Model Komputasi Paralel Algoritma Seleks
Model Komputasi Paralel Algoritma Seleksi Clonal
dengan Java Message Passing Model - MPJExpress
Ayi Purbasari
Teknik Informatika Unpas
pbasari@unpas.ac.id
Oerip S. Santoso
Sekolah Teknik Informatika Elektro - ITB
oerip@informatika.org
ABSTRAK
Penelitian menghasilkan empat model komputasi paralel untuk
algoritma seleksi clonal, clonal selection algorithm (CSA) yang
diberi nama Clonal Selection – Inspired Parallel Algorithm
(CSI-PA). Model
komputasi paralel diperoleh dengan
mengeksploitasi potensi paralelisme pada seleksi clonal dan
algoritma seleksi clonal serta memperhatikan aspek terkait desain
komputasi paralel, yaitu partisi data dan komunikasi antar proses.
Model pertama melakukan partisi data dengan komunikasi
terkontrol oleh master, (Global single-population master-slave
model). Model kedua melakukan partisi data dengan komuniksi
berlaku antar seluruh proses (single-population coarse-grained
model). Model ketiga tidak ada partisi data dan komunikasi
terkontrol oleh master (multiple-population master-slave model).
Model keempat tidak ada partisi data sedangkan komunikasi
berlaku antar seluruh proses (multiple-population coarse-grained
model). . Keempat model diimplementasika menggunakan Java
Message Passing Model – MPIJExpress.. Eksekusi dilakukan di
lingkungan kluster dan multicore. Eksperimen dilakukan untuk
persoalan TSP dengan dataset Berlin52.tsp. Hasil yang diperoleh
adalah konsisten dimana semua model menghasilan masingmasing best cost dimana eksekusi di lingkungan multicore lebih
cepat dibandingkan di lingkungan kluster. Model 2 dan 4
memiliki waktu eksekusi yang lebih baik daripada Model 1 dan
3. Terlihat bahwa model coarse grained menghasilkan waktu
yang lebih cepat daripada model master-slave. Model 2 dan 4
menghasilkan bobot optimum yang lebih baik daripada model 1
dan 3. Bobot terbaik diperoleh untuk N = 50 dengan n = 10
bernilai 8516. Dibandingkan dengan bobot optimal untuk
Berlin52.tsp dari TSPLib, yaitu 7542, maka diperoleh prosentase
sebesar 88.56%.
Kata Kunci
Clonal Selection Algorithm, Clonal Selection – Inspired Parallel
Algorithm (CSI-PA), Java Message Passing Model, MPJExpress,
Traveling Salesperson Problem.
1. PENDAHULUAN
Pada persoalan kompleks, pendekatan heuristik menjadi
tawarasan solusi dimana feasible time limit menghasilkan
acceptable solution. Algoritma seleksi clonal (Clonal Selection
Algorithm/CSA) sebagai solusi heuristik berbasis populasi, telah
mampu menyelesaikan persoalan kombinatorial, khususnya
Traveling Salesman Problem/TSP [6] [15]. Algoritma ini
merupakan bagian dari Artificial Immune System/AIS, suatu
pendekatan berbasis inspirasi dari sistem biologi (Bio-Inspired
Computing), khususnya sistem imun, untuk menyelesaikan
persoalan kompleks [1] [19]. Pendekatan ini seperti pendekatan
populasi lainnya, memerlukan waktu komputasi yang tidak
Iping S. Suwardi
Sekolah Teknik Informatika Elektro - ITB
iping@informatika.org
Rila Mandala
Sekolah Teknik Informatika Elektro - ITB
rila@informatika.org
sedikit. Hal ini kemudian melahirkan bebagai gagasan untuk
meningkatkan performa komputasi dengan mengadopsi
komputasi paralel.
Sebagai penggagas awal, Watskin [22] tidak spesifik untuk
algoritma seleksi clonal dan diterapkan untuk persoalan
pengenalan pola. Hongbing dkk [13] menerapkan paralelisme
CSA untuk prediksi struktur protein dengan menggunakan
Open-MPI. Sedangkan Dabrowski dan Kobale [10]
menggunakan komputasi CSA paralel untuk persoalan
pewarnaan graf. Yotau Qi menggagas ide komputasi paralel CSA
dengan menggunakan model tower master slave (TMS) untuk
persoalan TSP [23] dengan nama Parallel Immune Memory
Clonal Selection Algorithm (PIMCSA). PIMCSA menghasilkan
performa dan solusi yang baik untuk persoalan TSP. Hal ini
menunjukkan bahwa gagasan komputasi paralel pada memiliki
potensi meningkatkan performa komputasi yang lebih baik.
Pada penelitian ini, akan dikembangkan model komputasi
paralel dengan mengeksploitasi potensi paralelisme yang ada
pada seleksi clonal dan algoritma seleksi clonal. Selain
memperhatikan karakteristik yang dimiliki oleh sistem imun
pada peristiwa seleksi clonal, model yang dibangun merujuk
kepada prinsip dan konsep desain komputasi paralel, dengan
mempertimbangkan banyak aspek: partisi, komunikasi,
agglomearation, dan mapping [12].
Model selanjutnya menghasilkan 4 varian algoritma yang diberi
nama Clonal Selection – Inspired Parallel Algorithm (CSIPA). Algoritma ini kemudian diimplementasikan menggunakan
pustaka standard Message Passing Interface (MPI), berupa Java
Message Passing Model, MPJExpress. Pustaka ini merupakan
pustaka implementasi standar Message Passing Interface (MPI)
menggunakan bahasa Java sebagai bahasa pembangun dan
Application Programmable Interface (API) [4] [3]. MPJExpress
ditujukan untuk lingkungan multicore, cluster, atau hibrid [5] [7].
Penelitian bertujuan untuk melakukan penerapan MPJExpress
pada model komputasi paralel CSI-PA,
yang kemudian
diimplementasikan pada lingkungan multicore atau cluster.
Penelitian berfokus kepada aspek-aspek yang harus diperhatikan
pada penerapan pustaka, model komputasi yang dihasilkan, serta
hasil dari komputasi itu sendiri.
Secara sistematika, makalah ini berisi pendahuluan, metode
penelitian, riset terkait, hasil dan kesimpulan, serta
acknowledgements.
2. METODE PENELITIAN
Penelitian ini bersifat eksperimental, diawali dengan
pembangunan
model
komputasi
yang
kemudian
diimplementasikan dengan memanfaatkan pustaka MPJExpress
Jurnal Cybermatika | Vol. 2 No. 1 | Juni 2014 | Artikel 5
27
dengan lingkungan komputasi paralel berupa multicore dan
cluster. Terdapat beberapa dataset sebagai data uji eksperimen,
data mengambil kasus TSP dari pustaka TSPLib [20].
Gambaran umum algoritma seleksi clonal dapat dilihat dalam
Gambar 1.
Berikut adalah metode pada penelitian ini:
1) Kajian literatur terkait solusi persoalan TSP dengan immune
inspired algorithm dan kajian model komputasi paralel
dengan clonal selection algorithms
2) Implementasi dan verifikasi model dengan menerapkan
MPJExpress
3) Perumusan hasil eksperimen
3. RISET TERKAIT
3.1 TSP dan Solusi Terinspirasi Sistem Imun
Persoalan kompleks, NP-Problem merupakan persoalan yang
membutuhkan waktu non-polynomial dalam mendapatkan solusi.
