Dari gambar tersebut dapat dilihat titik-titik yang terserbar dapat didekati dengan garis linear. Hal ini yang menjadi landasan regresi linear multivariate
dipilih untuk digunakan pada proses rekonstruksi nilai curah hujan, karena titik- titik perbandingan hasil rekontruksi dengan data pengamatan dapat didekati
dengan garis linear.
Perbandingan nilai R
2
terbesar dengan penelitian sebelumnya
Gambar 17 menunjukan perbandingan hasil R
2
dengan dua penelitian sebelumnya yang dilakukan oleh Apriyanti dan Normakritaguluh.
Gambar 16 Grafik perbandingan nilai R
2
dengan penelitian sebelumnya.
Penelitian Normakritaguluh yang menggunakan Jaringan Syaraf Tiruan pada model GCM yang dengan nilai R
2
tertinggi adalah 74, maka diperoleh peningkatan 15.14. Untuk penelitian Apriyanti 2005 yang menggunakan
Optimasi Jaringan Syaraf tiruan dengan Algoritma Genetika pada model GCM dengan nilai R
2
terbaik adalah sebesar 87.71, maka terjadi peningkatan sebesar 1.43,.
4.7.2 Kinerja Paralel
Dalam penelitian ini , pendekatan paralel yang digunakan adalah dengan pemrograman paralel implisit dengan MATLAB yang diimplementasikan dengan
prosesor dual-core. Setiap unit pemrosesan yang ada pada prosesor dapat menangani satu thread.
0.74 0.8771
0.8914
0.2 0.4
0.6 0.8
1
Normakritaguluh 2004
Apriyanti 2005
Lumbanraja2011
nila i
R
2
penelitian
1. Obser
Obs Microsoft
dilakukan utiliasi pro
direduksi m
Serial
Paralel d
e ngan 2
prosesor rvasi kinerj
ervasi dilak Windows V
oleh sistem osesor adala
menjadi 5.
2 th re
ad
3 thread ja Paralel
kukan denga Vista
. Untuk m. Ukuran d
ah yang pali an menggun
k mengamat data yang dig
ing besar ya nakan progr
ti tingkat kin gunakan un
aitu: ukuran ram task ma
nerja pemro ntuk menguk
n grid matrik anager
pada osesan yang
kur kinerja k 7x7 yang
a g
Gam
komp peek
deng ditam
2. S
deng speed
cepat matri
yang threa
kecen speed
4 thread
mbar 17 Per tas
Pada Gam putasi serial
k performanc gan menggu
mbah thread
Speedup
Speedup m
gan waktu k dup yang ni
t dari waktu Untuk fun
iks berdime g paling besa
ad. Seperti y nderungan d
dup .
rbandingan sk manager.
mbar 18 yang l, grafik pee
ce untuk ko
unakan dua p d, maka graf
merupakan p omputasi se
ilainya di at u komputasi
ngsi PCA_re ensi 3x3 dir
ar adalah pr yang terliha
dengan pen grafik perb
g menunjuk ek performa
omputasi sec prosesor dap
fik peek perf
perbandinga ecara parale
tas 1. Artiny i secara seri
eduksi , spee
eduksi menj roses berdim
t pada Gam nambahan th
bandingan p
kan perband ance
lebih k cara paralel
pat dilihat d rformance
a
an antara w el. Speedup
ya, waktu k ial.
edup paling
njadi 1 deng mensi 7x7 d
mbar 19. Dar hread, meny
peek perfor
dingan peek kecil jika dib
l. Pada kom dengan sem
akan semaki
waktu komp yang diang
omputasi se kecil adala
gan 4 thread direduksi me
ri graik ters yebabkan pe
rmance men
performanc bandingan d
mputasi secar makin banyak
in membesa
utasi secara gap baik ad
ecara parale ah pada saat
. Sedang sp enjadi 5 den
ebut dapat d enurunan ni
nggunakan
ce untuk
dengan ra paralel
k ar.
a serial dalah
el lebih proses
peedup ngan 2
dilihat ilai
Gambar 18 Grafik perbandingan speedup pada fungsi PCA_reduksi. Pada fungsi regresi, speedup paling kecil adalah pada proses yang banyak
komponen PCA sebesar 1 dengan 4 thread. Sedang speedup yang paling besar adalah proses yang banyak komponen PCA sebesar 5 dengan 2 thread. Fungsi
rekonstruksi sama seperti fungsi regresi, nilai speedup pun paling kecil adalah
pada proses yang banyak komponen PCA sebesar 1. Sedang speedup yang paling besar adalah proses yang banyak komponen PCA sebesar 5.
Fungsi regresi dan rekonstruksi ini memiliki nilai speedup dibawah 1. Ini berarti waktu serial lebih cepat dari waktu paralel. Ini menunjukan penggunaan
program paralel pada kedua fungsi ini kurang baik. Dengan semakin banyak thread yang ditambah, menyebabkan penurunan nilai speedup. Hal ini bisa dilihat
pada Gambar 20 dan Gambar 21 yang menunjukan perbandingan nilai speedup untuk fungsi regresi dan rekontruksi.
0.2 0.4
0.6 0.8
1 1.2
1.4 1.6
1.8 2
2 thread
3 thread
4 thread
Sp eedup
jumlah thread
matriks 3x3 menjadi 1
matriks 3x3 menjadi 3
matriks 3x3 menjadi 5
matriks 5x5 menjadi 1
matriks 5x5 menjadi 3
matriks 5x5 menjadi 5
matriks 7x7 menjadi 1
matriks 7x7 menjadi 3
matriks 7x7 menjadi 5
