pen untuk analis 6. t antara has ercobaan uk 5). 200 Hasil Pe nilai curah h i dan data 5 pada k-fo ngamatan da sis lebih lanj

il pengamat kuran matri 400 engamatan hujan rata-ra RegCM3 u old=3 (1993 ari model de jut menggu tan dengan ik grid 3x3 m 600 ata bulanan untuk perco 3-1995). engan nilai unakan scatt hasil menjadi 5 p 35 n hasil obaan R2 tered pada

(10)

Dari gambar tersebut dapat dilihat titik-titik yang terserbar dapat didekati dengan garis linear. Hal ini yang menjadi landasan regresi linear multivariate dipilih untuk digunakan pada proses rekonstruksi nilai curah hujan, karena titik-titik perbandingan hasil rekontruksi dengan data pengamatan dapat didekati dengan garis linear.

Perbandingan nilai R2 terbesar dengan penelitian sebelumnya

Gambar 17 menunjukan perbandingan hasil R2 dengan dua penelitian sebelumnya yang dilakukan oleh Apriyanti dan Normakritaguluh.

Gambar 16 Grafik perbandingan nilai R2 dengan penelitian sebelumnya.

Penelitian Normakritaguluh yang menggunakan Jaringan Syaraf Tiruan pada model GCM yang dengan nilai R2 tertinggi adalah 74%, maka diperoleh peningkatan 15.14%. Untuk penelitian Apriyanti (2005) yang menggunakan Optimasi Jaringan Syaraf tiruan dengan Algoritma Genetika pada model GCM dengan nilai R2 terbaik adalah sebesar 87.71%, maka terjadi peningkatan sebesar 1.43%,.

4.7.2 Kinerja Paralel

Dalam penelitian ini , pendekatan paralel yang digunakan adalah dengan pemrograman paralel implisit dengan MATLAB yang diimplementasikan dengan prosesor dual-core. Setiap unit pemrosesan yang ada pada prosesor dapat

menangani satu thread. 0.74 0.8771 0.8914 0 0.2 0.4 0.6 0.8 1 Normakritaguluh (2004) Apriyanti (2005) Lumbanraja(2011) nila i R 2 penelitian

(11)

1. Obser Obs Microsoft dilakukan utiliasi pro direduksi m Serial Paralel d engan 2 prosesor rvasi kinerj ervasi dilak Windows V oleh sistem osesor adala menjadi 5. 2 th re ad 3 thread ja Paralel kukan denga Vista. Untuk m. Ukuran d ah yang pali an menggun k mengamat data yang dig

ing besar ya nakan progr ti tingkat kin gunakan un aitu: ukuran ram task ma nerja pemro ntuk menguk n grid matrik anager pada osesan yang kur kinerja k 7x7 yang 37 a g

(12)

Gam komp peek deng ditam 2. S deng speed cepat matri yang threa kecen speed 4 thread mbar 17 Per tas Pada Gam putasi serial k performanc gan menggu mbah thread Speedup Speedup m gan waktu k dup yang ni t dari waktu Untuk fun iks berdime g paling besa ad. Seperti y nderungan d dup. rbandingan sk manager. mbar 18 yang l, grafik pee ce untuk ko unakan dua p d, maka graf merupakan p omputasi se ilainya di at u komputasi ngsi PCA_re ensi 3x3 dir ar adalah pr yang terliha dengan pen grafik perb g menunjuk ek performa omputasi sec prosesor dap fik peek perf

perbandinga ecara parale tas 1. Artiny i secara seri eduksi, spee eduksi menj roses berdim t pada Gam nambahan th bandingan p kan perband ance lebih k cara paralel pat dilihat d rformance a an antara w el. Speedup ya, waktu k ial. edup paling njadi 1 deng mensi 7x7 d mbar 19. Dar hread, meny peek perfor dingan peek kecil jika dib

l. Pada kom dengan sem akan semaki waktu komp yang diang omputasi se kecil adala gan 4 thread direduksi me ri graik ters yebabkan pe rmance men performanc bandingan d mputasi secar makin banyak in membesa utasi secara gap baik ad ecara parale ah pada saat . Sedang sp enjadi 5 den ebut dapat d enurunan ni nggunakan ce untuk dengan ra paralel k ar. a serial dalah el lebih proses peedup ngan 2 dilihat ilai

(13)

39

Gambar 18 Grafik perbandingan speedup pada fungsi PCA_reduksi.

