Graphics Card Utilization as a Computing Tool in Information Retrieval Vector Space Model.
ABSTRACT
IGNATIUS EDO PUTRA YANUAR. Graphics Card Utilization as a Computing Tool in
Information Retrieval Vector Space Model. Supervised by JULIO ADISANTOSO and ENDANG
PURNAMA GIRI.
In recent years, the ability of the graphics card or GPU increase dramatically. This condition
allows the GPU to do other than computing or graphics processing is known as the General
Purpose GPU (GPGPU). With hundreds to thousands of processors inside GPU, hardware is
expected to improve the performance of most applications. Unluckly, the price to be able to
implement GPU GPGPU could not be reached by the majority of the community.
This research tried to emulate GPGPU on GPU with Shader Model 2.0a support which is a
standard GPU. Vector Space Model is used as a case study because it is easy to implement.
Information retrieval computation done in parallel by the CPU and GPU. Process in the GPU is
divided into three, namely: multiplication, addition, and sorting. Odd-even transition sort
algorithms used to sort the most relevant documents.
The results showed that the emulation GPGPU on GPU with Shader Model 2.0a support able
to retrieve the same results with the results retrieved by the CPU. However, this emulation can not
produce the expected performance, even the GPU requires more memory than the CPU.
Keyword: GPGPU, GPU Computing, Vector Space Model, Odd-Even Transition Sort
PEMANFAATAN KARTU GRAFIS SEBAGAI ALAT BANTU
DALAM KOMPUTASI TEMU KEMBALI INFORMASI
MODEL RUANG VEKTOR
IGNATIUS EDO PUTRA YANUAR
G64104075
DEPARTEMEN ILMU KOMPUTER
FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM
INSTITUT PERTANIAN BOGOR
BOGOR
2009
PEMANFAATAN KARTU GRAFIS SEBAGAI ALAT BANTU
DALAM KOMPUTASI TEMU KEMBALI INFORMASI
MODEL RUANG VEKTOR
IGNATIUS EDO PUTRA YANUAR
G64104075
DEPARTEMEN ILMU KOMPUTER
FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM
INSTITUT PERTANIAN BOGOR
BOGOR
2009
PEMANFAATAN KARTU GRAFIS SEBAGAI ALAT BANTU
DALAM KOMPUTASI TEMU KEMBALI INFORMASI
MODEL RUANG VEKTOR
Skripsi
Sebagai salah satu syarat untuk memperoleh gelar Sarjana Komputer
pada Fakultas Matematika dan Ilmu Pengetahuan Alam
Institut Pertanian Bogor
IGNATIUS EDO PUTRA YANUAR
G64104075
DEPARTEMEN ILMU KOMPUTER
FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM
INSTITUT PERTANIAN BOGOR
BOGOR
2009
ABSTRACT
IGNATIUS EDO PUTRA YANUAR. Graphics Card Utilization as a Computing Tool in
Information Retrieval Vector Space Model. Supervised by JULIO ADISANTOSO and ENDANG
PURNAMA GIRI.
In recent years, the ability of the graphics card or GPU increase dramatically. This condition
allows the GPU to do other than computing or graphics processing is known as the General
Purpose GPU (GPGPU). With hundreds to thousands of processors inside GPU, hardware is
expected to improve the performance of most applications. Unluckly, the price to be able to
implement GPU GPGPU could not be reached by the majority of the community.
This research tried to emulate GPGPU on GPU with Shader Model 2.0a support which is a
standard GPU. Vector Space Model is used as a case study because it is easy to implement.
Information retrieval computation done in parallel by the CPU and GPU. Process in the GPU is
divided into three, namely: multiplication, addition, and sorting. Odd-even transition sort
algorithms used to sort the most relevant documents.
The results showed that the emulation GPGPU on GPU with Shader Model 2.0a support able
to retrieve the same results with the results retrieved by the CPU. However, this emulation can not
produce the expected performance, even the GPU requires more memory than the CPU.
Keyword: GPGPU, GPU Computing, Vector Space Model, Odd-Even Transition Sort
Judul
Nama
NRP
: Pemanfaatan Kartu Grafis sebagai Alat Bantu dalam Komputasi Temu Kembali
Informasi Model Ruang Vektor
: Ignatius Edo Putra Yanuar
: G64104075
Menyetujui:
Pembimbing I,
Pembimbing II,
Ir. Julio Adisantoso, M.Kom.
NIP 196207141986011002
Endang Purnama Giri, S.Kom, M.Kom.
NIP 198210102006041027
Mengetahui:
Dekan Fakultas Matematika dan Ilmu Pengetahuan Alam
Institut Pertanian Bogor
Dr. drh. Hasim, DEA
NIP 196103281986011002
Tanggal Lulus :
RIWAYAT HIDUP
Penulis dilahirkan di Malang pada tanggal 7 Januari 1987 dari pasangan Timoteus Marwoto
dan Anna Eka Herminayu. Penulis merupakan anak kedua dari dua bersaudara.
Pada tahun 1998, penulis lulus dari SDK Cor Jesu Malang, lalu pada tahun yang sama
melanjutkan pendidikan di SLTPK Cor Jesu Malang. Pada tahun 2001, penulis lulus dari SLTPK
dan melanjutkan sekolah di SMUK St. Albertus Malang hingga tahun 2004. Pada tahun yang sama
lulus seleksi masuk IPB melalui jalur Prestasi Internasional dan Nasional IPB. Penulis memilih
Program Studi Ilmu Komputer, Fakultas Matematika dan Ilmu Pengetahuan Alam. Pada akhir
masa perkuliahan, penulis melaksanakan kerja praktek di Matahari Studios selama dua bulan dari
tanggal 21 Juli 2008 sampai dengan 9 September 2008. Kegiatan utama dalam rangka kerja
praktek tersebut adalah pengembangan game.
ii
PRAKATA
Puji syukur kepada Tuhan Yang Maha Esa atas berkat dan karunia-Nya sehingga penulis
dapat menyelesaikan tugas akhir yang berjudul Pemanfaatan Kartu Grafis sebagai Alat Bantu
dalam Komputasi Temu Kembali Informasi Model Ruang Vektor. Tugas akhir ini merupakan
salah satu syarat untuk menyelesaikan jenjang pendidikan Strata Satu Program Studi Ilmu
Komputer di Institut Pertanian Bogor.
Penulis mengucapkan terima kasih kepada papa, mama, dan kakak tercinta atas doa, kasih dan
dukungan yang selalu diberikan. Penulis juga mengucapkan terima kasih kepada Bapak Ir. Julio
Adisantoso, M.Kom. dan Bapak Endang Purnama Giri, S.Kom., M.Kom. selaku pembimbing
yang telah membimbing penulis dalam menyelesaikan tugas akhir. Penulis juga mengucapkan
terima kasih kepada Bapak Ahmad Ridha, S.Kom, M.S., yang bersedia menjadi penguji pada tugas
akhir penulis.
Penyelesaian karya ilmiah ini tidak lepas dari bantuan beberapa pihak, oleh karena itu penulis
mengucapkan terima kasih kepada Hani, Yohan, dan William, atas bantuannya dalam penulisan
karya ilmiah ini, David, Nanao, Dodo, Ayu, Maul, Indri, dan Popi atas kebersamaannya salama
ini, teman-teman Ilkomerz’41 dan Ilkomerz’42 atas semangat yang diberikan, Martin, Afris, Jefry,
Mada, Sandro, Sammy, dan teman-teman satu kos lainnya serta semua pihak lain yang telah
membantu penulis dan tidak dapat disebutkan satu persatu.
Akhir kata, semoga penelitian ini dapat bermanfaat.
Bogor, Agustus 2009
Ignatius Edo Putra Yanuar
DAFTAR ISI
Halaman
DAFTAR GAMBAR .............................................................................................................. vi
DAFTAR LAMPIRAN ........................................................................................................... vi
PENDAHULUAN
Latar Belakang .................................................................................................................. 1
Tujuan ................................................................................................................................ 1
Ruang Lingkup .................................................................................................................. 1
TINJAUAN PUSTAKA
Arsitektur CPU dan GPU .................................................................................................. 1
Tekstur ............................................................................................................................... 2
Tokenisasi .......................................................................................................................... 2
Vector Space Model ........................................................................................................... 2
METODE PENELITIAN
CPU Processing ................................................................................................................ 3
GPU Processing ................................................................................................................ 3
Lingkungan Pengembangan .............................................................................................. 3
HASIL DAN PEMBAHASAN
Deskripsi Dokumen Uji ..................................................................................................... 3
Algoritme yang Digunakan ............................................................................................... 3
Penggunaan Memori .......................................................................................................... 5
Kecepatan Proses ............................................................................................................... 5
Proporsi Optimal antara CPU dan GPU ............................................................................ 6
KESIMPULAN DAN SARAN
Kesimpulan ........................................................................................................................ 7
Saran .................................................................................................................................. 7
DAFTAR PUSTAKA .............................................................................................................. 7
LAMPIRAN ............................................................................................................................. 8
v
DAFTAR GAMBAR
Halaman
1 Operasi floating-point untuk CPU dan GPU.……….................................................................... 1
2 Memory bandwidth untuk CPU dan GPU...................................................................................... 1
3 Pembagian transistor di CPU......................................................................................................... 2
4 Pembagian transistor di GPU...........................................................................................……….. 2
5 Proses temu kembali informasi ……………..………………………………..……….………… 3
6 Scoring pada GPU …………………………………………………………….….…….………. 4
7 Algoritme odd-even transition sort……………………..………………..……………...…….… 4
8 Grafik Perbandingan Rata-rata Waktu Proses antara CPU dan GPU …….……………...…….…6
DAFTAR LAMPIRAN
Halaman
1 Hasil Pengujian Kecepatan untuk GPU ……………………………..............................................9
2 Hasil Pengujian Kecepatan untuk CPU …………………………...………………….….... ..……9
3 Grafik Perbandingan Waktu Proses antara CPU dan GPU ………………………..…………… 10
4 Hasil Percobaan dengan Menggunakan GPU Hanya untuk Perkalian……………………..…… 11
5 Hasil Percobaan Penentuan Proporsi Optimal Dokuman antara CPU dan GPU……….………..11
6 Grafik Percobaan Penentuan Proporsi Optimal Dokuman antara CPU dan GPU..…….…..……11
7 Tampilan antar Muka Program hanya dengan Menggunakan CPU……………..…….…..…… 12
8 Tampilan antar Muka Program hanya dengan Menggunakan GPU..…….………………..…… 12
vi
PENDAHULUAN
Latar Belakang
Graphical Processing Unit (GPU) modern
dapat ditemukan hampir di setiap komputer.
Dalam beberapa tahun terakhir, kemampuan
GPU meningkat drastis. Sayangnya, potensi
yang tersimpan di dalam GPU tidak
digunakan secara optimal pada sebagian besar
aplikasi. Umumnya GPU hanya digunakan
untuk aplikasi yang membutuhkan komputasi
grafis yang tinggi, seperti perangkat lunak
Computer Aided Design (CAD) dan games.
GPU computing, atau disebut juga
General Purpose GPU (GPGPU), merupakan
konsep
pemrograman
paralel
yang
menggunakan GPU sebagai media komputasi
untuk memroses komputasi yang umumnya
dikerjakan
oleh
CPU.
Konsep
ini
menghasilkan kecepatan proses yang jauh
lebih baik dibanding kecepatan CPU untuk
kasus-kasus tertentu. Keunggulan ini tidak
berarti GPU dapat menggantikan CPU,
namum justru membantu CPU lebih spesifik
menangani
permasalahan
logika
dan
memberikan permasalahan komputasi pada
GPU.
Vector Space Model (VSM), sebagai salah
satu model temu kembali informasi, memiliki
algoritme yang sederhana sehingga relatif
mudah untuk dikembangkan dengan GPU
computing. Bantuan tenaga dari GPU
diharapkan dapat menambah kecepatan
eksekusi pada temu kembali informasi.
Abual-Rub (2007) melakukan penelitian
menggunakan sejumlah dokumen berisi
rangkaian protein. Abual-Rub membuktikan
bahwa VSM mampu menemu-kembalikan
dokumen relevan dengan hasil yang baik.
Govindaraju (2004) melakukan penelitian
mengenai operasi database menggunakan
GPU sebagai media komputasi. Govindaraju
membuktikan bahwa komputasi pada GPU
sepuluh kali lebih cepat dibanding komputasi
CPU dalam SQL query sederhana. Oleh
karena itu, pada penelitian ini digunakan GPU
untuk temu kembali informasi menggunakan
model VSM.
Ruang Lingkup
GPGPU idealnya membutuhkan kartu
grafis yang mendukung Shader Model 4.0
yang harganya belum dapat dijangkau
sebagian besar masyarakat. Ruang lingkup
penelitian ini difokuskan pada penerapan
GPGPU pada kartu grafis yang mendukung
Shader Model 2.0a yang merupakan kartu
grafis standar.
TINJAUAN PUSTAKA
Arsitektur CPU dan GPU
GPU berevolusi menjadi sebuah manycore
processor dengan kemampuan komputasi dan
memory bandwidth yang tinggi (Gambar 1
dan 2).
Gambar 1 Operasi floating-point untuk CPU
dan GPU.
Gambar 2 Memory bandwidth untuk CPU dan
GPU.
Tujuan
Tujuan utama dari penelitian ini adalah
temu kembali informasi menggunakan
GPGPU. Selain itu juga membandingkan
kinerja GPU dengan CPU dari sisi memory
usage dan kecepatan komputasi.
Perbedaan antara CPU dan GPU ini
disebabkan karena GPU dispesialisasikan
untuk menangani komputasi secara paralel
dan oleh sebab itu dirancang agar lebih
banyak transistor yang didedikasikan untuk
1
mengolah data daripada data caching dan flow
control (Gambar 3 dan 4).
Tokenisasi
Tokenisasi adalah proses memotong
dokumen menjadi bagian-bagian kecil (token)
dengan cara membuang imbuhan dan kata
sambung yang ada. Token yang dihasilkan
merupakan kata dasar sehingga token yang
dihasilkan lebih sedikit.
Vector Space Model
Gambar 3 Pembagian transistor di CPU.
Vektor Space Model (VSM) menurut
Manning (2008) merupakan metode yang
paling populer dalam temu kembali informasi.
VSM terdiri atas tiga perhitungan, yaitu:
1.
2.
Gambar 4 Pembagian transistor di GPU.