Optimasi kombinatorial merupakan bagian dari NP-Problem,
dengan contoh persoalan Traveling Salesperson Problem (TSP).
Beberapa pendekatan TSP baik secara deterministik dan
heuristik, telah menghasilkan ragam solusi TSP [11].
Clonal Selection Algorithm (CSA), merupakan algoritma
terinspirasi sistem imun khususnya pada peristiwa seleksi clonal
[9]. Seleksi clonal adalah peristiwa pada respon imun, dimana
ketika terjadi serangan dari antigen, sel B sebagai sel yang
memproduksi antibodi akan diperbanyak jika sel tersebut
memilik kecocokan resptor dengan reseptor yang terdapat pada
antigen. Sel yang tidak memiliki kecocokan tidak turut dalam
seleksi. Perhitungan kecocokan tersebut dikenal sebagai
peristiwa affinity maturation.
CSA menjadi bagian dari keluarga Bio-Inspired Algorithm yang
disebut Artificial Immune System (AIS) [1]. CSA memetakan
komponen sistem imun antibodi sebagai populasi yang menjadi
solusi yang dituju, sedangkan komponen sistem imun antigent
ditujukan sebagai persoalan/problem.
Dalam memetakan
persoalan dengan penyelesaian/solusi berdasarkan inspirasi
sistem imun ini, terdapat aktivitas yang disebut sebagai immune
engineering [19]. Pada persoalan TSP; respon imun
merepresentasikan solusi sedangkan antigen merepresentasikan
persoalan; dalam hal ini adalah kumpulan simpul/kota dimana
salesman harus mengunjunginya, sel B (pembentuk antibodi)
merepresentasikan tour yang terbentuk [6] [9].
Leandro [9] menjelaskan bahwa Afiniti menggambarkan
kecocokan reseptor antara Antibodi yang terbentuk (Ab) dengan
Antigen (Ag). Kematangan afiniti (affinity maturation) dihitung
dari tingkat shape-space Ab-Ag yang dapat direpresentasikan
dengan perhitungan Hamming Distance sebagai berikut:
D=∑
0
Population
Initialization
Evaluation
No
Selection
No
High Affinity?
Yes
Cloning
Hyperm utation
Stop Condition?
Edit Receptor
Yes
Population
Finalization
Gambar 1 Algoritma Seleksi Clonal
Pada dasarnya CSA ditujukan untuk persoalan learning dan
optimasi [9] dengan contoh klasik TSP. CSA telah dipergunakan
untuk berbagai persoalan, yang didomasi oleh persoalan optimasi
[21]. Dalam perkembangannya, CSA telah mengalami banyak
improvement [8], termasuk gagasan untuk diimplementasikan
secara paralel. Sebagai penggagas awal, Watskin [22] tidak
spesifik untuk algoritma seleksi clonal dan diterapkan untuk
persoalan pengenalan pola. Hongbing dkk [13] menerapkan
paralelisme CSA untuk prediksi struktur protein
dengan
menggunakan Open-MPI. Sedangkan Dabrowski dan Kobale
[10] menggunakan komputasi CSA paralel untuk persoalan
pewarnaan graf. Yotau Qi menggagas ide komputasi paralel CSA
dengan menggunakan model tower master slave (TMS) untuk
persoalan TSP [23] dengan nama Parallel Immune Memory
Clonal Selection Algorithm (PIMCSA). PIMCSA menghasilkan
performa dan solusi yang baik untuk persoalan TSP. Hal ini
menunjukkan bahwa gagasan komputasi paralel pada memiliki
potensi meningkatkan performa komputasi yang lebih baik.
3.2 Komputasi Paralel, Message Passing
Interface, dan MPJExpress
Untuk melakukan komputasi paralel, beberapa aspek harus
dipertimbangkan [12]. Desain paralel, menentukan bagaimana
algoritma untuk komputasi paralel dibangun. Prinsip-prinsip
desain paralel dapat dilihat dalam Gambar 2.
.
Dimana
=
≠
dan
= 1
=
. L adalah jumlah atribut dari Ab dan Ag.
Untuk persoalan optimasi, terdapat aturan bahwa
jumlah total klon yang dibangkitkan untuk setiap n antibodi
terpilih memenuhi persamaan sebagai berikut:
= ∑
( . )
Dimana Nc, merupakan jumlah total klon yang dibangkitkan
untuk setiap Ab, β adalah pengali/clone factor, N adalah total
jumlah Ab.
Sementara itu, aturan untuk hipermutasi adalah menetapkan nilai
probabilitas mutasi dengan persamaan a=exp(-β*f), dimana β
parameter pengali dan f adalah fitness dari sel awal dengan nilai
[0,1], dimana semakin besar nilai, semakin baik fitness yang
diperoleh. [9]. Nilai probabilitas ini yang digunakan untuk
melakukan hipermutasi.
28
Gambar 2 Prinsip perancangan komputasi paralel [12]
Prinsip-prinsip
perancangan
mempetimbangkan:
komputasi
paralel
harus
1) Partisi, baik partisi data atau partisi task. Dalam ini, partisi
dilakukan terhadap task.
2) Komunikasi antar proses, baik komunikasi terpusat, tersebar
atau gabungan keduanya.
Ayi Purbasari, Iping S. Suwardi, Oerip S. Santoso, Rila Mandala
3) Agglomeration, adalah penggabungan task ke dalam tasktask yang lebih besar.
4) Mapping adalah pemetaan antara proses dan pemroses.
Message Passing Interface (MPI), merupakan standar pustaka
untuk model pemrograman paralel message passing. Dengan
model message passing terdapat komunikasi antar proses
melalui pengiriman pesan dari satu proses ke proses lainnya
melalui jaringan. Tiap proses MPI memiliki masing-masing
keadaan program lokal, yang tidak dapat diobservasi maupun
diubah oleh proses lainnya, kecuali dalam hal merespon message
[14]. Kebanyakan program MPI ditulis dalam bentuk model
SPMD (Single Program Multiple Data), dimana setiap proses
berjalan pada program yang sama dengan data yang berbeda.
[14].
Setidaknya terdapat dua production-quality MPI libraries:
MPICH [2] dan OpenMPI [17]. Keduanya mengimplementasikan
prinsip-prinsip dasar message passing pada standar MPI, antara
lain Communicator, Point-to-point basics, Collective basics, dan
Derived datatypes. Bahasa tingkat tinggi yang digunakan pada
dasarnya ada bahasa C dan Fortran. Seiring dengan lahirnya
bahasa Java dengan penerimaannya yang meluas, lahirlah
gagasan pemanfaatan bahasa Java sebagai bahasa untuk
pemrograman High Performance Computing (HPC) dan MPJ
Express merupakan salah satu implementasinya [4] [3] [7].
