Kesimpulan Saran Pengembangan model pemrograman paralel pada kalibrasi data untuk rekonstruksi data curah hujan
LAMPIRAN
Lampiran 1 Perbandingan waktu rata-rata komputasi untuk proses reduksi matriks dengan PCA detik
Ukuran Input Ukuran Output
serial Matrikis grid
Matriks reduksi 2 thread
3 thread 4 thread
3x3 1
0.2465 0.4508
0.6077 0.8004
3x3 3
0.4633 0.4575
0.6572 0.8058
3x3 5
0.5086 0.4669
0.6569 0.8570
5x5 1
0.7956 0.5432
0.7422 0.8737
5x5 3
0.8112 0.5767
0.7548 0.9327
5x5 5
0.8533 0.6160
0.7528 0.9070
7x7 1
1.2340 0.6850
0.8806 1.0117
7x7 3
1.2620 0.7017
0.8860 1.0428
7x7 5
1.2995 0.7145
0.8943 0.9762
paralel dengan 2 prosesor
Lampiran 2 Perbandingan waktu rata-rata komputasi untuk proses regresi linear detik
Ukuran Input serial
Matriks reduksi 2 thread
3 thread 4 thread
1 0.1943
0.4314 0.6455
0.7893 3
0.2363 0.4482
0.6594 0.8142
5 0.2739
0.4793 0.6561
0.8368
paralel dengan 2 prosesor
Lampiran 3 Perbandingan waktu rata-rata komputasi untuk proses rekonstruksi data curah hujan detik
Ukuran Input serial
Matriks reduksi 2 thread 3 thread
4 thread
1 0.1580
0.4254 0.6395
0.7528 3
0.1963 0.4624
0.6808 0.7783
5 0.2291
0.5236 0.7013
0.8511
paralel dengan 2 prosesor
Lampiran 4 Perbandingan waktu rata-rata komputasi untuk gabungan ketiga proses detik
Ukuran Input Ukuran Output
serial Matrikis grid
Matriks reduksi 2 thread
3 thread 4 thread
3x3 1
0.4477 0.6513
0.8735 1.1193
3x3 3
0.9953 0.7571
1.0052 1.1654
3x3 5
1.1700 0.8493
1.0967 1.2594
5x5 1
1.1872 0.7975
1.0447 1.1978
5x5 3
1.3541 0.8751
1.0768 1.3313
5x5 5
1.5304 0.9323
1.1251 1.3553
7x7 1
1.6286 0.9144
1.1438 1.3306
7x7 3
1.8018 1.0155
1.2256 1.4249
7x7 5
1.9984 1.0573
1.3015 1.4544
paralel dengan 2 prosesor
Lampiran 5 Perbandingan speedup untuk proses reduksi matriks dengan PCA
Ukuran Input Ukuran Output Grid Matriks Matriks Reduksi 2 thread
3 thread 4 thread
3x3 1
0.5468 0.4056
0.3080 3x3
3 1.0126
0.7050 0.5750
3x3 5
1.0893 0.7742
0.5934 5x5
1 1.4647
1.0720 0.9106
5x5 3
1.4066 1.0747
0.8697 5x5
5 1.3853
1.1335 0.9409
7x7 1
1.8014 1.4014
1.2197 7x7
3 1.7986
1.4245 1.2102
7x7 5
1.8187 1.4531
1.3312
paralel dengan 2 prosesor
Lampiran 6 Perbandingan speedup untuk proses regresi linear
Ukuran Input Matriks reduksi
2 thread 3 thread
4 thread
1 0.4504
0.3010 0.2461
3 0.5273
0.3584 0.2903
5 0.5714
0.4174 0.3273
paralel dengan 2 prosesor
Lampiran 7 Perbandingan speedup untuk proses rekonstruksi
Ukuran Input Matriks reduksi
2 thread 3 thread
4 thread
1 0.3714
0.2471 0.2099
3 0.4245
0.2883 0.2522
5 0.4375
0.3267 0.2692
paralel dengan 2 prosesor
Lampiran 8 Perbandingan speedup untuk gabungan ketiga proses
Ukuran Input Ukuran Output Grid Matriks Matriks Reduksi 2 thread
3 thread 4 thread
3x3 1
0.6875 0.5126