Secara spesifik, GPU cocok untuk
mengatasi masalah yang dapat dikategorikan
sebagai data-parallel computations (program
yang sama dieksekusi pada banyak data
elemen secara paralel) dengan intensitas
aritmatika yang tinggi (rasio operasi
aritmatika dibandingkan operasi pada
memori). Oleh karena program dieksekusi
pada banyak elemen data dan mempunyai
intesitas aritmatika yang tinggi, kalkulasi
lebih baik dilakukan secara langsung daripada
disimpan di memori.
Tekstur
Data disimpan dalam GPU sebagai tekstur
yang merupakan suatu array dua dimensi dan
biasanya digunakan sebagai image dan
mempunyai kanal-kanal. Sebagai contoh,
sebuah texture RGBA mempunyai empat buah
kanal – red, green, blue, dan alpha. Data
format yang berbeda dapat digunakan di
dalam texture, seperti 8-bit bytes, 16-bit
integers, dan floating-points. Dalam GPGPU
data disimpan di tekstur menggunakan format
floating-points, sehingga suatu pixel tidak lagi
merepresentasikan suatu warna, melainkan
suatu nilai numerik. Pada GPU Shader Model
2.0a terdapat keterbatasan bahwa ukuran
texture yang digunakan harus power of two.
GPU mampu memroses tekstur dengan
dimensi 4096x4096, sehingga satu tekstur
mampu menampung lebih dari 16 juta data.
3.
Pembobotan untuk setiap kata indeks di
seluruh dokumen. Semakin sering term
tersebut muncul dalam setiap dokumen,
maka term tersebut semakin tidak
penting.
Pembobotan untuk setiap kata indeks
dalam sebuah dokumen. Semakin sering
suatu term muncul dalam sebuah
dokumen, maka term tersebut semakin
penting.
Untuk setiap kueri, vektor kueri
dibandingkan
kemiripannya
dengan
setiap vektor dokumen. Proses ini
bertujuan untuk mengurutkan setiap
dokumen berdasarkan kemiripannya
dengan kueri. Pembobotan dapat dihitung
dengan:
dengan:
= frekuensi term i dalam dokumen,
= frekuensi dokumen yang memuat
term i,
= jumlah dokumen dalam corpus.
Bobot ini kemudian akan digunakan untuk
menghitung cosine similarity dengan rumus:
.
,
∑
∑
,
,
·
,
.
,
Semakin besar nilai cosine similarity
berarti semakin relevan (Manning, 2008).
METODE PENELITIAN
Proses temu kembali informasi terdiri atas
dua tahap utama yaitu indexing dan searching.
Pada tahap indexing, dilakukan pembobotan
pada setiap term (yang telah melalui proses
tokenisasi) dalam dokumen. Tahap searching
2
dapat dipecah ke dalam tiga proses yaitu
query weighting, scoring, dan sorting. Proses
pertama, query weighting adalah pemboboton
setiap term pada query yang akan
ditemukembalikan.
Proses
selanjutnya,
scoring adalah penghitungan skor kemiripan
antara kueri dan seluruh dokumen pada
corpus. Proses terakhir, sorting adalah
pengurutan seluruh skor kemiripan kueri
dengan dokumen (hasil proses scoring),
sehingga diperoleh skor kemiripan terbesar.
Pada penelitian ini scoring dan sorting
dipartisi dan diproses secara paralel oleh CPU
dan GPU. Cara memartisinya dengan
memecah dokumen-dokumen dalam corpus,
sebagian dikerjakan oleh CPU dan sebagian
dikerjakan oleh GPU. Untuk penelitian ini,
proses dalam CPU dilakukan secara
sekuensial. Apabila digambarkan dalam suatu
bagan maka proses temu kembali informasi
pada penelitian ini terlihat seperti Gambar 5.
GPU Processing
Secara umum tahapan komputasi melalui
GPU dapat dijabarkan sebagai berikut:
1.
2.
3.
4.
5.
6.
Membuat input buffer di dalam GPU.
Membuat output buffer di dalam GPU.
Menyalin data masukan dari CPU ke
dalam input buffer.
Inisialisasi
konstanta
yang
akan
digunakan dalam kernel function.
Mengeksekusi kernel function.
Menyalin data keluaran ke CPU dari
output buffer.
Lingkungan Pengembangan
Perangkat lunak yang digunakan dalam
penelitian ini adalah sebagai berikut :
• Mircrosoft Windows
Edition 32-bit
• Microsoft DirectX 9.0c
• NVidia CG 2.0
Vista
Ultimate
Perangkat keras yang digunakan adalah
sebagai berikut :
• PC Intel Core2Duo 1.8 GHz
• RAM 2 GB
• VGA GeForce 7600GT 256 MB
HASIL DAN PEMBAHASAN
Deskripsi Dokumen Uji
Gambar 5 Proses temu kembali informasi.
CPU Processing
Scoring dirumuskan sebagai berikut :
score (d) = ∑
·
.
Apabila d adalah dokumen, t adalah term, n
adalah jumlah term pada dokumen, dan q
adalah kueri, maka nilai kemiripan dokumen d
terhadap kueri q (skor q-d) adalah
penjumlahan dari seluruh dot produk term
pada dokumen dan term pada kueri.
Perhitungan skor q-d pada CPU dilakukan
secara sekuensial. Sorting pada CPU
menggunakan algoritme quick sort.
Dokumen yang dilakukan untuk pengujian
menggunakan corpus IPB yang terdiri dari
1000 dokumen. Dokumen-dokumen tersebut
kemudian ditokenisasi sehingga menghasilkan
26.575 term. Term yang dihasilkan dalam
proses tokenisasi adalah term tanpa
menggunakan stoplist dan stemming. setelah
itu term-term tersebut disimpan ke dalam
bentuk file.
Algoritme yang Digunakan
Kernel function diemulasi menggunakan
pixel shader atau disebut juga fragment
shader. Kernel function mempunyai parameter
berupa indeks matriks dari output buffer.
Indeks inilah yang akan digunakan untuk
mengakses data terkait pada input buffer.
Kernel digambarkan sebagai body of
loops. Sebagai contoh jika kita ingin
menransformasi nilai di dalam matriks dua
dimensi pseudo-code-nya sebagai berikut.
3
TRANSFORM-CPU(x,y,in,out)
for x Å 0 to 10000
for y Å 0 to 10000
out[x][y] Å
do_some_work(in[x,y])
Di dalam GPU pendistribusian data terjadi
secara otomatis sehingga kita tidak perlu
memaralelkan data secara manual. Kita hanya
perlu menentukan body of loops.
pasangan indeks ganjil-genap, kemudian
dengan pasangan indeks genap-ganjil, lalu
kembali lagi dengan pasangan indeks ganjilgenap, dan begitu seterusnya, sehingga untuk
mengurutkan data membutuhkan
/2
compare and swap untuk pasangan indeks
ganjil-genap dan /2 compare and swap
untuk pasangan indeks genap-ganjil. Ilustrasi
algoritma odd-even transition sort terlihat
pada gambar 7.
TRANSFORM-GPU(x,y,in)
return do_some_work(in[x,y])
Perhitungan skor q-d pada GPU dilakukan
melalui dua tahap. Tahap pertama, GPU
melakukan operasi perkalian secara paralel,
setiap nilai bobot term dari dokumen
dikalikan dengan nilai bobot term dari kueri.
Tahap berikutnya, hasil perkalian tersebut
dijumlahkan secara paralel. Hasil keluaran
pada tahap perkalian akan digunakan sebagai
masukan pada tahap penjumlahan.
Penjumlahan dilakukan dengan cara
menjumlahkan suatu elemen dengan elemen
setelahnya. Proses yang sama diulang tetapi
menjumlahkan dengan elemen ke-2i-1
setelahnya, dengan i adalah banyaknya iterasi.
Proses ini berhenti pada iterasi ke-log .
Prosesnya terlihat pada Gambar 6. Pada
gambar tersebut, elemen yang tidak
dihitamkan tidak lagi digunakan dalam
algoritme ini karena nilai elemen tersebut
sudah tersimpan dalam elemen yang
dihitamkan.
Gambar 7 Algoritme odd-even transition
sort.
Algoritme
yang
digunakan
dalam
penelitian berbeda untuk CPU dan GPU.
Untuk CPU digunakan algoritme scoring dan
quick sort. Algoritme SCORING-CPU
digunakan untuk menghitung nilai kemiripan
antara dokumen dan kueri. Algoritme ini
menggunakan W yang merupakan bobot term
dalam suatu dokumen, n jumlah dokumen,
dan m jumlah term. Hasil dari algoritme ini
adalah Score yaitu nilai kemiripan antara
dokumen dan kueri.
SCORING-CPU (Score,W,n,m)
for i Å 1 to n
Score[i] Å 0
for j Å 1 to m
Score[i]ÅScore[i]+W[i,j]xW[q,j]
Algoritme quick sort menggunakan
std::sort dari C++ Standart Template
Library (STL). Algoritme ini digunakan untuk
mengurutkan hasil scoring pada algoritme
SCORING-CPU secara descending.
MULTIPLY-GPU(
termIndex,DocTerm,QueryTerm)
Gambar 6 Scoring pada GPU.
return DocTerm[termIndex] .
QueryTerm[termIndex]
Sorting pada GPU menggunakan algoritme
odd-even transition sort. Algoritme ini
melakukan proses compare and swap dengan
Algoritme MULTIPLY-GPU menerima
input
termIndex,
DocTerm,
dan
QueryTerm.
termIndex
merupakan
4
indeks term pada dokumen dan kueri
sedangkan DocTerm adalah matriks yang
berisi bobot term pada dokumen yang akan
diberi skor. QueryTerm adalah matriks yang
berisi bobot term pada kueri.
SUMMATION-GPU(
termIndex,iteration,DocTerm)
partner Å termIndex
+ pow(2,iteration-1)
return DocTerm[termIndex]+DocTerm[]
Algoritme SUMMATION-GPU menerima
input termIndex, iteration, dan
DocTerm. termIndex merupakan indeks
term pada dokumen dan kueri sedangkan
DocTerm adalah matriks yang berisi bobot
term pada dokumen yang akan diberi skor.
CPU memanggil fungsi SUMMATION-GPU
diiterasi mulai dari satu sampai dengan log(n)
dengan n adalah jumlah term.
SORT-GPU(
termIndex,transition,DocScore)
if docIndex mod 2 = transition
compare Å 1
else
compare Å -1
partner Å termIndex + compare
if DocScore[termIndex] . compare >
DocScore[partner] . compare
return DocScore[termIndex]
else
return DocScore[partner]
Algoritme SORT-GPU diiterasi mulai dari
satu sampai dengan jumlah dokumen yang
ada. Algoritme ini menerima input
termIndex,
transition,
dan
docScore. termIndex merupakan indeks
term pada dokumen dan kueri sedangkan
DocScore adalah matriks yang berisi skor
setiap dokumen. transition digunakan
untuk memilih model genap-ganjil atau ganjilgenap. Bila menggunakan model genap-ganjil,
maka transition bernilai 0, dan bila
menggunakan model ganjil-genap, maka
transition bernilai 1.
Penggunaan Memori
Pada penelitian ini dicobakan temu
kembali suatu kueri dari 1000 dokumen.
Setelah melalui proses tokenisasi, diperoleh
26575 term dari 1000 dokumen tersebut.
Apabila satu term membutuhkan alokasi 4
byte memori, maka pada CPU, memori yang
dibutuhkan untuk memroses 26575 term
adalah sebanyak 1000 x 26575 x 4 byte = 101
MB. Pada GPU, memori yang dibutuhkan
adalah sebanyak 1000 x 32768 x 4 = 128 MB.
Nilai 32768 berasal dari 256x128 ukuran
tekstur. Untuk dapat menampung 26575 term,
GPU tidak bisa menyediakan ruang yang tepat
sama, karena data disimpan dalam GPU
sebagai tekstur dengan dimensi 2 (power of
two). Dalam kasus ini, apabila dibandingkan
penggunaan memori pada GPU lebih besar
dari pada penggunaan memori pada CPU.
Kecepatan Proses
Seperti yang terlihat pada grafik di
Gambar 8, GPU memerlukan waktu proses
lebih banyak dibandingkan dengan CPU. Hal
ini karena keterbatasan kemampuan perangkat
keras sehingga algoritme dalam proses
penjumlahan dan pengurutan data tidak dapat
dilakukan secara maksimal. Selain itu, pustaka
yang digunakan untuk mengakses GPU tidak
dirancang untuk melakukan GPGPU, sehingga
terdapat fitur-fitur penting yang tidak dapat
digunakan. Tabel pengujian kecepatan untuk
GPU dan CPU dapat dilihat pada Lampiran 1.
5
Waktu Proses (Detik)
1.2
1
0.8
0.6
0.4
0.2
0
250
500
750
1000
Jumlah Dokumen
GPU
CPU
Gambar 8. Grafik Perbandingan Rata-rata Waktu Proses antara CPU dan GPU
Pada kondisi ideal kecepatan GPU lebih
baik daripada CPU. Hal ini terbukti pada saat
proses komputasi hanya melibatkan proses
perkalian, tanpa ada penjumlahan dan sorting,
GPU sanggup melakukan perkalian hingga
tiga kali lebih cepat dibandingkan CPU.
Untuk operasi penjumlahan dan sorting CPU
jauh mengungguli GPU. Untuk hasil
percobaannya dapat dilihat pada Tabel 1.
Tabel 1 Perbandingan Operasi Utama pada
CPU dan GPU
Perkalian
(detik)
Penjumlahan
(detik)
Sorting
(detik)
GPU
0.079993
0.968640
0.360896
CPU
0.214159
0.143024
0.002568
Hasil percobaan pada GPU untuk
penjumlahan dan sorting membutuhkan waktu
proses yang lebih lama daripada CPU. Hal ini
dikarenakan kompleksitas algoritme GPU
untuk operasi tersebut lebih besar daripada
CPU.
Kompleksitas penjumlahan pada GPU
adalah N log(N) dan kompleksitas sorting-nya
adalah N2. Meskipun sorting pada GPU
memiliki kompleksitas yang lebih tinggi dari
pada kompleksitas penjumlahan tetapi proses
sorting lebih cepat daripada penjumlahan. Hal
ini disebabkan N dalam sorting merupakan
jumlah dokumen yaitu 1000 dokumen dan N
dalam penjumlahan merupakan jumlah term
yang memiliki jumlah 26575 term dan
diiterasi sebanyak jumlah dokumen (1000
kali). Perbedaan nilai N yang jauh
menyebabkan kompleksitas pada operasi
penjumlahan menjadi lebih besar daripada
sorting.