MPJ Express memiliki desain berlapis yang mengijinkan
pengembangan secara incremental, juga mampu untuk
mengupdate dan swap lapisan sesuai dengan kebutuhan
pengembangan. Hal ini memberikan opsi kepada pengembang
untuk memanfaatkan high-performance proprietary network
devices atau memilih pure Java devices dengan soket. MPJ
Express didesain dengan leveling yang berbeda: the MPJ API,
high-level, base-level, mpjdev, and xdev [4] [3] [5] [7]. Pada
penelitian ini digunakan MPJ API.
Tabel 2 Tipe komunikasi
Kriteria
Deskripsi
Kendali
komunikasi
Master
Master-slave
Master
sebagai
pengendali proses,
slave
berkomunikasi
dengan master
Coarse-grained
Master
sebagai
pengendali proses
awal, selanjutnya
slave
berkomunikasi
dengan
sesama
slave
Terdapat satu
proses
pemegang
kendali
komunikasi
awal (proses
master)
Master-slave
Slave melakukan
proses
awal,
selanjutnya
komunikasi
kepada master
Slave
Coarse-grained
Seluruh
proses
saling
berkomunikasi
Tidak
terdapat satu
proses
pemegang
kendali
komunikasi
awal
MPJ Express menawarkan solusi komputasi pada konfigurasi
cluster dan hybrid selain lingkungan multicore [16].
4. HASIL DAN DISKUSI
4.1 Model Komputasi Paralel
Berdasarkan tahapan desain paralel pada sub bab 3.1, berikut
tahapan pembangunan model komputasi paralel untuk CSA:
Berdasarkan partisi data, terdapat 2 kriteria partisi data
sebagaimana diperlihatkan dalam Tabel 1.
Tabel 1 Partisi data
Kriteria
Partisi
Data I
Partisi
Data II
Deskripsi
Proses master menginisialisasi
populasi awal
Data dipartisi
Partisi data dikirim ke seluruh
proses
Gambaran
Seluruh proses menginisialisasi
populasi awal
Tidak ada data partisi
Berdasarkan tipe komunikasi, terdapat 4 kelompok komunikasi
sebagaimana diperlihatkan dalam Tabel 2.
Dengan mempertimbangkan aspek komunikasi dan partisi, model
komputasi untuk algoritma seleksi clonal dapat dikelompokkan
sebagai berikut:
1) Data dipartisi, komunikasi terkontrol oleh master,
disebut global single-population master-slave model.
2) Data dipartisi, komuniksi berlaku antar seluruh proses,
single-population coarse-grained model.
3) Data tidak dipartisi, komunikasi terkontrol oleh master,
disebut multiple-population master-slave model.
4) Data tidak dipartisi, berlaku antar seluruh proses,
disebut multiple-population coarse-grained model.
atau
atau
atau
atau
Pada model global single-population master-slave, populasi
disiapkan oleh proses master, kemudian dipartisi dan dikirim ke
proses slave. Selanjutnya, tiap slave melakukan operasi seleksi
clonal berupa perhitungan afiniti, seleksi, cloning dan mutasi,
serta replacement. Populasi terbaik yang terdapat pada masingmasing slave kemudian dikirimkan ke master. Master
mengkoleksi dan melakukan mengirimkan ke proses slave.
Gambar 3 ini merupakan gambaran global single-population
master-slave model.
Jurnal Cybermatika | Vol. 2 No. 1 | Juni 2014 | Artikel 5
29
slave. Gambar 5 merupakan gambaran multiple-population
master-slave model.
Gambar 3 Global single-population master-slave model
Pada model
single-population coarse-grained,
populasi
disiapkan oleh proses master, kemudian dipartisi dan dikirim ke
proses slave. Selanjutnya, tiap slave melakukan operasi seleksi
clonal. Populasi terbaik yang terdapat pada masing-masing slave
kemudian dikirimkan ke seluruh proses slave. Proses diulang
sampai dengan kriteria berhenti. Gambar 4 merupakan gambaran
single-population coarse-grained model:
Model keempat adalah multiple-population coarse-grained
model. Gambar 6 merupakan gambaran multiple-population
coarse-grained model:
Gambar 4 Single-Population Coarse-Grained
Gambar 6 Multiple-Population Coarse-Grained Model
Pada model
multiple-population master-slave, populasi
disiapkan oleh tiap-tiap proses. Selanjutnya, tiap slave
melakukan operasi seleksi clonal. Populasi terbaik yang terdapat
pada masing-masing slave kemudian dikirimkan ke master.
Master mengkoleksi dan melakukan mengirimkan ke proses
Pada model ini, populasi disiapkan oleh tiap-tiap proses.
Selanjutnya, tiap slave melakukan operasi seleksi clonal Populasi
terbaik yang terdapat pada masing-masing slave kemudian
dikirimkan ke seluruh proses slave. Proses diulang sampai
dengan kriteria berhenti.
30
Gambar 5 Multiple-Population Master-Slave
Ayi Purbasari, Iping S. Suwardi, Oerip S. Santoso, Rila Mandala
4.2 Verifikasi dengan Eksperimen
4.2.2 Hasil Eksperimen
Gambar 9 memperlihatkan gambaran dari bobot terbaik atau best
cost yang dihasilkan oleh ke empat model yang dieksekusi pada
dua lingkungan:
25.000
Best Cost
(Berlin52.tsp)
20.000
Bobot Tour Terbaik
Setelah mendapatkan model komputasi paralel, maka langkah
berikutnya adalah melakukan verifikasi dengan eksperimen.
Persoalan yang diteliti tetap persoalan combinatorial
optimization dalam kasus Traveling Salesperson Problem (TSP).
Gambar 7 merupakan gambaran lokasi kota pada dataset
Berlin52.tsp.
15.000
10.000
5.000
np2
np4
np8
np2
1.000
4.2.1 Perancangan Eksperimen
M-3
M-4
C-2
C-3
C-4
np4
np8
np2
np4
10.000
Jumlah Pemroses dan Generasi
np8
100.000
Gambar 9 Best cost untuk Berlin52.tsp
Terlihat bahwa best cost diperoleh pada model 2 yang dieksekusi
pada lingkungan multicore tapi tidak jauh berbeda jika di
eksekusi pada lingkungan kluster.
Gambar 10 memperlihatkan gambaran dari bobot terbaik atau
best cost yang dihasilkan oleh ke empat model yang dieksekusi
pada dua lingkungan
2.000.000
Waktu Eksekusi
(Berlin52.tsp)
1.800.000
1.600.000
1.400.000
Waktu Eksekusi
Sedangkan lingkungan perangkat lunak menggunakan Java
Message Passing Model, MPJExpress. Pengembangan
mengunakan IDE Netbean 7.2.1 yang menggunakan Java versi
1.7.0_13; dilengkapi Java HotSpot(TM) 64-Bit Server V M 23.7b01. Seluruhnya berjalan di Sistem Operasi Windows 7 v6.1.
