Analisis Jurnal Eksperimen Komputasi Parallel dalam Perhitungan Matrik Invers Menggunakan Metoda Eliminasi Gauss Jordan

Link Jurnal          : http://103.209.1.62/index.php/INTEGRASI/article/viewFile/112/112

Inti Pembahasan

• Komputasi parallel 
• grid 
• matrik inverse 
• MPI

Metode yang digunakan

Komputasi  parallel  menjanjikan  perfomansi  yang  baik  dalam  menyelesaikan  perhitungan  dengan  jumlah  data yang besar. Mencari invers dari suatu matrik merupakan salah satu operasi matrik yang paling sering dilakukan dalam mencari solusi persamaan linier. Komputasi parallel pada cluster grid dengan menggunakan MPI sebagai middleware  untuk  menyelesaikan  perhitungan  matrik  invers  yang  besar  dapat  diperkecil  waktu  komputasinya dengan  membesarkan  jumlah prosessor yang  terlibat  pada  komputasi  parallel. Eksperimen   menunjukkan komputasi  matrik  invers  dengan  jumlah  data  kecil  atau  besar  dengan  menggunakan  prosessor  berjumlah  2,4,8, dan  16 dalam  perhitungan  matrik  inverse dengan  algoritma  pivot menghasilkan  perfomansi  yang  lebih  buruk  dibandingkan komputasi dengan prosessor tunggal berdasarkan speed up, overhead, efisensi cost dan algoritmik pembagian kerja dari komputasi parallel.

Kelebihan Metode

• Komputasi  parallel  menjanjikan  perfomansi  yang  baik  dalam  menyelesaikan  perhitungan  dengan  jumlah  data yang besar.
• Komputasi parallel memungkinkan Sharing  data  antar  proses-proses  dilakukan  dengan message   passing,   yaitu   dengan   mengirim   dan menerima   message   antar   proses-proses.

Kekurangan Metode

• Walaupun sudah     cukup     banyak     aplikasi     yang     dapat mengeksploitasi  kemampuan  multiprosesor,  namun komputasi  paralel  ini  belum  diadaptasi  secara  luas untuk    aplikasi-aplikasi    umum.
• Setiap prsoses komputer parallel mempunyai  variabel     lokal,     dan     tidak     ada mekanisme   suatu   proses   yang   bisa   mengakses secara   langsung   memori   yang   lain. 

Kesimpulan

• Speed  up  yang  terjadi  tidak  sesuai  dengan keadaan   ideal   seperti   yang   diharapkan. Seharusnya speed berbanding linier dengan jumlah prosessor
• Overhead  yang    terjadi  membesar  ketika jumlah prosessor yang   terlibat   semakin besar.
• Efisiensi  pada  data  besar  menjadi  optimal pada   jumlah prosessor 8   namun   ketika jumlah prosessor dinaikan  maka  efisiensi semakin  menurun.Hal  ini terjadi juga  pada data yang kecil.
• Cost  waktu  komputasi  semakin  besar  jika jumlah prosessor semakin besar.
• Pembagian  beban  kerja  setiap  node slave menunjukkan   beban   waktu   proses   yang  tidak  sama  untuk  setiap  node.  Meskipun demikian koefisien keragaman beban kerja menunjukkan    peningkatan    beban    kerja untuk  node  yang  mengerjakan  potongan matrik  dari  atas  ke  bawah  masih  cukup baik  pemerataanya  dengan  nilai koefisien < 30.
• Dari  kelima  aspek  tersebut  terlihat  secara bahwa    penggunaan    parallel    computing dengan   jumlah   apapun   tidak   membuat perfomansi   semakin   baik   dibandingkan jika dilakukan dengan single prosessor.