Seperti yang terlihat pada Tabel 1, GPU
memiliki keunggulan dalam melakukan proses
perkalian sedangkan CPU unggul dalam
proses penjumlahan dan sorting. Dengan fakta
tersebut timbul ide untuk memanfaatkan
keunggulan pada CPU dan GPU. GPU unggul
dalam proses perkalian maka GPU hanya akan
melakukan proses perkalian sedangkan
operasi sisanya (penjumlahan dan sorting)
dilakukan oleh CPU.
Hasil pengujian ini dapat dilihat pada
Lampiran 4. Rata-rata waktu proses yang
dihasilkan dalam percobaan ini adalah
16.53731 detik. Percobaan ini menghasilkan
waktu proses yang lebih lama dari pengujian
pertama. Hal ini dikarenakan pada pengujian
yang pertama output dari GPU ke CPU hanya
merupakan satu buah matriks yang berisi
1.000 data berupa indeks descending. Lain
halnya dengan pengujian kedua yang
mengirimkan data dari GPU ke CPU berupa
1.000 buah matriks yang masing-masing
berisi 26.575 data yang berupa hasil perkalian
antara bobot term dokumen dengan kueri
sehingga waktu transfer yang dibutuhkan akan
jauh lebih lama.
Proporsi Optimal antara CPU dan GPU
Pada kedua pengujian sebelumnya dapat
dilihat bahwa percobaan pertama memberikan
hasil yang lebih memuaskan oleh karena itu
dilakukan pengujian ketiga yang merupakan
6
pengembangan dari pengujian pertama.
Pengujian pada tahap ini menggunakan
algoritme yang sama dengan algoritme pada
percobaan pertama. Yang membedakan adalah
cara pengujiannya.
Pada pengujian tahap ini dicari
proporsi optimal pendistribusian dokumen
pada CPU dan GPU. Hal ini dilakukan karena
adanya kemungkinan bahwa GPU masih dapat
membantu CPU dalam mempercepat proses.
Pada pengujian tahap ini diperoleh proporsi
optimal yaitu 960 dokumen untuk diproses
CPU dan sisanya yaitu 40 dokumen diproses
GPU. Proporsi ini membutuhkan waktu proses
selama 0.233671 detik untuk CPU dan
0.2244426 detik untuk GPU, sehingga waktu
proses keseluruhan menjadi 0.2244426 karena
CPU dan GPU bekerja secara paralel. Tabel
pengujian selengkapnya dapat dilihat pada
Lampiran 5.
Tampilan antar muka program dan
contoh penggunaannya dapat dilihat pada
lampiran 7. Semakin slider digeser ke arah
CPU maka semakin banyak dokumen yang
didistribusikan ke CPU. Demikian juga
sebaliknya pada lampiran 8, semakin slider
digeser ke arah GPU maka semakin banyak
dokumen yang didistribusikan ke GPU.
4.
Proporsi
optimal
didapat
dengan
mendistribusikan 960 dokumen ke CPU
dan 40 dokumen ke GPU. Proporsi ini
membutuhkan waktu proses selama
0.2336710 detik untuk CPU dan
0.2244426 detik untuk GPU.
Saran
Saran untuk penelitian selanjutnya adalah:
1.
2.
Penggunaan pustaka khusus GPGPU
seperti OpenCL. Pada saat penelitian ini
ditulis, pustaka ini masih dalam tahap
pengembangan.
Analisis perbandingan algoritme sorting
pada GPU (odd-even transition sort, oddeven merge sort, dan bitonic merge sort).
DAFTAR PUSTAKA
Abual-Rub MS, Abdullah R, Rashid NA.
2007. A Modified Vector Space Model for
Protein Retrieval. IJCSNS International
Journal of Computer Science and Network
Security, VOL.7 No 9, September 2007.
Cormen TH, Leiserson CE, Rivest RL, Stein
C. 2003. Introduction to Algorithms.
England : MIT Press.
Kesimpulan
Govindaraju NK, et al. 2004. Fast
Computation of Database Operations using
Graphics Processors. Proceedings of the
2004 ACM SIGMOD international
conference on Management of data; 2004.
New York, NY : ACM, hlm 215-256.
Dari implementasi Vector Space Model
menggunakan GPU ini, diperoleh beberapa
kesimpulan, yaitu:
Grama A, Gupta A, Karypsi G, Kumar V.
2003. Introduction to Parallel Computing.
England : Pearson Education.
1.
Manning CD, Raghavan P., Schütze H. 2008.
Introduction to Information Retrieval.
Cambridge : Cambridge University Press.
KESIMPULAN DAN SARAN
2.
3.
GPU mampu digunakan untuk temu
kembali menggunakan metode Vector
Space Model. Hasil temu kembali antara
dan GPU tepat sama. Hanya berbeda
urutan pada dokumen yang mempunyai
nilai similarity yang sama.
GPU yang digunakan pada penelitian ini
tidak mampu mengimbangi kecepatan
CPU. Hal ini disebabkan oleh
keterbatasan perangkat keras dan pustaka
yang digunakan.
GPU membutuhkan alokasi memori
dengan ukuran power of two, sehingga
tidak mampu mengalokasikan memori
yang dibutuhkan secara tepat. Hal ini
menyebabkan penggunaan memori pada
GPU lebih besar daripada CPU.
NVidia
CUDA
Programming
Guide.
http://developer.download.nvidia.com/com
pute/cuda/2_0/docs/NVIDIA_CUDA_Pro
gramming_Guide_2.0.pdf
[14 Desember 2008].
Ujaldon M, Saltz J. 2005. The GPU as an
Indirection Engine for a Fast Information
Retrieval.
http://bmi.osu.edu/resources/publications/
200507_ujaldon_gpu_indirection_IJEB.pd
f [14 Desember 2008].
7
LAMPIRAN
Lampiran 1 Hasil Pengujian Kecepatan untuk GPU dengan NVidia GeForce 7600GT 256 MB
Jumlah
Dokumen
250
500
750
1000
I
0.408731
0.629764
0.848080
1.058242
II
0.408514
0.627643
0.849722
1.059130
III
0.407703
0.627410
0.849204
1.058855
IV
0.410138
0.625872
0.846324
1.059262
V
0.408039
0.625708
0.846568
1.057303
Min
0.407703
0.625708
0.846324
1.057303
Max
0.410138
0.629764
0.849722
1.059262
Mean
0.408625
0.627279
0.847980
1.058558
Deviasi
0.000936
0.001641
0.001523
0.000804
Percobaan
Lampiran 2 Hasil Pengujian Kecepatan untuk CPU dengan Core2Duo @1,8 GHz 2 GB
Jumlah
Dokumen
250
500
750
1000
I
0.057096
0.113787
0.172135
0.229296
II
0.058416
0.122536
0.171951
0.228380
III
0.057263
0.116249
0.171371
0.228768
IV
0.057095
0.120622
0.170481
0.228040
V
0.064641
0.113423
0.171372
0.227793
Min
0.057095
0.113423
0.170481
0.227793
Max
0.064641
0.122536
0.172135
0.229296
Mean
0.058902
0.117323
0.171462
0.228455
Deviasi
0.003255
0.004090
0.000646
0.000596
Percobaan
9
Lampiran 3 Grafik Perbandingan Waktu Proses antara CPU dan GPU
1.2
Waktu Proses (detik)
1
0.8
0.6
0.4
0.2
0
250
500
750
1000
Jumlah Dokumen
Waktu Proses pada GPU
Waktu Proses pada CPU
10
Lampiran 4 Tabel Hasil Percobaan dengan Menggunakan GPU Hanya untuk Perkalian
Percobaan
Waktu Proses (Detik)
1
16.287366
2
16.421183
3
16.875864
4
16.523233
5
16.578902
Min
16.287366
Max
16.875864
Median
16.523230
Mean
16.537310
Deviasi
0.2193770
Lampiran 5 Hasil Percobaan Penentuan Proporsi Optimal Dokuman antara CPU dan GPU
Proporsi Dokumen
CPU
Rata-rata Waktu Proses
CPU
GPU
0.206467
0.235119
GPU
980
20
970
30
0.214151
0.241237
960
40
0.224443
0.233671
950
50
0.237622
0.229072
940
60
0.242955
0.226976
Lampiran 6 Grafik Percobaan Penentuan Proporsi Optimal Dokuman antara CPU dan GPU
0.25
Waktu Proses (detik)
0.24
0.23
0.22
0.21
0.2
0.19
0.18
20:980
30:970
40:960
50:950
60:940
Perbandingan jumlah dokumen (GPU : CPU)
GPU
CPU
11
Lampiran 7 Tampilan antar Muka Program hanya dengan Menggunakan CPU
Lampiran 8 Tampilan antar Muka Program hanya dengan Menggunakan GPU
12
LAMPIRAN
Lampiran 1 Hasil Pengujian Kecepatan untuk GPU dengan NVidia GeForce 7600GT 256 MB
Jumlah
Dokumen
250
500
750
1000
I
0.408731
0.629764
0.848080
1.058242
II
0.408514
0.627643
0.849722
1.059130
III
0.407703
0.627410
0.849204
1.058855
IV
0.410138
0.625872
0.846324
1.059262
V
0.408039
0.625708
0.846568
1.057303
Min
0.407703
0.625708
0.846324
1.057303
Max
0.410138
0.629764
0.849722
1.059262
Mean
0.408625
0.627279
0.847980
1.058558
Deviasi
0.000936
0.001641
0.001523
0.000804
Percobaan
Lampiran 2 Hasil Pengujian Kecepatan untuk CPU dengan Core2Duo @1,8 GHz 2 GB
Jumlah
Dokumen
250
500
750
1000
I
0.057096
0.113787
0.172135
0.229296
II
0.058416
0.122536
0.171951
0.228380
III
0.057263
0.116249
0.171371
0.228768
IV
0.057095
0.120622
0.170481
0.228040
V
0.064641
0.113423
0.171372
0.227793
Min
0.057095
0.113423
0.170481
0.227793
Max
0.064641
0.122536
0.172135
0.229296
Mean
0.058902
0.117323
0.171462
0.228455
Deviasi
0.003255
0.004090
0.000646
0.000596
Percobaan
9
Lampiran 3 Grafik Perbandingan Waktu Proses antara CPU dan GPU
1.2
Waktu Proses (detik)
1
0.8
0.6
0.4
0.2
0
250
500
750
1000
Jumlah Dokumen
Waktu Proses pada GPU
Waktu Proses pada CPU
10
Lampiran 4 Tabel Hasil Percobaan dengan Menggunakan GPU Hanya untuk Perkalian
Percobaan
Waktu Proses (Detik)
1
16.287366
2
16.421183
3
16.875864
4
16.523233
5
16.578902
Min
16.287366
Max
16.875864
Median
16.523230
Mean
16.537310
Deviasi
0.2193770
Lampiran 5 Hasil Percobaan Penentuan Proporsi Optimal Dokuman antara CPU dan GPU
Proporsi Dokumen
CPU
Rata-rata Waktu Proses
CPU
GPU
0.206467
0.235119
GPU
980
20
970
30
0.214151
0.241237
960
40
0.224443
0.233671
950
50
0.237622
0.229072
940
60
0.242955
0.226976
Lampiran 6 Grafik Percobaan Penentuan Proporsi Optimal Dokuman antara CPU dan GPU
0.25
Waktu Proses (detik)
0.24
0.23
0.22
0.21
0.2
0.19
0.18
20:980
30:970
40:960
50:950
60:940
Perbandingan jumlah dokumen (GPU : CPU)
GPU
CPU
11
Lampiran 7 Tampilan antar Muka Program hanya dengan Menggunakan CPU
Lampiran 8 Tampilan antar Muka Program hanya dengan Menggunakan GPU
12
PENDAHULUAN
Latar Belakang
Graphical Processing Unit (GPU) modern
dapat ditemukan hampir di setiap komputer.
Dalam beberapa tahun terakhir, kemampuan
GPU meningkat drastis. Sayangnya, potensi
yang tersimpan di dalam GPU tidak
digunakan secara optimal pada sebagian besar
aplikasi. Umumnya GPU hanya digunakan
untuk aplikasi yang membutuhkan komputasi
grafis yang tinggi, seperti perangkat lunak
Computer Aided Design (CAD) dan games.
GPU computing, atau disebut juga
General Purpose GPU (GPGPU), merupakan
konsep
pemrograman
paralel
yang
menggunakan GPU sebagai media komputasi
untuk memroses komputasi yang umumnya
dikerjakan
oleh
CPU.
Konsep
ini
menghasilkan kecepatan proses yang jauh
lebih baik dibanding kecepatan CPU untuk
kasus-kasus tertentu. Keunggulan ini tidak
berarti GPU dapat menggantikan CPU,
namum justru membantu CPU lebih spesifik
menangani
permasalahan
logika
dan
memberikan permasalahan komputasi pada
GPU.
Vector Space Model (VSM), sebagai salah
satu model temu kembali informasi, memiliki
algoritme yang sederhana sehingga relatif
mudah untuk dikembangkan dengan GPU
computing. Bantuan tenaga dari GPU
diharapkan dapat menambah kecepatan
eksekusi pada temu kembali informasi.
Abual-Rub (2007) melakukan penelitian
menggunakan sejumlah dokumen berisi
rangkaian protein. Abual-Rub membuktikan
bahwa VSM mampu menemu-kembalikan
dokumen relevan dengan hasil yang baik.
Govindaraju (2004) melakukan penelitian
mengenai operasi database menggunakan
GPU sebagai media komputasi. Govindaraju
membuktikan bahwa komputasi pada GPU
sepuluh kali lebih cepat dibanding komputasi
CPU dalam SQL query sederhana. Oleh
karena itu, pada penelitian ini digunakan GPU
untuk temu kembali informasi menggunakan
model VSM.
Ruang Lingkup
GPGPU idealnya membutuhkan kartu
grafis yang mendukung Shader Model 4.0
yang harganya belum dapat dijangkau
sebagian besar masyarakat. Ruang lingkup
penelitian ini difokuskan pada penerapan
GPGPU pada kartu grafis yang mendukung
Shader Model 2.0a yang merupakan kartu
grafis standar.
TINJAUAN PUSTAKA
Arsitektur CPU dan GPU
GPU berevolusi menjadi sebuah manycore
processor dengan kemampuan komputasi dan
memory bandwidth yang tinggi (Gambar 1
dan 2).
Gambar 1 Operasi floating-point untuk CPU
dan GPU.
Gambar 2 Memory bandwidth untuk CPU dan
GPU.