M-2
C-1
-
Gambar 7 Koordinat kota dan tour optimum Berlin52.tsp
Eksperimen dilakukan pada lingkungan implementasi perangkat
keras dan perangkat lunak. Lingkungan perangkat keras terdiri
dari dua lingkungan yaitu lingkungan multicore dan lingkungan
cluster. Kluster yang digunakan, terdiri dari 1 headnode dan 16
compute node. Pada eksperimen ini akan digunakan digunakan 8
compute node. Berikut gambaran spesifikasi teknis dari
headnode Hardware CPUs 32x2.90GHz, memory 126.13GB,
local disk 895.465GB. Software: Linux 2.6.32-279. Sedangkan
untuk dan compute node: Hardware CPUs 16x2.70GHz, memory
15.66GB, local disk 142.835GB. Software: Linux 2.6.32-279
M-1
1.200.000
1.000.000
800.000
600.000
Gambaran umum eksperimen dapat dilihat pada Gambar 8.
400.000
200.000
np2
np4
np8
np2
1.000
M-1
np4
np8
np2
10.000
Jumlah Pemroses / Generasi
M-2
M-3
M-4
C-1
np4
np8
100.000
C-2
C-3
C-4
Gambar 10 Waktu eksekusi untuk Berlin52.tsp
Terlihat bahwa waktu tercepat diperoleh pada model 4 yang
dieksekusi di lingkungan multicore.
Gambar 11 memperlihatkan gambaran bobot terbaik pada 10.000
generasi untuk keempat model di kedua lingkungan eksekusi.
30000
Best Cost di Multicore
(Berlin52.tsp)
25000
Untuk eksekusi maka, disusun simulasi eksekusi sebagaimana
diperlihatkan dalam Tabel 3.
Tabel 3 Skenario eksperimen
Nama dataset
Jumlah simpul
Jumlah generasi
N, populasi awal
n, jumlah seleksi
Nilai
parameter
Clone factor β
Mutate factor δ
Jumlah pemroses
Lingkungan pemroses
Berlin52
52
1000,10.000, 100.000
50
10
0.1
2.5
2, 4, 8
Multicore, cluster
20000
Best Cost
Gambar 8 Perancangan eksperimen
15000
10000
5000
1
1001
2001
3001
4001
5001
6001
7001
8001
9001
Generasi
M-1 (np2)
M-1 (np4)
M-1 (np8)
M-2 (np2)
M-2 (np4)
M-2 (np8)
M-3 (np2)
M-3 (np4)
M-3 (np8)
M-4 (np2)
M-4 (np4)
M-4 (np8)
Gambar 11 Grafik Best cost untuk Berlin52.tsp di Multicore
Jurnal Cybermatika | Vol. 2 No. 1 | Juni 2014 | Artikel 5
31
30000
Best Cost hasil eksekusi di Cluster
(Berlin52.tsp)
1400
1400
1200
1200
1000
1000
800
800
600
600
400
400
25000
200
20000
200
0
0
Best Cost
0
500
1000
1500
2000
Cluster 1 (MC-1)
15000
1400
1400
1200
1200
1000
1000
800
800
600
600
400
400
10000
200
1
1001
2001
3001
4001
5001
6001
7001
8001
C-1 (np2)
C-1 (np4)
C-1 (np8)
C-2 (np2)
C-2 (np4)
C-2 (np8)
C-3 (np2)
C-3 (np4)
C-3 (np8)
Tabel 4 memperlihatkan rangkuman hasil eksekusi, dari sisi
bobot dan waktu eksekusi.
Tabel 4 Bobot tour terbaik dari 4 model untuk Berlin52.tsp
Cluster
Multicore
1.000
10.000
100.000
np2
np4
np8
np2
np4
np8
np2
np4
np8
13.227 12.628 13.178 13.510 14.629 10.015 13.932
14.268
10.896
12.761 11.031 13.271 12.544
9.051
9.372 12.953
8.516
9.696
19.248 18.961 18.158 17.164 16.626 17.313 18.925
18.154
16.565
12.769 13.532 12.324 12.088 11.230 12.872 12.333
12.843
12.224
13.910 13.415 13.880 13.559 13.955
9.893 12.853
14.856
11.508
15.590 11.229 12.791 13.633
8.836
9.791 12.408
9.015
9.066
18.825 17.917 20.470 15.787 16.537 14.532 19.415
18.177
15.563
13.279 12.219 13.134 13.703 12.605 13.800 14.215
12.416
12.986
Tabel 5 memperlihatkan rangkuman untuk waktu eksekusi
komputasi dari 4 model.
Multicore
Parallel
np4
3.562
1.255
4.455
1.250
10.085
2.711
11.659
2.518
np8
6.035
2.464
8.235
2.493
17.051
3.199
11.923
3.438
10.000
100.000
np2
np4
np8
np2
16.095 35.294 59.886 161.786
8.538 12.464 22.436 81.328
29.872 44.040 85.519 276.222
7.981 12.079 24.812 79.775
48.653 102.490 179.702 486.653
12.719 24.901 29.570 125.769
93.035 119.382 117.409 882.867
14.683 21.132 34.532 137.729
np4
343.380
122.298
445.088
124.638
1.034.331
203.786
1.209.672
217.105
np8
578.386
222.478
924.222
251.011
1.840.170
293.137
1.287.818
325.307
Gambaran tour optimal yang diperoleh untuk keempat model di
kedua lingkungan komputasi parallel diperlihatkan dalam
Gambar 13.
Eksekusi multicore:
1400
1400
1200
1200
1000
1000
800
800
600
600
400
400
200
200
0
0
500
1000
1500
0
2000
Model 1 (MC-1)
500
1000
1500
2000
1000
1500
2000
Model 2 (MC-2)
1400
1400
1200
1200
1000
1000
800
800
600
600
400
400
200
0
0
500
1000
Model 3 (MC-3)
Eksekusi di Kluster:
32
1500
2000
1500
0
2000
0
500
Model 4 (MC-4)
500
1000
1500
2000
Cluster 4 (MC-4)
Dari hasil eksperimen, dapat dilihat bahwa untuk dataset
berlin52, hasil yang diperoleh adalah konsisten dimana:
1)
2)
3)
5)
Untuk semua model, eksekusi di lingkungan multicore lebih
cepat dibandingkan di lingkungan kluster.
Untuk semua model, semakin banyak jumlah pemroses,
semakin banyak waktu yang diperlukan untuk eksekusi.
Untuk semua model, semakin banyak jumlah generasi,
semakin banyak waktu yang diperlukan untuk eksekusi.
Model 2 dan 4 memiliki waktu eksekusi yang lebih baik
daripada Model 1 dan 3. Dengan kata lain, model coarse
grained menghasilkan waktu yang lebih cepat daripada
model master-slave.
Model 2 dan 4 menghasilkan bobot optimum yang lebih baik
daripada model 1 dan 3.
Rangkuman hasil eksperimen dapat dilihat alam Tabel 6.
Tabel 6 Hasil Eksperimen
Dataset
Bobot Terbaik
% Optimal
1000
generasi
Waktu
Eksekusi
10.000
Terbaik
generasi
100.000
N
n
Model
Berlin52.tsp
8516
88.56%
807ms
7.981ms
50
10
2
50
10
4
50
10
4
122.298ms
50
10
2
Bobot terbaik diperoleh untuk N = 50 dengan n = 10 bernilai
8516. Dibandingkan dengan bobot optimal untuk Berlin52.tsp
dari TSPLib, yaitu 7542, maka diperoleh prosentase sebesar
88.56%. Eksekusi tercepat adalah 807, 7981, dan 122.298
(satuan milidetik) untuk jumlah generasi 1000, 10.000, dan
100.000 masing-masing. Bobot terbaik dihasilkan oleh model 4
sedangkan waktu eksekusi terbaik dihasilkan oleh model 4 dan di
lingkungan multicore.