0.4000 3x3
3 1.3147
0.9902 0.8540
3x3 5
1.3777 1.0668
0.9290 5x5
1 1.4886
1.1364 0.9911
5x5 3
1.5474 1.2575
1.0171 5x5
5 1.6415
1.3602 1.1292
7x7 1
1.7811 1.4239
1.2240 7x7
3 1.7744
1.4702 1.2646
7x7 5
1.8900 1.5354
1.3740
paralel dengan 2 prosesor
Lampiran 9 Perbandingan efesiensi untuk matriks reduksi PCA
Ukuran Input Ukuran Output
Grid Matriks Matriks Reduksi
2 thread 3 thread
4 thread
3x3 1
0.2734 0.2028
0.1540 3x3
3 0.5063
0.3525 0.2875
3x3 5
0.5446 0.3871
0.2967 5x5
1 0.7323
0.5360 0.4553
5x5 3
0.7033 0.5374
0.4349 5x5
5 0.6926
0.5668 0.4704
7x7 1
0.9007 0.7007
0.6098 7x7
3 0.8993
0.7122 0.6051
7x7 5
0.9094 0.7265
0.6656
paralel dengan 2 prosesor
Lampiran 10 Perbandingan efesiensi untuk regresi linear
Ukuran Input Matriks reduksi
2 thread 3 thread
4 thread
1 0.2252
0.1505 0.1231
3 0.2636
0.1792 0.1451
5 0.2857
0.2087 0.1636
paralel dengan 2 prosesor
Lampiran 11 Perbandingan efesiensi untuk proses rekonstruksi
Ukuran Input Matriks reduksi
2 thread 3 thread
4 thread
1 0.1857
0.1235 0.1049
3 0.2122
0.1441 0.1261
5 0.2187
0.1633 0.1346
paralel dengan 2 prosesor
Lampiran 12 Perbandingan efesiensi untuk gabungan ketiga proses
Ukuran Input Ukuran Output
Grid Matriks Matriks Reduksi
2 thread 3 thread
4 thread
3x3 1
0.3437 0.2563
0.2000 3x3
3 0.6573
0.4951 0.4270
3x3 5
0.6888 0.5334
0.4645 5x5
1 0.7443
0.5682 0.4956
5x5 3
0.7737 0.6287
0.5086 5x5
5 0.8207
0.6801 0.5646
7x7 1
0.8905 0.7119
0.6120 7x7
3 0.8872
0.7351 0.6323
7x7 5
0.9450 0.7677
0.6870
paralel dengan 2 prosesor
Lampiran 13 Perbandingan overhead untuk matriks reduksi PCA
Ukuran Input Ukuran Output
Grid Matriks Matriks Reduksi
2 thread 3 thread
4 thread
3x3 1
0.6550 0.9689
1.3542 3x3
3 0.4518
0.8511 1.1483
3x3 5
0.4252 0.8052
1.2055 5x5
1 0.2908
0.6887 0.9519
5x5 3
0.3422 0.6984
1.0542 5x5
5 0.3787
0.6523 0.9606
7x7 1
0.1360 0.5271
0.7895 7x7
3 0.1413
0.5099 0.8236
7x7 5
0.1295 0.4891
0.6529
paralel dengan 2 prosesor
Lampiran 14 Perbandingan overhead untuk regresi linear
Ukuran Input Matriks reduksi
2 thread 3 thread
4 thread
1 0.6684
1.0967 1.3843
3 0.6601
1.0824 1.3920
5 0.6847
1.0384 1.3997
paralel dengan 2 prosesor
Lampiran 15 Perbandingan overhead untuk proses rekonstruksi
Ukuran Input Matriks reduksi
2 thread 3 thread
4 thread
1 0.6928
1.1210 1.3477
3 0.7286
1.1654 1.3603
5 0.8182
1.1734 1.4731
paralel dengan 2 prosesor
Lampiran 16 Perbandingan overhead untuk gabungan ketiga proses
Ukuran Input Ukuran Output
Grid Matriks Matriks Reduksi
2 thread 3 thread
4 thread
3x3 1
0.8548 1.2993
1.7909 3x3
3 0.5188
1.0151 1.3356
3x3 5
0.5285 1.0234
1.3488 5x5
1 0.4078
0.9022 1.2084
5x5 3
0.3960 0.7996
1.3084 5x5
5 0.3343
0.7198 1.1802
7x7 1
0.2002 0.6590
1.0325 7x7
3 0.2291
0.6493 1.0479
7x7 5