Tujuan
Tujuan utama dari penelitian ini adalah
temu kembali informasi menggunakan
GPGPU. Selain itu juga membandingkan
kinerja GPU dengan CPU dari sisi memory
usage dan kecepatan komputasi.
Perbedaan antara CPU dan GPU ini
disebabkan karena GPU dispesialisasikan
untuk menangani komputasi secara paralel
dan oleh sebab itu dirancang agar lebih
banyak transistor yang didedikasikan untuk
1
PENDAHULUAN
Latar Belakang
Graphical Processing Unit (GPU) modern
dapat ditemukan hampir di setiap komputer.
Dalam beberapa tahun terakhir, kemampuan
GPU meningkat drastis. Sayangnya, potensi
yang tersimpan di dalam GPU tidak
digunakan secara optimal pada sebagian besar
aplikasi. Umumnya GPU hanya digunakan
untuk aplikasi yang membutuhkan komputasi
grafis yang tinggi, seperti perangkat lunak
Computer Aided Design (CAD) dan games.
GPU computing, atau disebut juga
General Purpose GPU (GPGPU), merupakan
konsep
pemrograman
paralel
yang
menggunakan GPU sebagai media komputasi
untuk memroses komputasi yang umumnya
dikerjakan
oleh
CPU.
Konsep
ini
menghasilkan kecepatan proses yang jauh
lebih baik dibanding kecepatan CPU untuk
kasus-kasus tertentu. Keunggulan ini tidak
berarti GPU dapat menggantikan CPU,
namum justru membantu CPU lebih spesifik
menangani
permasalahan
logika
dan
memberikan permasalahan komputasi pada
GPU.
Vector Space Model (VSM), sebagai salah
satu model temu kembali informasi, memiliki
algoritme yang sederhana sehingga relatif
mudah untuk dikembangkan dengan GPU
computing. Bantuan tenaga dari GPU
diharapkan dapat menambah kecepatan
eksekusi pada temu kembali informasi.
Abual-Rub (2007) melakukan penelitian
menggunakan sejumlah dokumen berisi
rangkaian protein. Abual-Rub membuktikan
bahwa VSM mampu menemu-kembalikan
dokumen relevan dengan hasil yang baik.
Govindaraju (2004) melakukan penelitian
mengenai operasi database menggunakan
GPU sebagai media komputasi. Govindaraju
membuktikan bahwa komputasi pada GPU
sepuluh kali lebih cepat dibanding komputasi
CPU dalam SQL query sederhana. Oleh
karena itu, pada penelitian ini digunakan GPU
untuk temu kembali informasi menggunakan
model VSM.
Ruang Lingkup
GPGPU idealnya membutuhkan kartu
grafis yang mendukung Shader Model 4.0
yang harganya belum dapat dijangkau
sebagian besar masyarakat. Ruang lingkup
penelitian ini difokuskan pada penerapan
GPGPU pada kartu grafis yang mendukung
Shader Model 2.0a yang merupakan kartu
grafis standar.
TINJAUAN PUSTAKA
Arsitektur CPU dan GPU
GPU berevolusi menjadi sebuah manycore
processor dengan kemampuan komputasi dan
memory bandwidth yang tinggi (Gambar 1
dan 2).
Gambar 1 Operasi floating-point untuk CPU
dan GPU.
Gambar 2 Memory bandwidth untuk CPU dan
GPU.
Tujuan
Tujuan utama dari penelitian ini adalah
temu kembali informasi menggunakan
GPGPU. Selain itu juga membandingkan
kinerja GPU dengan CPU dari sisi memory
usage dan kecepatan komputasi.
Perbedaan antara CPU dan GPU ini
disebabkan karena GPU dispesialisasikan
untuk menangani komputasi secara paralel
dan oleh sebab itu dirancang agar lebih
banyak transistor yang didedikasikan untuk
1
mengolah data daripada data caching dan flow
control (Gambar 3 dan 4).
Tokenisasi
Tokenisasi adalah proses memotong
dokumen menjadi bagian-bagian kecil (token)
dengan cara membuang imbuhan dan kata
sambung yang ada. Token yang dihasilkan
merupakan kata dasar sehingga token yang
dihasilkan lebih sedikit.
Vector Space Model
Gambar 3 Pembagian transistor di CPU.
Vektor Space Model (VSM) menurut
Manning (2008) merupakan metode yang
paling populer dalam temu kembali informasi.
VSM terdiri atas tiga perhitungan, yaitu:
1.
2.
Gambar 4 Pembagian transistor di GPU.
Secara spesifik, GPU cocok untuk
mengatasi masalah yang dapat dikategorikan
sebagai data-parallel computations (program
yang sama dieksekusi pada banyak data
elemen secara paralel) dengan intensitas
aritmatika yang tinggi (rasio operasi
aritmatika dibandingkan operasi pada
memori). Oleh karena program dieksekusi
pada banyak elemen data dan mempunyai
intesitas aritmatika yang tinggi, kalkulasi
lebih baik dilakukan secara langsung daripada
disimpan di memori.
Tekstur
Data disimpan dalam GPU sebagai tekstur
yang merupakan suatu array dua dimensi dan
biasanya digunakan sebagai image dan
mempunyai kanal-kanal. Sebagai contoh,
sebuah texture RGBA mempunyai empat buah
kanal – red, green, blue, dan alpha. Data
format yang berbeda dapat digunakan di
dalam texture, seperti 8-bit bytes, 16-bit
integers, dan floating-points. Dalam GPGPU
data disimpan di tekstur menggunakan format
floating-points, sehingga suatu pixel tidak lagi
merepresentasikan suatu warna, melainkan
suatu nilai numerik. Pada GPU Shader Model
2.0a terdapat keterbatasan bahwa ukuran
texture yang digunakan harus power of two.
GPU mampu memroses tekstur dengan
dimensi 4096x4096, sehingga satu tekstur
mampu menampung lebih dari 16 juta data.
3.
Pembobotan untuk setiap kata indeks di
seluruh dokumen. Semakin sering term
tersebut muncul dalam setiap dokumen,
maka term tersebut semakin tidak
penting.
Pembobotan untuk setiap kata indeks
dalam sebuah dokumen. Semakin sering
suatu term muncul dalam sebuah
dokumen, maka term tersebut semakin
penting.
Untuk setiap kueri, vektor kueri
dibandingkan
kemiripannya
dengan
setiap vektor dokumen. Proses ini
bertujuan untuk mengurutkan setiap
dokumen berdasarkan kemiripannya
dengan kueri. Pembobotan dapat dihitung
dengan:
dengan:
= frekuensi term i dalam dokumen,
= frekuensi dokumen yang memuat
term i,
= jumlah dokumen dalam corpus.
Bobot ini kemudian akan digunakan untuk
menghitung cosine similarity dengan rumus:
.
,
∑
∑
,
,
·
,
.
,
Semakin besar nilai cosine similarity
berarti semakin relevan (Manning, 2008).
METODE PENELITIAN
Proses temu kembali informasi terdiri atas
dua tahap utama yaitu indexing dan searching.
Pada tahap indexing, dilakukan pembobotan
pada setiap term (yang telah melalui proses
tokenisasi) dalam dokumen. Tahap searching
2
mengolah data daripada data caching dan flow
control (Gambar 3 dan 4).
Tokenisasi
Tokenisasi adalah proses memotong
dokumen menjadi bagian-bagian kecil (token)
dengan cara membuang imbuhan dan kata
sambung yang ada. Token yang dihasilkan
merupakan kata dasar sehingga token yang
dihasilkan lebih sedikit.
Vector Space Model
Gambar 3 Pembagian transistor di CPU.
Vektor Space Model (VSM) menurut
Manning (2008) merupakan metode yang
paling populer dalam temu kembali informasi.
VSM terdiri atas tiga perhitungan, yaitu:
1.
2.
Gambar 4 Pembagian transistor di GPU.
Secara spesifik, GPU cocok untuk
mengatasi masalah yang dapat dikategorikan
sebagai data-parallel computations (program
yang sama dieksekusi pada banyak data
elemen secara paralel) dengan intensitas
aritmatika yang tinggi (rasio operasi
aritmatika dibandingkan operasi pada
memori). Oleh karena program dieksekusi
pada banyak elemen data dan mempunyai
intesitas aritmatika yang tinggi, kalkulasi
lebih baik dilakukan secara langsung daripada
disimpan di memori.
Tekstur
Data disimpan dalam GPU sebagai tekstur
yang merupakan suatu array dua dimensi dan
biasanya digunakan sebagai image dan
mempunyai kanal-kanal. Sebagai contoh,
sebuah texture RGBA mempunyai empat buah
kanal – red, green, blue, dan alpha. Data
format yang berbeda dapat digunakan di
dalam texture, seperti 8-bit bytes, 16-bit
integers, dan floating-points. Dalam GPGPU
data disimpan di tekstur menggunakan format
floating-points, sehingga suatu pixel tidak lagi
merepresentasikan suatu warna, melainkan
suatu nilai numerik. Pada GPU Shader Model
2.0a terdapat keterbatasan bahwa ukuran
texture yang digunakan harus power of two.
GPU mampu memroses tekstur dengan
dimensi 4096x4096, sehingga satu tekstur
mampu menampung lebih dari 16 juta data.
3.
Pembobotan untuk setiap kata indeks di
seluruh dokumen. Semakin sering term
tersebut muncul dalam setiap dokumen,
maka term tersebut semakin tidak
penting.
Pembobotan untuk setiap kata indeks
dalam sebuah dokumen. Semakin sering
suatu term muncul dalam sebuah
dokumen, maka term tersebut semakin
penting.
Untuk setiap kueri, vektor kueri
dibandingkan
kemiripannya
dengan
setiap vektor dokumen. Proses ini
bertujuan untuk mengurutkan setiap
dokumen berdasarkan kemiripannya
dengan kueri. Pembobotan dapat dihitung
dengan:
dengan:
= frekuensi term i dalam dokumen,
= frekuensi dokumen yang memuat
term i,
= jumlah dokumen dalam corpus.
Bobot ini kemudian akan digunakan untuk
menghitung cosine similarity dengan rumus:
.
,
∑
∑
,
,
·
,
.
,
Semakin besar nilai cosine similarity
berarti semakin relevan (Manning, 2008).
METODE PENELITIAN
Proses temu kembali informasi terdiri atas
dua tahap utama yaitu indexing dan searching.
Pada tahap indexing, dilakukan pembobotan
pada setiap term (yang telah melalui proses
tokenisasi) dalam dokumen. Tahap searching
2
dapat dipecah ke dalam tiga proses yaitu
query weighting, scoring, dan sorting. Proses
pertama, query weighting adalah pemboboton
setiap term pada query yang akan
ditemukembalikan.
Proses
selanjutnya,
scoring adalah penghitungan skor kemiripan
antara kueri dan seluruh dokumen pada
corpus. Proses terakhir, sorting adalah
pengurutan seluruh skor kemiripan kueri
dengan dokumen (hasil proses scoring),
sehingga diperoleh skor kemiripan terbesar.
Pada penelitian ini scoring dan sorting
dipartisi dan diproses secara paralel oleh CPU
dan GPU. Cara memartisinya dengan
memecah dokumen-dokumen dalam corpus,
sebagian dikerjakan oleh CPU dan sebagian
dikerjakan oleh GPU. Untuk penelitian ini,
proses dalam CPU dilakukan secara
sekuensial. Apabila digambarkan dalam suatu
bagan maka proses temu kembali informasi
pada penelitian ini terlihat seperti Gambar 5.
GPU Processing
Secara umum tahapan komputasi melalui
GPU dapat dijabarkan sebagai berikut:
1.
2.
3.
4.
5.
6.
Membuat input buffer di dalam GPU.
Membuat output buffer di dalam GPU.
Menyalin data masukan dari CPU ke
dalam input buffer.
Inisialisasi
konstanta
yang
akan
digunakan dalam kernel function.
Mengeksekusi kernel function.
Menyalin data keluaran ke CPU dari
output buffer.
Lingkungan Pengembangan
Perangkat lunak yang digunakan dalam
penelitian ini adalah sebagai berikut :
• Mircrosoft Windows
Edition 32-bit
• Microsoft DirectX 9.0c
• NVidia CG 2.0
Vista
Ultimate
Perangkat keras yang digunakan adalah
sebagai berikut :
• PC Intel Core2Duo 1.8 GHz
• RAM 2 GB
• VGA GeForce 7600GT 256 MB
HASIL DAN PEMBAHASAN
Deskripsi Dokumen Uji
Gambar 5 Proses temu kembali informasi.
CPU Processing
Scoring dirumuskan sebagai berikut :
score (d) = ∑
·
.
Apabila d adalah dokumen, t adalah term, n
adalah jumlah term pada dokumen, dan q
adalah kueri, maka nilai kemiripan dokumen d
terhadap kueri q (skor q-d) adalah
penjumlahan dari seluruh dot produk term
pada dokumen dan term pada kueri.
Perhitungan skor q-d pada CPU dilakukan
secara sekuensial. Sorting pada CPU
menggunakan algoritme quick sort.
Dokumen yang dilakukan untuk pengujian
menggunakan corpus IPB yang terdiri dari
1000 dokumen. Dokumen-dokumen tersebut
kemudian ditokenisasi sehingga menghasilkan
26.575 term. Term yang dihasilkan dalam
proses tokenisasi adalah term tanpa
menggunakan stoplist dan stemming. setelah
itu term-term tersebut disimpan ke dalam
bentuk file.
Algoritme yang Digunakan
Kernel function diemulasi menggunakan
pixel shader atau disebut juga fragment
shader. Kernel function mempunyai parameter
berupa indeks matriks dari output buffer.
Indeks inilah yang akan digunakan untuk
mengakses data terkait pada input buffer.
Kernel digambarkan sebagai body of
loops. Sebagai contoh jika kita ingin
menransformasi nilai di dalam matriks dua
dimensi pseudo-code-nya sebagai berikut.
3
dapat dipecah ke dalam tiga proses yaitu
query weighting, scoring, dan sorting. Proses
pertama, query weighting adalah pemboboton
setiap term pada query yang akan
ditemukembalikan.
Proses
selanjutnya,
scoring adalah penghitungan skor kemiripan
antara kueri dan seluruh dokumen pada
corpus. Proses terakhir, sorting adalah
pengurutan seluruh skor kemiripan kueri
dengan dokumen (hasil proses scoring),
sehingga diperoleh skor kemiripan terbesar.