6. ACKNOWLEDGMENTS
200
0
1000
Penelitian menghasilkan 4 model komputasi paralel untuk
algoritma seleksi clonal, clonal selection algorithm (CSA).
Keempat model dipersiapkan untuk diimplementasikan di
lingkungan pengembangan sistem paralel dengan MPIJExpress,
menggunakan bahasa Java. Penelitian ini juga dilengkapi dengan
perancangan ekperimen berupa skenario eksekusi yang
dilengkapi persiapan dataset untuk persoalan TSP.
4)
Tabel 5 Waktu eksekusi komputasi dari 4 model untuk
Berlin52.tsp
1.000
np2
1.661
869
2.756
807
4.981
2.188
9.047
2.178
2000
5. KESIMPULAN
Keempat model memperlihatkan konvergensi bobot terbaik,
namun stagnan di beberapa titik tertentu.
Generasi
model
M-1
M-2
M-3
M-4
C-1
C-2
C-3
C-4
1500
Gambar 13 Tour optimal hasil eksekusi di lingkungan
multicore dan cluster
C-4 (np2)
C-4 (np4)
C-4 (np8)
Gambar 12 Best cost untuk Berlin52.tsp di Cluster
Generasi
Model
M-1
M-2
M-3
M-4
C-1
C-2
C-3
C-4
500
Cluster 3 (MC-3)
Generasi
1000
0
0
9001
500
200
0
5000
0
0
Cluster 2 (MC-2)
Makalah ini merupakan bagian dari penelitian disertasi di
Sekolah Teknik Elektro dan Informatika ITB. Terima kasih
penulis ucapkan kepada para pembimbing. Terima kasih juga
Ayi Purbasari, Iping S. Suwardi, Oerip S. Santoso, Rila Mandala
untuk Jurusan Teknik Informatika, Fakultas Teknik Universitas
Pasundan, tempat penulis sebagai dosen tetap atas segala
dukungan kepada penulis.
DAFTAR REFERENSI
[1] Alsharhan S, J.R. Al-Enezi. Abbod MF, "Artificial Immune Systems
– Models , Algorithms and Applications," International Journal of
Research and Reviews in Applied Science (IJRRAS), pp. 118-131,
May 2010.
[2] Argonne National Laboratory. High-Performance Portable MPI.
[Online]. http://www.mpich.org/
[3] Mark Baker and Bryan Carpenter, "MPJ: A New Look at MPI for
Java," in Poster Paper in All Hands Meeting (AHM), 2005.
[4] Mark Baker and Bryan Carpenter, "Mpj: A proposed java message
passing api and environment for high performance computing," in
Parallel and Distributed Processing.: Springer Berlin Heidelberg,
2000, pp. 552-559.
[5] Mark Baker, Bryan Carpenter, and Aamir Shafi, "MPJ Express:
towards thread safe Java HPC," in IEEE International Conference
on Cluster Computing, 2006.
[6] Gaber J Bakhouya M, "An Immune Inspired-based Optimization
Algorithm : Application to the Traveling Salesman Problem," AMO
- Advanced Modeling and Optimization, vol. 9, no. 1, pp. 105-116.,
2007.
[7] Mark Barker and Bryan Carpenter. (2005) [Online]. http://mpjexpress.org
[8] Jason Brownlee, "Clonal Selection Algorithms," Complex
Intelligent Systems Laboratory, Centre for Information Technology
Research, , Faculty of Information Communication Technology,
Swinburne University of Technology, Melbourne, Australia ,
Technical 2009.
[9] Leandro N. de Castro and Fernando J. Von Zuben, "Learning and
Optimization Using the Clonal Selection Principle," IEEE
Transactions On Evolutionary Computation, vol. 6, no. 3, pp. 239251, June 2002.
[10] Jacek Dabrowski and Marek Kubale, "Computer Experiments with a
Parallel Clonal Selection Algorithm for the Graph," in IEEE
International Symposium on Parallel and Distributed Processing,
Miami, FL, 2008, pp. 1-6.
[12] Ian Foster. (1995) Designing and Building Parallel Programs.
[Online]. http://www.mcs.anl.gov/~itf/dbpp/
[13] Zhu Hongbing, Chen Sicheng, and Wu Jianguo, "Paralleling Clonal
Selection Algorithm with OpenMP," in 3rd International
Conference on Intelligent Networks and Intelligent Systems
(ICINIS), Shenyang, 1-3 Nov. 2010, pp. 463 - 466.
[14] Ayi Purbasari, "Implementasi Algoritma Paralel untuk Traveling
Salesperson Problem dengan MPI.NET pada Visual C#," in Seminar
Nasional Ilmu Komputer, Samarinda, 2013.
[15] Ayi Purbasari, Iping Supriana Suwardi, Oerip Slamet Santoso, and
Rila Mandala, "Studi dan Implementasi Algoritma Terinspirasi
Sistem Imun: Clonal Selection Algorithm (CSA)," in Konferensi
Nasional Sistem Informasi (KNSI), Makassar, 2014.
[16] Aamir Shafi, Jawad Manzoor, Kamran Hameed, Bryan Carpenter,
and Mark Baker, "Multicore-enabling the MPJ Express messaging
library," in The 8th International Conference on the Principles and
Practice of Programming in Java - ACM, 2010.
[17] The Open MPI Project. (2004) Open Source High Performance
Computing. [Online]. http://www.open-mpi.org/
[18] Jonathan Timmis, "Artificial Immune Systems - Today and
Tomorrow," Natural Computing, vol. 6, no. 1, pp. 1-18, 2006.
[19] Jonathan Timmis and Leandro Nunes Castro, Artificial Immune
Systems: A New Computational Approach. London: Springer
Verlag, 2002.
[20] TSPLIB.
[Online].
http://www.iwr.uniheidelberg.de/groups/comopt/software/TSPLIB95/tsp/
[21] Kulturel-Konak S Ulutas BH, "A Review of Clonal Selection
Algorithm and Its Applications," Artificial Intelligence Review,
2011.
[22] Andrew Watkins, Xintong Bi, and Amit Phadke, "Parallelizing an
Immune-Inspiring Algorithm for Efficient Pattern Recognition," in
Intelligent Engineering Systems through Artificial Neural Networks:
Smart Engineering, 2003, pp. 225-230.
[23] Qi Yutao, Fang Liu , and Licheng Jiao, "A Parallel Artificial
Immune Model for Optimization," in International Conference on
Computational Intelligence and Security, CIS, vol. 1, Beijing,
China, 11-14 December 2009.
[11] Donald Davendra, Traveling Salesperson Problem: Theory and
Application, Donald Davendra, Ed. Croatia: InTechWeb.Org, 2010.