0.1163 0.6047
0.9104
paralel dengan 2 prosesor
Lampiran 17 Perbandingan nilai R
2
dari pengujian k-fold cross validation untuk grid matriks 3x3 menjadi 1
k-fold minimum
maksimum rata-rata
s tandar de viasi 1
0.5199 0.8433
0.6715 0.0797
2 0.4610
0.6897 0.5891
0.0620
3
0.6963 0.8816
0.8078 0.0466
4 0.5252
0.8031 0.6730
0.0711
5
0.4666 0.8712
0.7030 0.1351
6 0.2205
0.6508 0.4763
0.1393
7 0.6319
0.8690 0.7721
0.0633
8
0.7126 0.8821
0.8017 0.0408
nilai R
2
Lampiran 18 Perbandingan nilai R
2
dari pengujian k-fold cross validation untuk grid matriks 3x3 menjadi 3
k-fold minimum
maksimum rata-rata
standar de vias i 1
0.4875 0.7615
0.6590 0.0783
2 0.4700
0.6939 0.5928
0.0567
3 0.6999
0.8854 0.8151
0.0448
4 0.5117
0.8089 0.6884
0.0843
5 0.4693
0.8805 0.7084
0.1456
6 0.1935
0.6189 0.4711
0.1309
7 0.5289
0.8592 0.7716
0.0850
8 0.6172
0.8796 0.7915
0.0647
nilai R
2
Lampiran 19 Perbandingan nilai R
2
dari pengujian k-fold cross validation untuk grid matriks 3x3 menjadi 5
k-fold minimum
maks imum rata-rata
s tandar de vias i 1
0.4705 0.7646
0.6516 0.0779
2 0.4674
0.7374 0.5888
0.0617
3
0.6927 0.8914
0.8159 0.0482
4 0.5207
0.8128 0.6861
0.0783
5 0.4472
0.8579 0.7085
0.1491
6
0.1835 0.6273
0.4673 0.1323
7 0.5520
0.8721 0.7633
0.0942
8 0.6382
0.8722 0.7878
0.0593
nilai R
2
Lampiran 20 Perbandingan nilai R
2
dari pengujian k-fold cross validation untuk grid matriks 5x5 menjadi 1
k-fold minimum
maks imum rata-rata
s tandar de vias i 1
0.5384 0.8427
0.6775 0.0736
2
0.4663 0.6956
0.5916 0.0608
3 0.4976
0.8745 0.7857
0.0851
4 0.5259
0.8040 0.6814
0.0767
5
0.4757 0.8717
0.7078 0.1315
6 0.2334
0.6592 0.4796
0.1365
7 0.5718
0.8633 0.7647
0.0705
8
0.5834 0.8807
0.7913 0.0665
nilai R
2
Lampiran 21 Perbandingan nilai R
2
dari pengujian k-fold cross validation untuk grid matriks 5x5 menjadi 3
k-fold minimum
maks imum rata-rata
s tandar de vias i 1
0.5016 0.8031
0.6668 0.0778
2 0.4595
0.6990 0.5934
0.0520
3 0.6990
0.8821 0.8102
0.0421
4
0.5249 0.8037
0.6904 0.0772
5 0.5156
0.8806 0.7247
0.1182
6 0.1926
0.6657 0.4794
0.1393
7
0.5369 0.8549
0.7666 0.0802
8 0.5834
0.8814 0.7882
0.0722
nilai R
2
Lampiran 22 Perbandingan nilai R
2
dari pengujian k-fold cross validation untuk grid matriks 5x5 menjadi 5
k-fold minimum
maksimum rata-rata
standar de vias i 1
0.4842 0.7550
0.6558 0.0769
2 0.4628
0.6726 0.5815
0.0550
3
0.7200 0.8580
0.8062 0.0391
4 0.5279
0.8205 0.6926
0.0809
5 0.4370
0.8723 0.7252
0.1236
6 0.1536
0.6784 0.4819
0.1506
7 0.5230
0.8433 0.7570
0.0938
8 0.6121
0.8692 0.7889
0.0620
nilai R
2
Lampiran 23 Perbandingan nilai R
2
dari pengujian k-fold cross validation untuk grid matriks 7x7 menjadi 1
k-fold minimum
maks imum rata-rata
s tandar de viasi 1
0.5550 0.8427
0.6829 0.0686