Pada penelitian ini scoring dan sorting
dipartisi dan diproses secara paralel oleh CPU
dan GPU. Cara memartisinya dengan
memecah dokumen-dokumen dalam corpus,
sebagian dikerjakan oleh CPU da
IGNATIUS EDO PUTRA YANUAR. Graphics Card Utilization as a Computing Tool in
Information Retrieval Vector Space Model. Supervised by JULIO ADISANTOSO and ENDANG
PURNAMA GIRI.
In recent years, the ability of the graphics card or GPU increase dramatically. This condition
allows the GPU to do other than computing or graphics processing is known as the General
Purpose GPU (GPGPU). With hundreds to thousands of processors inside GPU, hardware is
expected to improve the performance of most applications. Unluckly, the price to be able to
implement GPU GPGPU could not be reached by the majority of the community.
This research tried to emulate GPGPU on GPU with Shader Model 2.0a support which is a
standard GPU. Vector Space Model is used as a case study because it is easy to implement.
Information retrieval computation done in parallel by the CPU and GPU. Process in the GPU is
divided into three, namely: multiplication, addition, and sorting. Odd-even transition sort
algorithms used to sort the most relevant documents.
The results showed that the emulation GPGPU on GPU with Shader Model 2.0a support able
to retrieve the same results with the results retrieved by the CPU. However, this emulation can not
produce the expected performance, even the GPU requires more memory than the CPU.
Keyword: GPGPU, GPU Computing, Vector Space Model, Odd-Even Transition Sort
PEMANFAATAN KARTU GRAFIS SEBAGAI ALAT BANTU
DALAM KOMPUTASI TEMU KEMBALI INFORMASI
MODEL RUANG VEKTOR
IGNATIUS EDO PUTRA YANUAR
G64104075
DEPARTEMEN ILMU KOMPUTER
FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM
INSTITUT PERTANIAN BOGOR
BOGOR
2009
PEMANFAATAN KARTU GRAFIS SEBAGAI ALAT BANTU
DALAM KOMPUTASI TEMU KEMBALI INFORMASI
MODEL RUANG VEKTOR
IGNATIUS EDO PUTRA YANUAR
G64104075
DEPARTEMEN ILMU KOMPUTER
FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM
INSTITUT PERTANIAN BOGOR
BOGOR
2009
PEMANFAATAN KARTU GRAFIS SEBAGAI ALAT BANTU
DALAM KOMPUTASI TEMU KEMBALI INFORMASI
MODEL RUANG VEKTOR
Skripsi
Sebagai salah satu syarat untuk memperoleh gelar Sarjana Komputer
pada Fakultas Matematika dan Ilmu Pengetahuan Alam
Institut Pertanian Bogor
IGNATIUS EDO PUTRA YANUAR
G64104075
DEPARTEMEN ILMU KOMPUTER
FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM
INSTITUT PERTANIAN BOGOR
BOGOR
2009
ABSTRACT
IGNATIUS EDO PUTRA YANUAR. Graphics Card Utilization as a Computing Tool in
Information Retrieval Vector Space Model. Supervised by JULIO ADISANTOSO and ENDANG
PURNAMA GIRI.
In recent years, the ability of the graphics card or GPU increase dramatically. This condition
allows the GPU to do other than computing or graphics processing is known as the General
Purpose GPU (GPGPU). With hundreds to thousands of processors inside GPU, hardware is
expected to improve the performance of most applications. Unluckly, the price to be able to
implement GPU GPGPU could not be reached by the majority of the community.
This research tried to emulate GPGPU on GPU with Shader Model 2.0a support which is a
standard GPU. Vector Space Model is used as a case study because it is easy to implement.
Information retrieval computation done in parallel by the CPU and GPU. Process in the GPU is
divided into three, namely: multiplication, addition, and sorting. Odd-even transition sort
algorithms used to sort the most relevant documents.
The results showed that the emulation GPGPU on GPU with Shader Model 2.0a support able
to retrieve the same results with the results retrieved by the CPU. However, this emulation can not
produce the expected performance, even the GPU requires more memory than the CPU.
Keyword: GPGPU, GPU Computing, Vector Space Model, Odd-Even Transition Sort
Judul
Nama
NRP
: Pemanfaatan Kartu Grafis sebagai Alat Bantu dalam Komputasi Temu Kembali
Informasi Model Ruang Vektor
: Ignatius Edo Putra Yanuar
: G64104075
Menyetujui:
Pembimbing I,
Pembimbing II,
Ir. Julio Adisantoso, M.Kom.
NIP 196207141986011002
Endang Purnama Giri, S.Kom, M.Kom.
NIP 198210102006041027
Mengetahui:
Dekan Fakultas Matematika dan Ilmu Pengetahuan Alam
Institut Pertanian Bogor
Dr. drh. Hasim, DEA
NIP 196103281986011002
Tanggal Lulus :
RIWAYAT HIDUP
Penulis dilahirkan di Malang pada tanggal 7 Januari 1987 dari pasangan Timoteus Marwoto
dan Anna Eka Herminayu. Penulis merupakan anak kedua dari dua bersaudara.
Pada tahun 1998, penulis lulus dari SDK Cor Jesu Malang, lalu pada tahun yang sama
melanjutkan pendidikan di SLTPK Cor Jesu Malang. Pada tahun 2001, penulis lulus dari SLTPK
dan melanjutkan sekolah di SMUK St. Albertus Malang hingga tahun 2004. Pada tahun yang sama
lulus seleksi masuk IPB melalui jalur Prestasi Internasional dan Nasional IPB. Penulis memilih
Program Studi Ilmu Komputer, Fakultas Matematika dan Ilmu Pengetahuan Alam. Pada akhir
masa perkuliahan, penulis melaksanakan kerja praktek di Matahari Studios selama dua bulan dari
tanggal 21 Juli 2008 sampai dengan 9 September 2008. Kegiatan utama dalam rangka kerja
praktek tersebut adalah pengembangan game.
ii
PRAKATA
Puji syukur kepada Tuhan Yang Maha Esa atas berkat dan karunia-Nya sehingga penulis
dapat menyelesaikan tugas akhir yang berjudul Pemanfaatan Kartu Grafis sebagai Alat Bantu
dalam Komputasi Temu Kembali Informasi Model Ruang Vektor. Tugas akhir ini merupakan
salah satu syarat untuk menyelesaikan jenjang pendidikan Strata Satu Program Studi Ilmu
Komputer di Institut Pertanian Bogor.
Penulis mengucapkan terima kasih kepada papa, mama, dan kakak tercinta atas doa, kasih dan
dukungan yang selalu diberikan. Penulis juga mengucapkan terima kasih kepada Bapak Ir. Julio
Adisantoso, M.Kom. dan Bapak Endang Purnama Giri, S.Kom., M.Kom. selaku pembimbing
yang telah membimbing penulis dalam menyelesaikan tugas akhir. Penulis juga mengucapkan
terima kasih kepada Bapak Ahmad Ridha, S.Kom, M.S., yang bersedia menjadi penguji pada tugas
akhir penulis.
Penyelesaian karya ilmiah ini tidak lepas dari bantuan beberapa pihak, oleh karena itu penulis
mengucapkan terima kasih kepada Hani, Yohan, dan William, atas bantuannya dalam penulisan
karya ilmiah ini, David, Nanao, Dodo, Ayu, Maul, Indri, dan Popi atas kebersamaannya salama
ini, teman-teman Ilkomerz’41 dan Ilkomerz’42 atas semangat yang diberikan, Martin, Afris, Jefry,
Mada, Sandro, Sammy, dan teman-teman satu kos lainnya serta semua pihak lain yang telah
membantu penulis dan tidak dapat disebutkan satu persatu.
Akhir kata, semoga penelitian ini dapat bermanfaat.
Bogor, Agustus 2009
Ignatius Edo Putra Yanuar
DAFTAR ISI
Halaman
DAFTAR GAMBAR .............................................................................................................. vi
DAFTAR LAMPIRAN ........................................................................................................... vi
PENDAHULUAN
Latar Belakang .................................................................................................................. 1
Tujuan ................................................................................................................................ 1
Ruang Lingkup .................................................................................................................. 1
TINJAUAN PUSTAKA
Arsitektur CPU dan GPU .................................................................................................. 1
Tekstur ............................................................................................................................... 2
Tokenisasi .......................................................................................................................... 2
Vector Space Model ........................................................................................................... 2
METODE PENELITIAN
CPU Processing ................................................................................................................ 3
GPU Processing ................................................................................................................ 3
Lingkungan Pengembangan .............................................................................................. 3
HASIL DAN PEMBAHASAN
Deskripsi Dokumen Uji ..................................................................................................... 3
Algoritme yang Digunakan ............................................................................................... 3
Penggunaan Memori .......................................................................................................... 5
Kecepatan Proses ............................................................................................................... 5
Proporsi Optimal antara CPU dan GPU ............................................................................ 6
KESIMPULAN DAN SARAN
Kesimpulan ........................................................................................................................ 7
Saran .................................................................................................................................. 7
DAFTAR PUSTAKA .............................................................................................................. 7
LAMPIRAN ............................................................................................................................. 8
v
DAFTAR GAMBAR
Halaman
1 Operasi floating-point untuk CPU dan GPU.……….................................................................... 1
2 Memory bandwidth untuk CPU dan GPU...................................................................................... 1
3 Pembagian transistor di CPU......................................................................................................... 2
4 Pembagian transistor di GPU...........................................................................................……….. 2
5 Proses temu kembali informasi ……………..………………………………..……….………… 3
6 Scoring pada GPU …………………………………………………………….….…….………. 4
7 Algoritme odd-even transition sort……………………..………………..……………...…….… 4
8 Grafik Perbandingan Rata-rata Waktu Proses antara CPU dan GPU …….……………...…….…6
DAFTAR LAMPIRAN
Halaman
1 Hasil Pengujian Kecepatan untuk GPU ……………………………..............................................9
2 Hasil Pengujian Kecepatan untuk CPU …………………………...………………….….... ..……9
3 Grafik Perbandingan Waktu Proses antara CPU dan GPU ………………………..…………… 10
4 Hasil Percobaan dengan Menggunakan GPU Hanya untuk Perkalian……………………..…… 11
5 Hasil Percobaan Penentuan Proporsi Optimal Dokuman antara CPU dan GPU……….………..11
6 Grafik Percobaan Penentuan Proporsi Optimal Dokuman antara CPU dan GPU..…….…..……11
7 Tampilan antar Muka Program hanya dengan Menggunakan CPU……………..…….…..…… 12
8 Tampilan antar Muka Program hanya dengan Menggunakan GPU..…….………………..…… 12
vi
PENDAHULUAN
Latar Belakang
Graphical Processing Unit (GPU) modern
dapat ditemukan hampir di setiap komputer.
Dalam beberapa tahun terakhir, kemampuan
GPU meningkat drastis. Sayangnya, potensi
yang tersimpan di dalam GPU tidak
digunakan secara optimal pada sebagian besar
aplikasi. Umumnya GPU hanya digunakan
untuk aplikasi yang membutuhkan komputasi
grafis yang tinggi, seperti perangkat lunak
Computer Aided Design (CAD) dan games.
GPU computing, atau disebut juga
General Purpose GPU (GPGPU), merupakan
konsep
pemrograman
paralel
yang
menggunakan GPU sebagai media komputasi
untuk memroses komputasi yang umumnya
dikerjakan
oleh
CPU.
Konsep
ini
menghasilkan kecepatan proses yang jauh
lebih baik dibanding kecepatan CPU untuk
kasus-kasus tertentu. Keunggulan ini tidak
berarti GPU dapat menggantikan CPU,
namum justru membantu CPU lebih spesifik
menangani
permasalahan
logika
dan
memberikan permasalahan komputasi pada
GPU.
Vector Space Model (VSM), sebagai salah
satu model temu kembali informasi, memiliki
algoritme yang sederhana sehingga relatif
mudah untuk dikembangkan dengan GPU
computing. Bantuan tenaga dari GPU
diharapkan dapat menambah kecepatan
eksekusi pada temu kembali informasi.
Abual-Rub (2007) melakukan penelitian
menggunakan sejumlah dokumen berisi
rangkaian protein. Abual-Rub membuktikan
bahwa VSM mampu menemu-kembalikan
dokumen relevan dengan hasil yang baik.
Govindaraju (2004) melakukan penelitian
mengenai operasi database menggunakan
GPU sebagai media komputasi. Govindaraju
membuktikan bahwa komputasi pada GPU
sepuluh kali lebih cepat dibanding komputasi
CPU dalam SQL query sederhana. Oleh
karena itu, pada penelitian ini digunakan GPU
untuk temu kembali informasi menggunakan
model VSM.
Ruang Lingkup
GPGPU idealnya membutuhkan kartu
grafis yang mendukung Shader Model 4.0
yang harganya belum dapat dijangkau
sebagian besar masyarakat. Ruang lingkup
penelitian ini difokuskan pada penerapan
GPGPU pada kartu grafis yang mendukung
Shader Model 2.0a yang merupakan kartu
grafis standar.
TINJAUAN PUSTAKA
Arsitektur CPU dan GPU
GPU berevolusi menjadi sebuah manycore
processor dengan kemampuan komputasi dan
memory bandwidth yang tinggi (Gambar 1
dan 2).
Gambar 1 Operasi floating-point untuk CPU
dan GPU.
Gambar 2 Memory bandwidth untuk CPU dan
GPU.
Tujuan
Tujuan utama dari penelitian ini adalah
temu kembali informasi menggunakan
GPGPU. Selain itu juga membandingkan
kinerja GPU dengan CPU dari sisi memory
usage dan kecepatan komputasi.
Perbedaan antara CPU dan GPU ini
disebabkan karena GPU dispesialisasikan
untuk menangani komputasi secara paralel
dan oleh sebab itu dirancang agar lebih
banyak transistor yang didedikasikan untuk
1
mengolah data daripada data caching dan flow
control (Gambar 3 dan 4).
Tokenisasi
Tokenisasi adalah proses memotong
dokumen menjadi bagian-bagian kecil (token)
dengan cara membuang imbuhan dan kata
sambung yang ada. Token yang dihasilkan
merupakan kata dasar sehingga token yang
dihasilkan lebih sedikit.
Vector Space Model
Gambar 3 Pembagian transistor di CPU.
Vektor Space Model (VSM) menurut
Manning (2008) merupakan metode yang
paling populer dalam temu kembali informasi.
VSM terdiri atas tiga perhitungan, yaitu:
1.
2.
Gambar 4 Pembagian transistor di GPU.