Jurnal Cybermatika | Vol. 2 No. 1 | Juni 2014 | Artikel 5
33
dengan Java Message Passing Model - MPJExpress
Ayi Purbasari
Teknik Informatika Unpas
pbasari@unpas.ac.id
Oerip S. Santoso
Sekolah Teknik Informatika Elektro - ITB
oerip@informatika.org
ABSTRAK
Penelitian menghasilkan empat model komputasi paralel untuk
algoritma seleksi clonal, clonal selection algorithm (CSA) yang
diberi nama Clonal Selection – Inspired Parallel Algorithm
(CSI-PA). Model
komputasi paralel diperoleh dengan
mengeksploitasi potensi paralelisme pada seleksi clonal dan
algoritma seleksi clonal serta memperhatikan aspek terkait desain
komputasi paralel, yaitu partisi data dan komunikasi antar proses.
Model pertama melakukan partisi data dengan komunikasi
terkontrol oleh master, (Global single-population master-slave
model). Model kedua melakukan partisi data dengan komuniksi
berlaku antar seluruh proses (single-population coarse-grained
model). Model ketiga tidak ada partisi data dan komunikasi
terkontrol oleh master (multiple-population master-slave model).
Model keempat tidak ada partisi data sedangkan komunikasi
berlaku antar seluruh proses (multiple-population coarse-grained
model). . Keempat model diimplementasika menggunakan Java
Message Passing Model – MPIJExpress.. Eksekusi dilakukan di
lingkungan kluster dan multicore. Eksperimen dilakukan untuk
persoalan TSP dengan dataset Berlin52.tsp. Hasil yang diperoleh
adalah konsisten dimana semua model menghasilan masingmasing best cost dimana eksekusi di lingkungan multicore lebih
cepat dibandingkan di lingkungan kluster. Model 2 dan 4
memiliki waktu eksekusi yang lebih baik daripada Model 1 dan
3. Terlihat bahwa model coarse grained menghasilkan waktu
yang lebih cepat daripada model master-slave. Model 2 dan 4
menghasilkan bobot optimum yang lebih baik daripada model 1
dan 3. Bobot terbaik diperoleh untuk N = 50 dengan n = 10
bernilai 8516. Dibandingkan dengan bobot optimal untuk
Berlin52.tsp dari TSPLib, yaitu 7542, maka diperoleh prosentase
sebesar 88.56%.
Kata Kunci
Clonal Selection Algorithm, Clonal Selection – Inspired Parallel
Algorithm (CSI-PA), Java Message Passing Model, MPJExpress,
Traveling Salesperson Problem.
1. PENDAHULUAN
Pada persoalan kompleks, pendekatan heuristik menjadi
tawarasan solusi dimana feasible time limit menghasilkan
acceptable solution. Algoritma seleksi clonal (Clonal Selection
Algorithm/CSA) sebagai solusi heuristik berbasis populasi, telah
mampu menyelesaikan persoalan kombinatorial, khususnya
Traveling Salesman Problem/TSP [6] [15]. Algoritma ini
merupakan bagian dari Artificial Immune System/AIS, suatu
pendekatan berbasis inspirasi dari sistem biologi (Bio-Inspired
Computing), khususnya sistem imun, untuk menyelesaikan
persoalan kompleks [1] [19]. Pendekatan ini seperti pendekatan
populasi lainnya, memerlukan waktu komputasi yang tidak
Iping S. Suwardi
Sekolah Teknik Informatika Elektro - ITB
iping@informatika.org
Rila Mandala
Sekolah Teknik Informatika Elektro - ITB
rila@informatika.org
sedikit. Hal ini kemudian melahirkan bebagai gagasan untuk
meningkatkan performa komputasi dengan mengadopsi
komputasi paralel.
Sebagai penggagas awal, Watskin [22] tidak spesifik untuk
algoritma seleksi clonal dan diterapkan untuk persoalan
pengenalan pola. Hongbing dkk [13] menerapkan paralelisme
CSA untuk prediksi struktur protein dengan menggunakan
Open-MPI. Sedangkan Dabrowski dan Kobale [10]
menggunakan komputasi CSA paralel untuk persoalan
pewarnaan graf. Yotau Qi menggagas ide komputasi paralel CSA
dengan menggunakan model tower master slave (TMS) untuk
persoalan TSP [23] dengan nama Parallel Immune Memory
Clonal Selection Algorithm (PIMCSA). PIMCSA menghasilkan
performa dan solusi yang baik untuk persoalan TSP. Hal ini
menunjukkan bahwa gagasan komputasi paralel pada memiliki
potensi meningkatkan performa komputasi yang lebih baik.
Pada penelitian ini, akan dikembangkan model komputasi
paralel dengan mengeksploitasi potensi paralelisme yang ada
pada seleksi clonal dan algoritma seleksi clonal. Selain
memperhatikan karakteristik yang dimiliki oleh sistem imun
pada peristiwa seleksi clonal, model yang dibangun merujuk
kepada prinsip dan konsep desain komputasi paralel, dengan
mempertimbangkan banyak aspek: partisi, komunikasi,
agglomearation, dan mapping [12].
Model selanjutnya menghasilkan 4 varian algoritma yang diberi
nama Clonal Selection – Inspired Parallel Algorithm (CSIPA). Algoritma ini kemudian diimplementasikan menggunakan
pustaka standard Message Passing Interface (MPI), berupa Java
Message Passing Model, MPJExpress. Pustaka ini merupakan
pustaka implementasi standar Message Passing Interface (MPI)
menggunakan bahasa Java sebagai bahasa pembangun dan
Application Programmable Interface (API) [4] [3]. MPJExpress
ditujukan untuk lingkungan multicore, cluster, atau hibrid [5] [7].
Penelitian bertujuan untuk melakukan penerapan MPJExpress
pada model komputasi paralel CSI-PA,
yang kemudian
diimplementasikan pada lingkungan multicore atau cluster.
Penelitian berfokus kepada aspek-aspek yang harus diperhatikan
pada penerapan pustaka, model komputasi yang dihasilkan, serta
hasil dari komputasi itu sendiri.
Secara sistematika, makalah ini berisi pendahuluan, metode
penelitian, riset terkait, hasil dan kesimpulan, serta
acknowledgements.
2. METODE PENELITIAN
Penelitian ini bersifat eksperimental, diawali dengan
pembangunan
model
komputasi
yang
kemudian
diimplementasikan dengan memanfaatkan pustaka MPJExpress
Jurnal Cybermatika | Vol. 2 No. 1 | Juni 2014 | Artikel 5
27
dengan lingkungan komputasi paralel berupa multicore dan
cluster. Terdapat beberapa dataset sebagai data uji eksperimen,
data mengambil kasus TSP dari pustaka TSPLib [20].
Gambaran umum algoritma seleksi clonal dapat dilihat dalam
Gambar 1.
Berikut adalah metode pada penelitian ini:
1) Kajian literatur terkait solusi persoalan TSP dengan immune
inspired algorithm dan kajian model komputasi paralel
dengan clonal selection algorithms
2) Implementasi dan verifikasi model dengan menerapkan
MPJExpress
3) Perumusan hasil eksperimen
3. RISET TERKAIT
3.1 TSP dan Solusi Terinspirasi Sistem Imun
Persoalan kompleks, NP-Problem merupakan persoalan yang
membutuhkan waktu non-polynomial dalam mendapatkan solusi.