Pada fungsi regresi, speedup paling kecil adalah pada proses yang banyak komponen PCA sebesar 1 dengan 4 thread. Sedang speedup yang paling besar adalah proses yang banyak komponen PCA sebesar 5 dengan 2 thread. Fungsi rekonstruksi sama seperti fungsi regresi, nilai speedup pun paling kecil adalah pada proses yang banyak komponen PCA sebesar 1. Sedang speedup yang paling besar adalah proses yang banyak komponen PCA sebesar 5.

Fungsi regresi dan rekonstruksi ini memiliki nilai speedup dibawah 1. Ini berarti waktu serial lebih cepat dari waktu paralel. Ini menunjukan penggunaan program paralel pada kedua fungsi ini kurang baik. Dengan semakin banyak thread yang ditambah, menyebabkan penurunan nilai speedup. Hal ini bisa dilihat pada Gambar 20 dan Gambar 21 yang menunjukan perbandingan nilai speedup untuk fungsi regresi dan rekontruksi.

0 0.2 0.4 0.6 0.8 1 1.2 1.4 1.6 1.8 2

2 thread 3 thread 4 thread

Sp eedup jumlah thread matriks 3x3 menjadi 1 matriks 3x3 menjadi 3 matriks 3x3 menjadi 5 matriks 5x5 menjadi 1 matriks 5x5 menjadi 3 matriks 5x5 menjadi 5 matriks 7x7 menjadi 1 matriks 7x7 menjadi 3 matriks 7x7 menjadi 5

(14)

Gambar 19 Grafik perbandingan speedup pada fungsi regresi.

Gambar 20 Grafik perbandingan speedup pada fungsi rekonstruksi.

Speedup untuk gabungan ketiga fungsi di atas, sama seperti pada fungsi PCA_reduksi, speedup paling kecil adalah pada saat proses matriks berdimensi 3x3 direduksi menjadi 1 dengan 4 thread. Sedang speedup yang paling besar adalah proses berdimensi 7x7 direduksi menjadi 5 dengan 2 thread. Hal ini dapat dilihat pada Gambar 22.

0 0.1 0.2 0.3 0.4 0.5 0.6

Speedup jumlah thread ukuran data=1 ukuran data=3 ukuran data=5 0 0.1 0.2 0.3 0.4 0.5 0.6

Speedup

jumlah thread

ukuran data=1

ukuran data=3

(15)

41

Gambar 21 Grafik perbandingan speedup pada gabungan ketiga fungsi.

3. Efesiensi

Efesiensi merupakan perbandingan antara nilai speedup dengan jumlah prosesor yang digunakan. Nilai efesiensi berada antara 0 sampai 1. Efesiensi yang baik adalah yang nilainya mendekati 1. Hal ini menunjukan, bahwa tingkat utilisasi komputasi setiap prosesor bekerja dengan penuh, tanpa ada prosesor yang menganggur.

Untuk fungsi PCA_reduksi, efesiensi paling kecil adalah pada saat proses matriks berdimensi 3x3 direduksi menjadi 1 dengan 4 thread. Sedang efesiensi yang paling besar adalah proses berdimensi 7x7 direduksi menjadi 5 dengan 2 thread. Seperti yang terlihat pada Gambar 23.

Gambar 22 Grafik perbandingan efesiensi pada fungsi PCA_reduksi. 0

0.5 1 1.5 2

Sp eedup jumlah thread matriks 3x3 menjadi 1 matriks 3x3 menjadi 3 matriks 3x3 menjadi 5 matriks 5x5 menjadi 1 matriks 5x5 menjadi 3 matriks 5x5 menjadi 5 matriks 7x7 menjadi 1 matriks 7x7 menjadi 3 0 0.1 0.2 0.3 0.4 0.5 0.6 0.7 0.8 0.9 1

Ef es ie n si jumlah thread matriks 3x3 menjadi 1 matriks 3x3 menjadi 3 matriks 3x3 menjadi 5 matriks 5x5 menjadi 1 matriks 5x5 menjadi 3 matriks 5x5 menjadi 5 matriks 7x7 menjadi 1 matriks 7x7 menjadi 3 matriks 7x7 menjadi 5

(16)

Lalu untuk fungsi regresi, efesiensi paling kecil adalah pada proses yang banyak komponen PCA sebesar 1 dengan 4 thread. Untik efesiensi yang paling besar adalah proses yang banyak komponen PCA sebesar 5 dengan 2 thread. Seperti yang terlihat pada Gambar 24.

Gambar 23 Grafik perbandingan efesiensi pada fungsi regresi.