Secara spesifik, GPU cocok untuk
mengatasi masalah yang dapat dikategorikan
sebagai data-parallel computations (program
yang sama dieksekusi pada banyak data
elemen secara paralel) dengan intensitas
aritmatika yang tinggi (rasio operasi
aritmatika dibandingkan operasi pada
memori). Oleh karena program dieksekusi
pada banyak elemen data dan mempunyai
intesitas aritmatika yang tinggi, kalkulasi
lebih baik dilakukan secara langsung daripada
disimpan di memori.
Tekstur
Data disimpan dalam GPU sebagai tekstur
yang merupakan suatu array dua dimensi dan
biasanya digunakan sebagai image dan
mempunyai kanal-kanal. Sebagai contoh,
sebuah texture RGBA mempunyai empat buah
kanal – red, green, blue, dan alpha. Data
format yang berbeda dapat digunakan di
dalam texture, seperti 8-bit bytes, 16-bit
integers, dan floating-points. Dalam GPGPU
data disimpan di tekstur menggunakan format
floating-points, sehingga suatu pixel tidak lagi
merepresentasikan suatu warna, melainkan
suatu nilai numerik. Pada GPU Shader Model
2.0a terdapat keterbatasan bahwa ukuran
texture yang digunakan harus power of two.
GPU mampu memroses tekstur dengan
dimensi 4096x4096, sehingga satu tekstur
mampu menampung lebih dari 16 juta data.
3.
Pembobotan untuk setiap kata indeks di
seluruh dokumen. Semakin sering term
tersebut muncul dalam setiap dokumen,
maka term tersebut semakin tidak
penting.
Pembobotan untuk setiap kata indeks
dalam sebuah dokumen. Semakin sering
suatu term muncul dalam sebuah
dokumen, maka term tersebut semakin
penting.
Untuk setiap kueri, vektor kueri
dibandingkan
kemiripannya
dengan
setiap vektor dokumen. Proses ini
bertujuan untuk mengurutkan setiap
dokumen berdasarkan kemiripannya
dengan kueri. Pembobotan dapat dihitung
dengan:
dengan:
= frekuensi term i dalam dokumen,
= frekuensi dokumen yang memuat
term i,
= jumlah dokumen dalam corpus.
Bobot ini kemudian akan digunakan untuk
menghitung cosine similarity dengan rumus:
.
,
∑
∑
,
,
·
,
.
,
Semakin besar nilai cosine similarity
berarti semakin relevan (Manning, 2008).
METODE PENELITIAN
Proses temu kembali informasi terdiri atas
dua tahap utama yaitu indexing dan searching.
Pada tahap indexing, dilakukan pembobotan
pada setiap term (yang telah melalui proses
tokenisasi) dalam dokumen. Tahap searching
2
dapat dipecah ke dalam tiga proses yaitu
query weighting, scoring, dan sorting. Proses
pertama, query weighting adalah pemboboton
setiap term pada query yang akan
ditemukembalikan.
Proses
selanjutnya,
scoring adalah penghitungan skor kemiripan
antara kueri dan seluruh dokumen pada
corpus. Proses terakhir, sorting adalah
pengurutan seluruh skor kemiripan kueri
dengan dokumen (hasil proses scoring),
sehingga diperoleh skor kemiripan terbesar.
Pada penelitian ini scoring dan sorting
dipartisi dan diproses secara paralel oleh CPU
dan GPU. Cara memartisinya dengan
memecah dokumen-dokumen dalam corpus,
sebagian dikerjakan oleh CPU dan sebagian
dikerjakan oleh GPU. Untuk penelitian ini,
proses dalam CPU dilakukan secara
sekuensial. Apabila digambarkan dalam suatu
bagan maka proses temu kembali informasi
pada penelitian ini terlihat seperti Gambar 5.
GPU Processing
Secara umum tahapan komputasi melalui
GPU dapat dijabarkan sebagai berikut:
1.
2.
3.
4.
5.
6.
Membuat input buffer di dalam GPU.
Membuat output buffer di dalam GPU.
Menyalin data masukan dari CPU ke
dalam input buffer.
Inisialisasi
konstanta
yang
akan
digunakan dalam kernel function.
Mengeksekusi kernel function.
Menyalin data keluaran ke CPU dari
output buffer.
Lingkungan Pengembangan
Perangkat lunak yang digunakan dalam
penelitian ini adalah sebagai berikut :
• Mircrosoft Windows
Edition 32-bit
• Microsoft DirectX 9.0c
• NVidia CG 2.0
Vista
Ultimate
Perangkat keras yang digunakan adalah
sebagai berikut :
• PC Intel Core2Duo 1.8 GHz
• RAM 2 GB
• VGA GeForce 7600GT 256 MB
HASIL DAN PEMBAHASAN
Deskripsi Dokumen Uji
Gambar 5 Proses temu kembali informasi.
CPU Processing
Scoring dirumuskan sebagai berikut :
score (d) = ∑
·
.
Apabila d adalah dokumen, t adalah term, n
adalah jumlah term pada dokumen, dan q
adalah kueri, maka nilai kemiripan dokumen d
terhadap kueri q (skor q-d) adalah
penjumlahan dari seluruh dot produk term
pada dokumen dan term pada kueri.
Perhitungan skor q-d pada CPU dilakukan
secara sekuensial. Sorting pada CPU
menggunakan algoritme quick sort.
Dokumen yang dilakukan untuk pengujian
menggunakan corpus IPB yang terdiri dari
1000 dokumen. Dokumen-dokumen tersebut
kemudian ditokenisasi sehingga menghasilkan
26.575 term. Term yang dihasilkan dalam
proses tokenisasi adalah term tanpa
menggunakan stoplist dan stemming. setelah
itu term-term tersebut disimpan ke dalam
bentuk file.
Algoritme yang Digunakan
Kernel function diemulasi menggunakan
pixel shader atau disebut juga fragment
shader. Kernel function mempunyai parameter
berupa indeks matriks dari output buffer.
Indeks inilah yang akan digunakan untuk
mengakses data terkait pada input buffer.
Kernel digambarkan sebagai body of
loops. Sebagai contoh jika kita ingin
menransformasi nilai di dalam matriks dua
dimensi pseudo-code-nya sebagai berikut.
3
TRANSFORM-CPU(x,y,in,out)
for x Å 0 to 10000
for y Å 0 to 10000
out[x][y] Å
do_some_work(in[x,y])
Di dalam GPU pendistribusian data terjadi
secara otomatis sehingga kita tidak perlu
memaralelkan data secara manual. Kita hanya
perlu menentukan body of loops.
pasangan indeks ganjil-genap, kemudian
dengan pasangan indeks genap-ganjil, lalu
kembali lagi dengan pasangan indeks ganjilgenap, dan begitu seterusnya, sehingga untuk
mengurutkan data membutuhkan
/2
compare and swap untuk pasangan indeks
ganjil-genap dan /2 compare and swap
untuk pasangan indeks genap-ganjil. Ilustrasi
algoritma odd-even transition sort terlihat
pada gambar 7.
TRANSFORM-GPU(x,y,in)
return do_some_work(in[x,y])
Perhitungan skor q-d pada GPU dilakukan
melalui dua tahap. Tahap pertama, GPU
melakukan operasi perkalian secara paralel,
setiap nilai bobot term dari dokumen
dikalikan dengan nilai bobot term dari kueri.
Tahap berikutnya, hasil perkalian tersebut
dijumlahkan secara paralel. Hasil keluaran
pada tahap perkalian akan digunakan sebagai
masukan pada tahap penjumlahan.
Penjumlahan dilakukan dengan cara
menjumlahkan suatu elemen dengan elemen
setelahnya. Proses yang sama diulang tetapi
menjumlahkan dengan elemen ke-2i-1
setelahnya, dengan i adalah banyaknya iterasi.
Proses ini berhenti pada iterasi ke-log .
Prosesnya terlihat pada Gambar 6. Pada
gambar tersebut, elemen yang tidak
dihitamkan tidak lagi digunakan dalam
algoritme ini karena nilai elemen tersebut
sudah tersimpan dalam elemen yang
dihitamkan.
Gambar 7 Algoritme odd-even transition
sort.
Algoritme
yang
digunakan
dalam
penelitian berbeda untuk CPU dan GPU.
Untuk CPU digunakan algoritme scoring dan
quick sort. Algoritme SCORING-CPU
digunakan untuk menghitung nilai kemiripan
antara dokumen dan kueri. Algoritme ini
menggunakan W yang merupakan bobot term
dalam suatu dokumen, n jumlah dokumen,
dan m jumlah term. Hasil dari algoritme ini
adalah Score yaitu nilai kemiripan antara
dokumen dan kueri.
SCORING-CPU (Score,W,n,m)
for i Å 1 to n
Score[i] Å 0
for j Å 1 to m
Score[i]ÅScore[i]+W[i,j]xW[q,j]
Algoritme quick sort menggunakan
std::sort dari C++ Standart Template
Library (STL). Algoritme ini digunakan untuk
mengurutkan hasil scoring pada algoritme
SCORING-CPU secara descending.
MULTIPLY-GPU(
termIndex,DocTerm,QueryTerm)
Gambar 6 Scoring pada GPU.
return DocTerm[termIndex] .
QueryTerm[termIndex]
Sorting pada GPU menggunakan algoritme
odd-even transition sort. Algoritme ini
melakukan proses compare and swap dengan
Algoritme MULTIPLY-GPU menerima
input
termIndex,
DocTerm,
dan
QueryTerm.
termIndex
merupakan
4
indeks term pada dokumen dan kueri
sedangkan DocTerm adalah matriks yang
berisi bobot term pada dokumen yang akan
diberi skor. QueryTerm adalah matriks yang
berisi bobot term pada kueri.
SUMMATION-GPU(
termIndex,iteration,DocTerm)
partner Å termIndex
+ pow(2,iteration-1)
return DocTerm[termIndex]+DocTerm[]
Algoritme SUMMATION-GPU menerima
input termIndex, iteration, dan
DocTerm. termIndex merupakan indeks
term pada dokumen dan kueri sedangkan
DocTerm adalah matriks yang berisi bobot
term pada dokumen yang akan diberi skor.
CPU memanggil fungsi SUMMATION-GPU
diiterasi mulai dari satu sampai dengan log(n)
dengan n adalah jumlah term.
SORT-GPU(
termIndex,transition,DocScore)
if docIndex mod 2 = transition
compare Å 1
else
compare Å -1
partner Å termIndex + compare
if DocScore[termIndex] . compare >
DocScore[partner] . compare
return DocScore[termIndex]
else
return DocScore[partner]
Algoritme SORT-GPU diiterasi mulai dari
satu sampai dengan jumlah dokumen yang
ada. Algoritme ini menerima input
termIndex,
transition,
dan
docScore. termIndex merupakan indeks
term pada dokumen dan kueri sedangkan
DocScore adalah matriks yang berisi skor
setiap dokumen. transition digunakan
untuk memilih model genap-ganjil atau ganjilgenap. Bila menggunakan model genap-ganjil,
maka transition bernilai 0, dan bila
menggunakan model ganjil-genap, maka
transition bernilai 1.
Penggunaan Memori
Pada penelitian ini dicobakan temu
kembali suatu kueri dari 1000 dokumen.
Setelah melalui proses tokenisasi, diperoleh
26575 term dari 1000 dokumen tersebut.
Apabila satu term membutuhkan alokasi 4
byte memori, maka pada CPU, memori yang
dibutuhkan untuk memroses 26575 term
adalah sebanyak 1000 x 26575 x 4 byte = 101
MB. Pada GPU, memori yang dibutuhkan
adalah sebanyak 1000 x 32768 x 4 = 128 MB.
Nilai 32768 berasal dari 256x128 ukuran
tekstur. Untuk dapat menampung 26575 term,
GPU tidak bisa menyediakan ruang yang tepat
sama, karena data disimpan dalam GPU
sebagai tekstur dengan dimensi 2 (power of
two). Dalam kasus ini, apabila dibandingkan
penggunaan memori pada GPU lebih besar
dari pada penggunaan memori pada CPU.
Kecepatan Proses
Seperti yang terlihat pada grafik di
Gambar 8, GPU memerlukan waktu proses
lebih banyak dibandingkan dengan CPU. Hal
ini karena keterbatasan kemampuan perangkat
keras sehingga algoritme dalam proses
penjumlahan dan pengurutan data tidak dapat
dilakukan secara maksimal. Selain itu, pustaka
yang digunakan untuk mengakses GPU tidak
dirancang untuk melakukan GPGPU, sehingga
terdapat fitur-fitur penting yang tidak dapat
digunakan. Tabel pengujian kecepatan untuk
GPU dan CPU dapat dilihat pada Lampiran 1.
5
Waktu Proses (Detik)
1.2
1
0.8
0.6
0.4
0.2
0
250
500
750
1000
Jumlah Dokumen
GPU
CPU
Gambar 8. Grafik Perbandingan Rata-rata Waktu Proses antara CPU dan GPU
Pada kondisi ideal kecepatan GPU lebih
baik daripada CPU. Hal ini terbukti pada saat
proses komputasi hanya melibatkan proses
perkalian, tanpa ada penjumlahan dan sorting,
GPU sanggup melakukan perkalian hingga
tiga kali lebih cepat dibandingkan CPU.
Untuk operasi penjumlahan dan sorting CPU
jauh mengungguli GPU. Untuk hasil
percobaannya dapat dilihat pada Tabel 1.
Tabel 1 Perbandingan Operasi Utama pada
CPU dan GPU
Perkalian
(detik)
Penjumlahan
(detik)
Sorting
(detik)
GPU
0.079993
0.968640
0.360896
CPU
0.214159
0.143024
0.002568
Hasil percobaan pada GPU untuk
penjumlahan dan sorting membutuhkan waktu
proses yang lebih lama daripada CPU. Hal ini
dikarenakan kompleksitas algoritme GPU
untuk operasi tersebut lebih besar daripada
CPU.
Kompleksitas penjumlahan pada GPU
adalah N log(N) dan kompleksitas sorting-nya
adalah N2. Meskipun sorting pada GPU
memiliki kompleksitas yang lebih tinggi dari
pada kompleksitas penjumlahan tetapi proses
sorting lebih cepat daripada penjumlahan. Hal
ini disebabkan N dalam sorting merupakan
jumlah dokumen yaitu 1000 dokumen dan N
dalam penjumlahan merupakan jumlah term
yang memiliki jumlah 26575 term dan
diiterasi sebanyak jumlah dokumen (1000
kali). Perbedaan nilai N yang jauh
menyebabkan kompleksitas pada operasi
penjumlahan menjadi lebih besar daripada
sorting.