Optimasi kombinatorial merupakan bagian dari NP-Problem,
dengan contoh persoalan Traveling Salesperson Problem (TSP).
Beberapa pendekatan TSP baik secara deterministik dan
heuristik, telah menghasilkan ragam solusi TSP [11].
Clonal Selection Algorithm (CSA), merupakan algoritma
terinspirasi sistem imun khususnya pada peristiwa seleksi clonal
[9]. Seleksi clonal adalah peristiwa pada respon imun, dimana
ketika terjadi serangan dari antigen, sel B sebagai sel yang
memproduksi antibodi akan diperbanyak jika sel tersebut
memilik kecocokan resptor dengan reseptor yang terdapat pada
antigen. Sel yang tidak memiliki kecocokan tidak turut dalam
seleksi. Perhitungan kecocokan tersebut dikenal sebagai
peristiwa affinity maturation.
CSA menjadi bagian dari keluarga Bio-Inspired Algorithm yang
disebut Artificial Immune System (AIS) [1]. CSA memetakan
komponen sistem imun antibodi sebagai populasi yang menjadi
solusi yang dituju, sedangkan komponen sistem imun antigent
ditujukan sebagai persoalan/problem.
Dalam memetakan
persoalan dengan penyelesaian/solusi berdasarkan inspirasi
sistem imun ini, terdapat aktivitas yang disebut sebagai immune
engineering [19]. Pada persoalan TSP; respon imun
merepresentasikan solusi sedangkan antigen merepresentasikan
persoalan; dalam hal ini adalah kumpulan simpul/kota dimana
salesman harus mengunjunginya, sel B (pembentuk antibodi)
merepresentasikan tour yang terbentuk [6] [9].
Leandro [9] menjelaskan bahwa Afiniti menggambarkan
kecocokan reseptor antara Antibodi yang terbentuk (Ab) dengan
Antigen (Ag). Kematangan afiniti (affinity maturation) dihitung
dari tingkat shape-space Ab-Ag yang dapat direpresentasikan
dengan perhitungan Hamming Distance sebagai berikut:
D=∑
0
Population
Initialization
Evaluation
No
Selection
No
High Affinity?
Yes
Cloning
Hyperm utation
Stop Condition?
Edit Receptor
Yes
Population
Finalization
Gambar 1 Algoritma Seleksi Clonal
Pada dasarnya CSA ditujukan untuk persoalan learning dan
optimasi [9] dengan contoh klasik TSP. CSA telah dipergunakan
untuk berbagai persoalan, yang didomasi oleh persoalan optimasi
[21]. Dalam perkembangannya, CSA telah mengalami banyak
improvement [8], termasuk gagasan untuk diimplementasikan
secara paralel. Sebagai penggagas awal, Watskin [22] tidak
spesifik untuk algoritma seleksi clonal dan diterapkan untuk
persoalan pengenalan pola. Hongbing dkk [13] menerapkan
paralelisme CSA untuk prediksi struktur protein
dengan
menggunakan Open-MPI. Sedangkan Dabrowski dan Kobale
[10] menggunakan komputasi CSA paralel untuk persoalan
pewarnaan graf. Yotau Qi menggagas ide komputasi paralel CSA
dengan menggunakan model tower master slave (TMS) untuk
persoalan TSP [23] dengan nama Parallel Immune Memory
Clonal Selection Algorithm (PIMCSA). PIMCSA menghasilkan
performa dan solusi yang baik untuk persoalan TSP. Hal ini
menunjukkan bahwa gagasan komputasi paralel pada memiliki
potensi meningkatkan performa komputasi yang lebih baik.
3.2 Komputasi Paralel, Message Passing
Interface, dan MPJExpress
Untuk melakukan komputasi paralel, beberapa aspek harus
dipertimbangkan [12]. Desain paralel, menentukan bagaimana
algoritma untuk komputasi paralel dibangun. Prinsip-prinsip
desain paralel dapat dilihat dalam Gambar 2.
.
Dimana
=
≠
dan
= 1
=
. L adalah jumlah atribut dari Ab dan Ag.
Untuk persoalan optimasi, terdapat aturan bahwa
jumlah total klon yang dibangkitkan untuk setiap n antibodi
terpilih memenuhi persamaan sebagai berikut:
= ∑
( . )
Dimana Nc, merupakan jumlah total klon yang dibangkitkan
untuk setiap Ab, β adalah pengali/clone factor, N adalah total
jumlah Ab.
Sementara itu, aturan untuk hipermutasi adalah menetapkan nilai
probabilitas mutasi dengan persamaan a=exp(-β*f), dimana β
parameter pengali dan f adalah fitness dari sel awal dengan nilai
[0,1], dimana semakin besar nilai, semakin baik fitness yang
diperoleh. [9]. Nilai probabilitas ini yang digunakan untuk
melakukan hipermutasi.
28
Gambar 2 Prinsip perancangan komputasi paralel [12]
Prinsip-prinsip
perancangan
mempetimbangkan:
komputasi
paralel
harus
1) Partisi, baik partisi data atau partisi task. Dalam ini, partisi
dilakukan terhadap task.
2) Komunikasi antar proses, baik komunikasi terpusat, tersebar
atau gabungan keduanya.
Ayi Purbasari, Iping S. Suwardi, Oerip S. Santoso, Rila Mandala
3) Agglomeration, adalah penggabungan task ke dalam tasktask yang lebih besar.
4) Mapping adalah pemetaan antara proses dan pemroses.
Message Passing Interface (MPI), merupakan standar pustaka
untuk model pemrograman paralel message passing. Dengan
model message passing terdapat komunikasi antar proses
melalui pengiriman pesan dari satu proses ke proses lainnya
melalui jaringan. Tiap proses MPI memiliki masing-masing
keadaan program lokal, yang tidak dapat diobservasi maupun
diubah oleh proses lainnya, kecuali dalam hal merespon message
[14]. Kebanyakan program MPI ditulis dalam bentuk model
SPMD (Single Program Multiple Data), dimana setiap proses
berjalan pada program yang sama dengan data yang berbeda.
[14].
Setidaknya terdapat dua production-quality MPI libraries:
MPICH [2] dan OpenMPI [17]. Keduanya mengimplementasikan
prinsip-prinsip dasar message passing pada standar MPI, antara
lain Communicator, Point-to-point basics, Collective basics, dan
Derived datatypes. Bahasa tingkat tinggi yang digunakan pada
dasarnya ada bahasa C dan Fortran. Seiring dengan lahirnya
bahasa Java dengan penerimaannya yang meluas, lahirlah
gagasan pemanfaatan bahasa Java sebagai bahasa untuk
pemrograman High Performance Computing (HPC) dan MPJ
Express merupakan salah satu implementasinya [4] [3] [7].
MPJ Express memiliki desain berlapis yang mengijinkan
pengembangan secara incremental, juga mampu untuk
mengupdate dan swap lapisan sesuai dengan kebutuhan
pengembangan. Hal ini memberikan opsi kepada pengembang
untuk memanfaatkan high-performance proprietary network
devices atau memilih pure Java devices dengan soket. MPJ
Express didesain dengan leveling yang berbeda: the MPJ API,
high-level, base-level, mpjdev, and xdev [4] [3] [5] [7]. Pada
penelitian ini digunakan MPJ API.