2
0.4718 0.7081
0.5954 0.0605
3 0.7001
0.8815 0.8087
0.0454
4 0.5290
0.8066 0.6842
0.0762
5
0.4899 0.8733
0.7154 0.1273
6 0.2408
0.6649 0.4841
0.1326
7 0.6148
0.8583 0.7665
0.0645
8
0.7253 0.8788
0.8029 0.0388
nilai R
2
Lampiran 24 Perbandingan nilai R
2
dari pengujian k-fold cross validation untuk grid matriks 7x7 menjadi 3
k-fold minimum
maksimum rata-rata
standar de vias i 1
0.5164 0.7659
0.6587 0.0681
2 0.4544
0.7004 0.5894
0.0598
3 0.6976
0.8818 0.8108
0.0426
4
0.5349 0.7957
0.6922 0.0737
5 0.5206
0.8756 0.7330
0.1248
6 0.2408
0.6667 0.4842
0.1327
7
0.6507 0.8500
0.7729 0.0613
8 0.7708
0.8778 0.8089
0.0289
nilai R
2
Lampiran 25 Perbandingan nilai R
2
dari pengujian k-fold cross validation untuk grid matriks 7x7 menjadi 5
k-fold minimum
maks imum rata-rata
s tandar de vias i 1
0.5286 0.7665
0.6531 0.0667
2 0.4579
0.6741 0.5854
0.0617
3
0.7039 0.8838
0.8065 0.0422
4 0.5427
0.7958 0.6881
0.0781
5 0.5213
0.8704 0.7415
0.1077
6 0.1804
0.6528 0.4697
0.1417
7 0.4458
0.8488 0.7466
0.1077
8 0.7702
0.8502 0.8087
0.0239
nilai R
2
ABSTRACT
FAVORISEN R. LUMBANRAJA. Development of Parallel Programming Models on the Calibration of RegCM3 Data for Reconstruction of Rainfall Data
Case Study: Rainfall of Indramayu District. Under direction of AGUS BUONO chair, HENDRA RAHMAWAN member.
In the field of climatology with the long-term period, the Regional Climate Mode version 3 RegCM3 is a model of spatially oriented and able to produce regional-
scale information that can be used to forecast rainfall. However, the data RegCM3 is a model of mathematics and physics and not based on real observations.
Therefore, it is necessary to calibrate the model RegCM3 based observation points to reconstruct the rainfall data. Because of the large number of RegCM3 and
observation points, the process requires a large number of resources for computing and computational time also. Therefore we need a technique to
reduce computational time. One way to solve this problem is to use parallel programming. The purpose of this study is to develop a system to reconstruct the
rainfall rainfall forecasting using data RegCM3 based observation points using parallel programming approach to accelerate the process of computing. The scope
of research is the rainfall data from Java and rainfall observation data Indramayu to observe the performance of accuracy and computation time are done
in parallel. The highest accuracy performed by the system is 89.14. The overall system using parallel programming is faster than serial program for large-sized
data. This is showed by the value of speedup which is above 1.
Keywords: Rainfall,RegCM3, PCA, Linear Regression, Parallel Programming
1 PENDAHULUAN