Seperti yang terlihat pada Tabel 1, GPU
memiliki keunggulan dalam melakukan proses
perkalian sedangkan CPU unggul dalam
proses penjumlahan dan sorting. Dengan fakta
tersebut timbul ide untuk memanfaatkan
keunggulan pada CPU dan GPU. GPU unggul
dalam proses perkalian maka GPU hanya akan
melakukan proses perkalian sedangkan
operasi sisanya (penjumlahan dan sorting)
dilakukan oleh CPU.
Hasil pengujian ini dapat dilihat pada
Lampiran 4. Rata-rata waktu proses yang
dihasilkan dalam percobaan ini adalah
16.53731 detik. Percobaan ini menghasilkan
waktu proses yang lebih lama dari pengujian
pertama. Hal ini dikarenakan pada pengujian
yang pertama output dari GPU ke CPU hanya
merupakan satu buah matriks yang berisi
1.000 data berupa indeks descending. Lain
halnya dengan pengujian kedua yang
mengirimkan data dari GPU ke CPU berupa
1.000 buah matriks yang masing-masing
berisi 26.575 data yang berupa hasil perkalian
antara bobot term dokumen dengan kueri
sehingga waktu transfer yang dibutuhkan akan
jauh lebih lama.
Proporsi Optimal antara CPU dan GPU
Pada kedua pengujian sebelumnya dapat
dilihat bahwa percobaan pertama memberikan
hasil yang lebih memuaskan oleh karena itu
dilakukan pengujian ketiga yang merupakan
6
pengembangan dari pengujian pertama.
Pengujian pada tahap ini menggunakan
algoritme yang sama dengan algoritme pada
percobaan pertama. Yang membedakan adalah
cara pengujiannya.
Pada pengujian tahap ini dicari
proporsi optimal pendistribusian dokumen
pada CPU dan GPU. Hal ini dilakukan karena
adanya kemungkinan bahwa GPU masih dapat
membantu CPU dalam mempercepat proses.
Pada pengujian tahap ini diperoleh proporsi
optimal yaitu 960 dokumen untuk diproses
CPU dan sisanya yaitu 40 dokumen diproses
GPU. Proporsi ini membutuhkan waktu proses
selama 0.233671 detik untuk CPU dan
0.2244426 detik untuk GPU, sehingga waktu
proses keseluruhan menjadi 0.2244426 karena
CPU dan GPU bekerja secara paralel. Tabel
pengujian selengkapnya dapat dilihat pada
Lampiran 5.
Tampilan antar muka program dan
contoh penggunaannya dapat dilihat pada
lampiran 7. Semakin slider digeser ke arah
CPU maka semakin banyak dokumen yang
didistribusikan ke CPU. Demikian juga
sebaliknya pada lampiran 8, semakin slider
digeser ke arah GPU maka semakin banyak
dokumen yang didistribusikan ke GPU.
4.
Proporsi
optimal
didapat
dengan
mendistribusikan 960 dokumen ke CPU
dan 40 dokumen ke GPU. Proporsi ini
membutuhkan waktu proses selama
0.2336710 detik untuk CPU dan
0.2244426 detik untuk GPU.
Saran
Saran untuk penelitian selanjutnya adalah:
1.
2.
Penggunaan pustaka khusus GPGPU
seperti OpenCL. Pada saat penelitian ini
ditulis, pustaka ini masih dalam tahap
pengembangan.
Analisis perbandingan algoritme sorting
pada GPU (odd-even transition sort, oddeven merge sort, dan bitonic merge sort).
DAFTAR PUSTAKA
Abual-Rub MS, Abdullah R, Rashid NA.
2007. A Modified Vector Space Model for
Protein Retrieval. IJCSNS International
Journal of Computer Science and Network
Security, VOL.7 No 9, September 2007.
Cormen TH, Leiserson CE, Rivest RL, Stein
C. 2003. Introduction to Algorithms.
England : MIT Press.
Kesimpulan
Govindaraju NK, et al. 2004. Fast
Computation of Database Operations using
Graphics Processors. Proceedings of the
2004 ACM SIGMOD international
conference on Management of data; 2004.
New York, NY : ACM, hlm 215-256.
Dari implementasi Vector Space Model
menggunakan GPU ini, diperoleh beberapa
kesimpulan, yaitu:
Grama A, Gupta A, Karypsi G, Kumar V.
2003. Introduction to Parallel Computing.
England : Pearson Education.
1.
Manning CD, Raghavan P., Schütze H. 2008.
Introduction to Information Retrieval.
Cambridge : Cambridge University Press.
KESIMPULAN DAN SARAN
2.
3.
GPU mampu digunakan untuk temu
kembali menggunakan metode Vector
Space Model. Hasil temu kembali antara
dan GPU tepat sama. Hanya berbeda
urutan pada dokumen yang mempunyai
nilai similarity yang sama.
GPU yang digunakan pada penelitian ini
tidak mampu mengimbangi kecepatan
CPU. Hal ini disebabkan oleh
keterbatasan perangkat keras dan pustaka
yang digunakan.
GPU membutuhkan alokasi memori
dengan ukuran power of two, sehingga
tidak mampu mengalokasikan memori
yang dibutuhkan secara tepat. Hal ini
menyebabkan penggunaan memori pada
GPU lebih besar daripada CPU.
NVidia
CUDA
Programming
Guide.
http://developer.download.nvidia.com/com
pute/cuda/2_0/docs/NVIDIA_CUDA_Pro
gramming_Guide_2.0.pdf
[14 Desember 2008].
Ujaldon M, Saltz J. 2005. The GPU as an
Indirection Engine for a Fast Information
Retrieval.
http://bmi.osu.edu/resources/publications/
200507_ujaldon_gpu_indirection_IJEB.pd
f [14 Desember 2008].
7
LAMPIRAN
Lampiran 1 Hasil Pengujian Kecepatan untuk GPU dengan NVidia GeForce 7600GT 256 MB
Jumlah
Dokumen
250
500
750
1000
I
0.408731
0.629764
0.848080
1.058242
II
0.408514
0.627643
0.849722
1.059130
III
0.407703
0.627410
0.849204
1.058855
IV
0.410138
0.625872
0.846324
1.059262
V
0.408039
0.625708
0.846568
1.057303
Min
0.407703
0.625708
0.846324
1.057303
Max
0.410138
0.629764
0.849722
1.059262
Mean
0.408625
0.627279
0.847980
1.058558
Deviasi
0.000936
0.001641
0.001523
0.000804
Percobaan
Lampiran 2 Hasil Pengujian Kecepatan untuk CPU dengan Core2Duo @1,8 GHz 2 GB
Jumlah
Dokumen
250
500
750
1000
I
0.057096
0.113787
0.172135
0.229296
II
0.058416
0.122536
0.171951
0.228380
III
0.057263
0.116249
0.171371
0.228768
IV
0.057095
0.120622
0.170481
0.228040
V
0.064641
0.113423
0.171372
0.227793
Min
0.057095
0.113423
0.170481
0.227793
Max
0.064641
0.122536
0.172135
0.229296
Mean
0.058902
0.117323
0.171462
0.228455
Deviasi
0.003255
0.004090
0.000646
0.000596
Percobaan
9
Lampiran 3 Grafik Perbandingan Waktu Proses antara CPU dan GPU
1.2
Waktu Proses (detik)
1
0.8
0.6
0.4
0.2
0
250
500
750
1000
Jumlah Dokumen
Waktu Proses pada GPU
Waktu Proses pada CPU
10
Lampiran 4 Tabel Hasil Percobaan dengan Menggunakan GPU Hanya untuk Perkalian
Percobaan
Waktu Proses (Detik)
1
16.287366
2
16.421183
3
16.875864
4
16.523233
5
16.578902
Min
16.287366
Max
16.875864
Median
16.523230
Mean
16.537310
Deviasi
0.2193770
Lampiran 5 Hasil Percobaan Penentuan Proporsi Optimal Dokuman antara CPU dan GPU
Proporsi Dokumen
CPU
Rata-rata Waktu Proses
CPU
GPU
0.206467
0.235119
GPU
980
20
970
30
0.214151
0.241237
960
40
0.224443
0.233671
950
50
0.237622
0.229072
940
60
0.242955
0.226976
Lampiran 6 Grafik Percobaan Penentuan Proporsi Optimal Dokuman antara CPU dan GPU
0.25
Waktu Proses (detik)
0.24
0.23
0.22
0.21
0.2
0.19
0.18
20:980
30:970
40:960
50:950
60:940
Perbandingan jumlah dokumen (GPU : CPU)
GPU
CPU
11
Lampiran 7 Tampilan antar Muka Program hanya dengan Menggunakan CPU
Lampiran 8 Tampilan antar Muka Program hanya dengan Menggunakan GPU
12
LAMPIRAN
Lampiran 1 Hasil Pengujian Kecepatan untuk GPU dengan NVidia GeForce 7600GT 256 MB
Jumlah
Dokumen
250
500
750
1000
I
0.408731
0.629764
0.848080
1.058242
II
0.408514
0.627643
0.849722
1.059130
III
0.407703
0.627410
0.849204
1.058855
IV
0.410138
0.625872
0.846324
1.059262
V
0.408039
0.625708
0.846568
1.057303
Min
0.407703
0.625708
0.846324
1.057303
Max
0.410138
0.629764
0.849722
1.059262
Mean
0.408625
0.627279
0.847980
1.058558
Deviasi
0.000936
0.001641
0.001523
0.000804
Percobaan
Lampiran 2 Hasil Pengujian Kecepatan untuk CPU dengan Core2Duo @1,8 GHz 2 GB
Jumlah
Dokumen
250
500
750
1000
I
0.057096
0.113787
0.172135
0.229296
II
0.058416
0.122536
0.171951
0.228380
III
0.057263
0.116249
0.171371
0.228768
IV
0.057095
0.120622
0.170481
0.228040
V
0.064641
0.113423
0.171372
0.227793
Min
0.057095
0.113423
0.170481
0.227793
Max
0.064641
0.122536
0.172135
0.229296
Mean
0.058902
0.117323
0.171462
0.228455
Deviasi
0.003255
0.004090
0.000646
0.000596
Percobaan
9
Lampiran 3 Grafik Perbandingan Waktu Proses antara CPU dan GPU
1.2
Waktu Proses (detik)
1
0.8
0.6
0.4
0.2
0
250
500
750
1000
Jumlah Dokumen
Waktu Proses pada GPU
Waktu Proses pada CPU
10
Lampiran 4 Tabel Hasil Percobaan dengan Menggunakan GPU Hanya untuk Perkalian
Percobaan
Waktu Proses (Detik)
1
16.287366
2
16.421183
3
16.875864
4
16.523233
5
16.578902
Min
16.287366
Max
16.875864
Median
16.523230
Mean
16.537310
Deviasi
0.2193770
Lampiran 5 Hasil Percobaan Penentuan Proporsi Optimal Dokuman antara CPU dan GPU
Proporsi Dokumen
CPU
Rata-rata Waktu Proses
CPU
GPU
0.206467
0.235119
GPU
980
20
970
30
0.214151
0.241237
960
40
0.224443
0.233671
950
50
0.237622
0.229072
940
60
0.242955
0.226976
Lampiran 6 Grafik Percobaan Penentuan Proporsi Optimal Dokuman antara CPU dan GPU
0.25
Waktu Proses (detik)
0.24
0.23
0.22
0.21
0.2
0.19
0.18
20:980
30:970
40:960
50:950
60:940
Perbandingan jumlah dokumen (GPU : CPU)
GPU
CPU
11
Lampiran 7 Tampilan antar Muka Program hanya dengan Menggunakan CPU
Lampiran 8 Tampilan antar Muka Program hanya dengan Menggunakan GPU
12
PENDAHULUAN
Latar Belakang
Graphical Processing Unit (GPU) modern
dapat ditemukan hampir di setiap komputer.
Dalam beberapa tahun terakhir, kemampuan
GPU meningkat drastis. Sayangnya, potensi
yang tersimpan di dalam GPU tidak
digunakan secara optimal pada sebagian besar
aplikasi. Umumnya GPU hanya digunakan
untuk aplikasi yang membutuhkan komputasi
grafis yang tinggi, seperti perangkat lunak
Computer Aided Design (CAD) dan games.
GPU computing, atau disebut juga
General Purpose GPU (GPGPU), merupakan
konsep
pemrograman
paralel
yang
menggunakan GPU sebagai media komputasi
untuk memroses komputasi yang umumnya
dikerjakan
oleh
CPU.
Konsep
ini
menghasilkan kecepatan proses yang jauh
lebih baik dibanding kecepatan CPU untuk
kasus-kasus tertentu. Keunggulan ini tidak
berarti GPU dapat menggantikan CPU,
namum justru membantu CPU lebih spesifik
menangani
permasalahan
logika
dan
memberikan permasalahan komputasi pada
GPU.
Vector Space Model (VSM), sebagai salah
satu model temu kembali informasi, memiliki
algoritme yang sederhana sehingga relatif
mudah untuk dikembangkan dengan GPU
computing. Bantuan tenaga dari GPU
diharapkan dapat menambah kecepatan
eksekusi pada temu kembali informasi.
Abual-Rub (2007) melakukan penelitian
menggunakan sejumlah dokumen berisi
rangkaian protein. Abual-Rub membuktikan
bahwa VSM mampu menemu-kembalikan
dokumen relevan dengan hasil yang baik.
Govindaraju (2004) melakukan penelitian
mengenai operasi database menggunakan
GPU sebagai media komputasi. Govindaraju
membuktikan bahwa komputasi pada GPU
sepuluh kali lebih cepat dibanding komputasi
CPU dalam SQL query sederhana. Oleh
karena itu, pada penelitian ini digunakan GPU
untuk temu kembali informasi menggunakan
model VSM.
Ruang Lingkup
GPGPU idealnya membutuhkan kartu
grafis yang mendukung Shader Model 4.0
yang harganya belum dapat dijangkau
sebagian besar masyarakat. Ruang lingkup
penelitian ini difokuskan pada penerapan
GPGPU pada kartu grafis yang mendukung
Shader Model 2.0a yang merupakan kartu
grafis standar.
TINJAUAN PUSTAKA
Arsitektur CPU dan GPU
GPU berevolusi menjadi sebuah manycore
processor dengan kemampuan komputasi dan
memory bandwidth yang tinggi (Gambar 1
dan 2).
Gambar 1 Operasi floating-point untuk CPU
dan GPU.
Gambar 2 Memory bandwidth untuk CPU dan
GPU.
Tujuan
Tujuan utama dari penelitian ini adalah
temu kembali informasi menggunakan
GPGPU. Selain itu juga membandingkan
kinerja GPU dengan CPU dari sisi memory
usage dan kecepatan komputasi.