Gambar 24 Grafik perbandingan efesiensi pada fungsi rekonstruksi. 0 0.05 0.1 0.15 0.2 0.25 0.3

Ef es ien si jumlah thread ukuran data=1 ukuran data=3 ukuran data=5 0 0.05 0.1 0.15 0.2 0.25

Ef es ie ns i Jumlah thread ukuran data=1 ukuran data=3 ukuran data=5

(17)

43

Untuk fungsi rekonstruksi, efesiensi pun paling kecil adalah pada proses yang banyak komponen PCA sebesar 1 dengan 4 thread. Untuk efesiensi yang paling besar adalah proses yang banyak komponen PCA sebesar 5. Seperti yang terlihat pada Gambar 25.

Seperti yang tampak pada Gambar26, bila ketiga fungsi tersebut

digabungkan, maka efesiensi akan sama seperti fungsi PCA_reduksi, efesiensi paling kecil adalah pada saat proses matriks berdimensi 3x3 direduksi menjadi 1 dengan 4 thread. Sedang efesiensi yang paling besar adalah proses berdimensi 7x7 direduksi menjadi 5 dengan 2 thread. Seperti yang terlihat pada Gambar 26.

Gambar 25 Grafik perbandingan efesiensi pada gabungan ketiga fungsi.

4. Total Parallel Overhead

Total Parallel Overhead merupakan tambahan waktu yang ada komputasi secara parlel. Overhead pada komputasi paralel berhubungan dengan tingkat efesiensi paralel. Semakin rendah efesiensi komputasi paralel, maka semakin tinggi overhead yang terjadi. Dan sebaliknya, semakin tinggi efesiensi komputasi paralel, maka semakin rendah tingkat overhead.

Overhead untuk fungsi PCA_reduksi, overhead paling kecil adalah pada saat proses matriks berdimensi 7x7 direduksi menjadi 5 dengan 2 thread. Sedang overhead yang paling besar adalah proses berdimensi 3x3 direduksi menjadi 1 pada dengan 4 thread. Seperti yang terlihat pada Gambar 27.

0 0.2 0.4 0.6 0.8 1

Efesi e nsi jumlah thread matriks 3x3 menjadi 1 matriks 3x3 menjadi 3 matriks 3x3 menjadi 5 matriks 5x5 menjadi 1 matriks 5x5 menjadi 3 matriks 5x5 menjadi 5 matriks 7x7 menjadi 1 matriks 7x7 menjadi 3

(18)

Gambar 26 Grafik perbandingan overhead pada fungsi PCA_reduksi.

Untuk fungsi regresi dan rekonstruksi memiliki overhead yang hampir sama. Overhead yang paling kecil ada pada proses dengan jumlah komponen matriks reduksi sebesar 1 dengan 2 thread. Overhead yang paling besar adalah pada proses dengan jumlah matriks reduksi sebesar 5 dengan 4 thread. Hal ini dapat dilihat pada Gambar 28 dan Gambar 29.

Gambar 27 Grafik perbandingan overhead pada fungsi regresi. 0 0.2 0.4 0.6 0.8 1 1.2 1.4 1.6

Total Pa ra llel Ov erh e ad jumlah thread matriks 3x3 menjadi 1 matriks 3x3 menjadi 3 matriks 3x3 menjadi 5 matriks 5x5 menjadi 1 matriks 5x5 menjadi 3 matriks 5x5 menjadi 5 matriks 7x7 menjadi 1 matriks 7x7 menjadi 3 matriks 7x7 menjadi 5 0 0.2 0.4 0.6 0.8 1 1.2 1.4 1.6

Total Pa ra llel Ov erh e ad jumlah thread ukuran data=1 ukuran data=3 ukuran data=5

(19)

45

Gambar 28 Grafik perbandingan overhead pada rekonstruksi.

Untuk gabungan ketiga fungsi diatas, sama seperti pada overhead untuk fungsi PCA_reduksi, overhead paling kecil adalah pada saat proses matriks berdimensi 7x7 direduksi menjadi 5 dengan 2 thread. Sedang overhead yang paling besar adalah proses berdimensi 3x3direduksi menjadi 1 pada dengan 4 thread. Seperti yang terlihat pada Gambar 30.

Gambar 29 Grafik perbandingan overhead pada gabungan ketiga fungsi. 0 0.2 0.4 0.6 0.8 1 1.2 1.4 1.6

To ta l Pa ra llel Ov e rh e ad jumlah thread ukuran data=1 ukuran data=3 ukuran data=5 0 0.5 1 1.5 2

Tota l Pa ra llel Ov e rhe ad jumlah thread matriks 3x3 menjadi 1 matriks 3x3 menjadi 3 matriks 3x3 menjadi 5 matriks 5x5 menjadi 1 matriks 5x5 menjadi 3 matriks 5x5 menjadi 5 matriks 7x7 menjadi 1 matriks 7x7 menjadi 3