Perbedaan antara CPU dan GPU ini
disebabkan karena GPU dispesialisasikan
untuk menangani komputasi secara paralel
dan oleh sebab itu dirancang agar lebih
banyak transistor yang didedikasikan untuk
1
PENDAHULUAN
Latar Belakang
Graphical Processing Unit (GPU) modern
dapat ditemukan hampir di setiap komputer.
Dalam beberapa tahun terakhir, kemampuan
GPU meningkat drastis. Sayangnya, potensi
yang tersimpan di dalam GPU tidak
digunakan secara optimal pada sebagian besar
aplikasi. Umumnya GPU hanya digunakan
untuk aplikasi yang membutuhkan komputasi
grafis yang tinggi, seperti perangkat lunak
Computer Aided Design (CAD) dan games.
GPU computing, atau disebut juga
General Purpose GPU (GPGPU), merupakan
konsep
pemrograman
paralel
yang
menggunakan GPU sebagai media komputasi
untuk memroses komputasi yang umumnya
dikerjakan
oleh
CPU.
Konsep
ini
menghasilkan kecepatan proses yang jauh
lebih baik dibanding kecepatan CPU untuk
kasus-kasus tertentu. Keunggulan ini tidak
berarti GPU dapat menggantikan CPU,
namum justru membantu CPU lebih spesifik
menangani
permasalahan
logika
dan
memberikan permasalahan komputasi pada
GPU.
Vector Space Model (VSM), sebagai salah
satu model temu kembali informasi, memiliki
algoritme yang sederhana sehingga relatif
mudah untuk dikembangkan dengan GPU
computing. Bantuan tenaga dari GPU
diharapkan dapat menambah kecepatan
eksekusi pada temu kembali informasi.
Abual-Rub (2007) melakukan penelitian
menggunakan sejumlah dokumen berisi
rangkaian protein. Abual-Rub membuktikan
bahwa VSM mampu menemu-kembalikan
dokumen relevan dengan hasil yang baik.
Govindaraju (2004) melakukan penelitian
mengenai operasi database menggunakan
GPU sebagai media komputasi. Govindaraju
membuktikan bahwa komputasi pada GPU
sepuluh kali lebih cepat dibanding komputasi
CPU dalam SQL query sederhana. Oleh
karena itu, pada penelitian ini digunakan GPU
untuk temu kembali informasi menggunakan
model VSM.
Ruang Lingkup
GPGPU idealnya membutuhkan kartu
grafis yang mendukung Shader Model 4.0
yang harganya belum dapat dijangkau
sebagian besar masyarakat. Ruang lingkup
penelitian ini difokuskan pada penerapan
GPGPU pada kartu grafis yang mendukung
Shader Model 2.0a yang merupakan kartu
grafis standar.
TINJAUAN PUSTAKA
Arsitektur CPU dan GPU
GPU berevolusi menjadi sebuah manycore
processor dengan kemampuan komputasi dan
memory bandwidth yang tinggi (Gambar 1
dan 2).
Gambar 1 Operasi floating-point untuk CPU
dan GPU.
Gambar 2 Memory bandwidth untuk CPU dan
GPU.
Tujuan
Tujuan utama dari penelitian ini adalah
temu kembali informasi menggunakan
GPGPU. Selain itu juga membandingkan
kinerja GPU dengan CPU dari sisi memory
usage dan kecepatan komputasi.
Perbedaan antara CPU dan GPU ini
disebabkan karena GPU dispesialisasikan
untuk menangani komputasi secara paralel
dan oleh sebab itu dirancang agar lebih
banyak transistor yang didedikasikan untuk
1
mengolah data daripada data caching dan flow
control (Gambar 3 dan 4).
Tokenisasi
Tokenisasi adalah proses memotong
dokumen menjadi bagian-bagian kecil (token)
dengan cara membuang imbuhan dan kata
sambung yang ada. Token yang dihasilkan
merupakan kata dasar sehingga token yang
dihasilkan lebih sedikit.
Vector Space Model
Gambar 3 Pembagian transistor di CPU.
Vektor Space Model (VSM) menurut
Manning (2008) merupakan metode yang
paling populer dalam temu kembali informasi.
VSM terdiri atas tiga perhitungan, yaitu:
1.
2.
Gambar 4 Pembagian transistor di GPU.
Secara spesifik, GPU cocok untuk
mengatasi masalah yang dapat dikategorikan
sebagai data-parallel computations (program
yang sama dieksekusi pada banyak data
elemen secara paralel) dengan intensitas
aritmatika yang tinggi (rasio operasi
aritmatika dibandingkan operasi pada
memori). Oleh karena program dieksekusi
pada banyak elemen data dan mempunyai
intesitas aritmatika yang tinggi, kalkulasi
lebih baik dilakukan secara langsung daripada
disimpan di memori.
Tekstur
Data disimpan dalam GPU sebagai tekstur
yang merupakan suatu array dua dimensi dan
biasanya digunakan sebagai image dan
mempunyai kanal-kanal. Sebagai contoh,
sebuah texture RGBA mempunyai empat buah
kanal – red, green, blue, dan alpha. Data
format yang berbeda dapat digunakan di
dalam texture, seperti 8-bit bytes, 16-bit
integers, dan floating-points. Dalam GPGPU
data disimpan di tekstur menggunakan format
floating-points, sehingga suatu pixel tidak lagi
merepresentasikan suatu warna, melainkan
suatu nilai numerik. Pada GPU Shader Model
2.0a terdapat keterbatasan bahwa ukuran
texture yang digunakan harus power of two.
GPU mampu memroses tekstur dengan
dimensi 4096x4096, sehingga satu tekstur
mampu menampung lebih dari 16 juta data.
3.
Pembobotan untuk setiap kata indeks di
seluruh dokumen. Semakin sering term
tersebut muncul dalam setiap dokumen,
maka term tersebut semakin tidak
penting.
Pembobotan untuk setiap kata indeks
dalam sebuah dokumen. Semakin sering
suatu term muncul dalam sebuah
dokumen, maka term tersebut semakin
penting.
Untuk setiap kueri, vektor kueri
dibandingkan
kemiripannya
dengan
setiap vektor dokumen. Proses ini
bertujuan untuk mengurutkan setiap
dokumen berdasarkan kemiripannya
dengan kueri. Pembobotan dapat dihitung
dengan:
dengan:
= frekuensi term i dalam dokumen,
= frekuensi dokumen yang memuat
term i,
= jumlah dokumen dalam corpus.
Bobot ini kemudian akan digunakan untuk
menghitung cosine similarity dengan rumus:
.
,
∑
∑
,
,
·
,
.
,
Semakin besar nilai cosine similarity
berarti semakin relevan (Manning, 2008).
METODE PENELITIAN
Proses temu kembali informasi terdiri atas
dua tahap utama yaitu indexing dan searching.
Pada tahap indexing, dilakukan pembobotan
pada setiap term (yang telah melalui proses
tokenisasi) dalam dokumen. Tahap searching
2
mengolah data daripada data caching dan flow
control (Gambar 3 dan 4).
Tokenisasi
Tokenisasi adalah proses memotong
dokumen menjadi bagian-bagian kecil (token)
dengan cara membuang imbuhan dan kata
sambung yang ada. Token yang dihasilkan
merupakan kata dasar sehingga token yang
dihasilkan lebih sedikit.
Vector Space Model
Gambar 3 Pembagian transistor di CPU.
Vektor Space Model (VSM) menurut
Manning (2008) merupakan metode yang
paling populer dalam temu kembali informasi.
VSM terdiri atas tiga perhitungan, yaitu:
1.
2.
Gambar 4 Pembagian transistor di GPU.
Secara spesifik, GPU cocok untuk
mengatasi masalah yang dapat dikategorikan
sebagai data-parallel computations (program
yang sama dieksekusi pada banyak data
elemen secara paralel) dengan intensitas
aritmatika yang tinggi (rasio operasi
aritmatika dibandingkan operasi pada
memori). Oleh karena program dieksekusi
pada banyak elemen data dan mempunyai
intesitas aritmatika yang tinggi, kalkulasi
lebih baik dilakukan secara langsung daripada
disimpan di memori.
Tekstur
Data disimpan dalam GPU sebagai tekstur
yang merupakan suatu array dua dimensi dan
biasanya digunakan sebagai image dan
mempunyai kanal-kanal. Sebagai contoh,
sebuah texture RGBA mempunyai empat buah
kanal – red, green, blue, dan alpha. Data
format yang berbeda dapat digunakan di
dalam texture, seperti 8-bit bytes, 16-bit
integers, dan floating-points. Dalam GPGPU
data disimpan di tekstur menggunakan format
floating-points, sehingga suatu pixel tidak lagi
merepresentasikan suatu warna, melainkan
suatu nilai numerik. Pada GPU Shader Model
2.0a terdapat keterbatasan bahwa ukuran
texture yang digunakan harus power of two.
GPU mampu memroses tekstur dengan
dimensi 4096x4096, sehingga satu tekstur
mampu menampung lebih dari 16 juta data.
3.
Pembobotan untuk setiap kata indeks di
seluruh dokumen. Semakin sering term
tersebut muncul dalam setiap dokumen,
maka term tersebut semakin tidak
penting.
Pembobotan untuk setiap kata indeks
dalam sebuah dokumen. Semakin sering
suatu term muncul dalam sebuah
dokumen, maka term tersebut semakin
penting.
Untuk setiap kueri, vektor kueri
dibandingkan
kemiripannya
dengan
setiap vektor dokumen. Proses ini
bertujuan untuk mengurutkan setiap
dokumen berdasarkan kemiripannya
dengan kueri. Pembobotan dapat dihitung
dengan:
dengan:
= frekuensi term i dalam dokumen,
= frekuensi dokumen yang memuat
term i,
= jumlah dokumen dalam corpus.
Bobot ini kemudian akan digunakan untuk
menghitung cosine similarity dengan rumus:
.
,
∑
∑
,
,
·
,
.
,
Semakin besar nilai cosine similarity
berarti semakin relevan (Manning, 2008).
METODE PENELITIAN
Proses temu kembali informasi terdiri atas
dua tahap utama yaitu indexing dan searching.
Pada tahap indexing, dilakukan pembobotan
pada setiap term (yang telah melalui proses
tokenisasi) dalam dokumen. Tahap searching
2
dapat dipecah ke dalam tiga proses yaitu
query weighting, scoring, dan sorting. Proses
pertama, query weighting adalah pemboboton
setiap term pada query yang akan
ditemukembalikan.
Proses
selanjutnya,
scoring adalah penghitungan skor kemiripan
antara kueri dan seluruh dokumen pada
corpus. Proses terakhir, sorting adalah
pengurutan seluruh skor kemiripan kueri
dengan dokumen (hasil proses scoring),
sehingga diperoleh skor kemiripan terbesar.
Pada penelitian ini scoring dan sorting
dipartisi dan diproses secara paralel oleh CPU
dan GPU. Cara memartisinya dengan
memecah dokumen-dokumen dalam corpus,
sebagian dikerjakan oleh CPU dan sebagian
dikerjakan oleh GPU. Untuk penelitian ini,
proses dalam CPU dilakukan secara
sekuensial. Apabila digambarkan dalam suatu
bagan maka proses temu kembali informasi
pada penelitian ini terlihat seperti Gambar 5.
GPU Processing
Secara umum tahapan komputasi melalui
GPU dapat dijabarkan sebagai berikut:
1.
2.
3.
4.
5.
6.
Membuat input buffer di dalam GPU.
Membuat output buffer di dalam GPU.
Menyalin data masukan dari CPU ke
dalam input buffer.
Inisialisasi
konstanta
yang
akan
digunakan dalam kernel function.
Mengeksekusi kernel function.
Menyalin data keluaran ke CPU dari
output buffer.
Lingkungan Pengembangan
Perangkat lunak yang digunakan dalam
penelitian ini adalah sebagai berikut :
• Mircrosoft Windows
Edition 32-bit
• Microsoft DirectX 9.0c
• NVidia CG 2.0
Vista
Ultimate
Perangkat keras yang digunakan adalah
sebagai berikut :
• PC Intel Core2Duo 1.8 GHz
• RAM 2 GB
• VGA GeForce 7600GT 256 MB
HASIL DAN PEMBAHASAN
Deskripsi Dokumen Uji
Gambar 5 Proses temu kembali informasi.
CPU Processing
Scoring dirumuskan sebagai berikut :
score (d) = ∑
·
.
Apabila d adalah dokumen, t adalah term, n
adalah jumlah term pada dokumen, dan q
adalah kueri, maka nilai kemiripan dokumen d
terhadap kueri q (skor q-d) adalah
penjumlahan dari seluruh dot produk term
pada dokumen dan term pada kueri.
Perhitungan skor q-d pada CPU dilakukan
secara sekuensial. Sorting pada CPU
menggunakan algoritme quick sort.
Dokumen yang dilakukan untuk pengujian
menggunakan corpus IPB yang terdiri dari
1000 dokumen. Dokumen-dokumen tersebut
kemudian ditokenisasi sehingga menghasilkan
26.575 term. Term yang dihasilkan dalam
proses tokenisasi adalah term tanpa
menggunakan stoplist dan stemming. setelah
itu term-term tersebut disimpan ke dalam
bentuk file.
Algoritme yang Digunakan
Kernel function diemulasi menggunakan
pixel shader atau disebut juga fragment
shader. Kernel function mempunyai parameter
berupa indeks matriks dari output buffer.
Indeks inilah yang akan digunakan untuk
mengakses data terkait pada input buffer.
Kernel digambarkan sebagai body of
loops. Sebagai contoh jika kita ingin
menransformasi nilai di dalam matriks dua
dimensi pseudo-code-nya sebagai berikut.
3
dapat dipecah ke dalam tiga proses yaitu
query weighting, scoring, dan sorting. Proses
pertama, query weighting adalah pemboboton
setiap term pada query yang akan
ditemukembalikan.
Proses
selanjutnya,
scoring adalah penghitungan skor kemiripan
antara kueri dan seluruh dokumen pada
corpus. Proses terakhir, sorting adalah
pengurutan seluruh skor kemiripan kueri
dengan dokumen (hasil proses scoring),
sehingga diperoleh skor kemiripan terbesar.
Pada penelitian ini scoring dan sorting
dipartisi dan diproses secara paralel oleh CPU
dan GPU. Cara memartisinya dengan
memecah dokumen-dokumen dalam corpus,
sebagian dikerjakan oleh CPU da