Tabel 2 Tipe komunikasi
Kriteria
Deskripsi
Kendali
komunikasi
Master
Master-slave
Master
sebagai
pengendali proses,
slave
berkomunikasi
dengan master
Coarse-grained
Master
sebagai
pengendali proses
awal, selanjutnya
slave
berkomunikasi
dengan
sesama
slave
Terdapat satu
proses
pemegang
kendali
komunikasi
awal (proses
master)
Master-slave
Slave melakukan
proses
awal,
selanjutnya
komunikasi
kepada master
Slave
Coarse-grained
Seluruh
proses
saling
berkomunikasi
Tidak
terdapat satu
proses
pemegang
kendali
komunikasi
awal
MPJ Express menawarkan solusi komputasi pada konfigurasi
cluster dan hybrid selain lingkungan multicore [16].
4. HASIL DAN DISKUSI
4.1 Model Komputasi Paralel
Berdasarkan tahapan desain paralel pada sub bab 3.1, berikut
tahapan pembangunan model komputasi paralel untuk CSA:
Berdasarkan partisi data, terdapat 2 kriteria partisi data
sebagaimana diperlihatkan dalam Tabel 1.
Tabel 1 Partisi data
Kriteria
Partisi
Data I
Partisi
Data II
Deskripsi
Proses master menginisialisasi
populasi awal
Data dipartisi
Partisi data dikirim ke seluruh
proses
Gambaran
Seluruh proses menginisialisasi
populasi awal
Tidak ada data partisi
Berdasarkan tipe komunikasi, terdapat 4 kelompok komunikasi
sebagaimana diperlihatkan dalam Tabel 2.
Dengan mempertimbangkan aspek komunikasi dan partisi, model
komputasi untuk algoritma seleksi clonal dapat dikelompokkan
sebagai berikut:
1) Data dipartisi, komunikasi terkontrol oleh master,
disebut global single-population master-slave model.
2) Data dipartisi, komuniksi berlaku antar seluruh proses,
single-population coarse-grained model.
3) Data tidak dipartisi, komunikasi terkontrol oleh master,
disebut multiple-population master-slave model.
4) Data tidak dipartisi, berlaku antar seluruh proses,
disebut multiple-population coarse-grained model.
atau
atau
atau
atau
Pada model global single-population master-slave, populasi
disiapkan oleh proses master, kemudian dipartisi dan dikirim ke
proses slave. Selanjutnya, tiap slave melakukan operasi seleksi
clonal berupa perhitungan afiniti, seleksi, cloning dan mutasi,
serta replacement. Populasi terbaik yang terdapat pada masingmasing slave kemudian dikirimkan ke master. Master
mengkoleksi dan melakukan mengirimkan ke proses slave.
Gambar 3 ini merupakan gambaran global single-population
master-slave model.
Jurnal Cybermatika | Vol. 2 No. 1 | Juni 2014 | Artikel 5
29
slave. Gambar 5 merupakan gambaran multiple-population
master-slave model.
Gambar 3 Global single-population master-slave model
Pada model
single-population coarse-grained,
populasi
disiapkan oleh proses master, kemudian dipartisi dan dikirim ke
proses slave. Selanjutnya, tiap slave melakukan operasi seleksi
clonal. Populasi terbaik yang terdapat pada masing-masing slave
kemudian dikirimkan ke seluruh proses slave. Proses diulang
sampai dengan kriteria berhenti. Gambar 4 merupakan gambaran
single-population coarse-grained model:
Model keempat adalah multiple-population coarse-grained
model. Gambar 6 merupakan gambaran multiple-population
coarse-grained model:
Gambar 4 Single-Population Coarse-Grained
Gambar 6 Multiple-Population Coarse-Grained Model
Pada model
multiple-population master-slave, populasi
disiapkan oleh tiap-tiap proses. Selanjutnya, tiap slave
melakukan operasi seleksi clonal. Populasi terbaik yang terdapat
pada masing-masing slave kemudian dikirimkan ke master.
Master mengkoleksi dan melakukan mengirimkan ke proses
Pada model ini, populasi disiapkan oleh tiap-tiap proses.
Selanjutnya, tiap slave melakukan operasi seleksi clonal Populasi
terbaik yang terdapat pada masing-masing slave kemudian
dikirimkan ke seluruh proses slave. Proses diulang sampai
dengan kriteria berhenti.
30
Gambar 5 Multiple-Population Master-Slave
Ayi Purbasari, Iping S. Suwardi, Oerip S. Santoso, Rila Mandala
4.2 Verifikasi dengan Eksperimen
4.2.2 Hasil Eksperimen
Gambar 9 memperlihatkan gambaran dari bobot terbaik atau best
cost yang dihasilkan oleh ke empat model yang dieksekusi pada
dua lingkungan:
25.000
Best Cost
(Berlin52.tsp)
20.000
Bobot Tour Terbaik
Setelah mendapatkan model komputasi paralel, maka langkah
berikutnya adalah melakukan verifikasi dengan eksperimen.
Persoalan yang diteliti tetap persoalan combinatorial
optimization dalam kasus Traveling Salesperson Problem (TSP).
Gambar 7 merupakan gambaran lokasi kota pada dataset
Berlin52.tsp.
15.000
10.000
5.000
np2
np4
np8
np2
1.000
4.2.1 Perancangan Eksperimen
M-3
M-4
C-2
C-3
C-4
np4
np8
np2
np4
10.000
Jumlah Pemroses dan Generasi
np8
100.000
Gambar 9 Best cost untuk Berlin52.tsp
Terlihat bahwa best cost diperoleh pada model 2 yang dieksekusi
pada lingkungan multicore tapi tidak jauh berbeda jika di
eksekusi pada lingkungan kluster.
Gambar 10 memperlihatkan gambaran dari bobot terbaik atau
best cost yang dihasilkan oleh ke empat model yang dieksekusi
pada dua lingkungan
2.000.000
Waktu Eksekusi
(Berlin52.tsp)
1.800.000
1.600.000
1.400.000
Waktu Eksekusi
Sedangkan lingkungan perangkat lunak menggunakan Java
Message Passing Model, MPJExpress. Pengembangan
mengunakan IDE Netbean 7.2.1 yang menggunakan Java versi
1.7.0_13; dilengkapi Java HotSpot(TM) 64-Bit Server V M 23.7b01. Seluruhnya berjalan di Sistem Operasi Windows 7 v6.1.
M-2
C-1
-
Gambar 7 Koordinat kota dan tour optimum Berlin52.tsp
Eksperimen dilakukan pada lingkungan implementasi perangkat
keras dan perangkat lunak. Lingkungan perangkat keras terdiri
dari dua lingkungan yaitu lingkungan multicore dan lingkungan
cluster. Kluster yang digunakan, terdiri dari 1 headnode dan 16
compute node. Pada eksperimen ini akan digunakan digunakan 8
compute node. Berikut gambaran spesifikasi teknis dari
headnode Hardware CPUs 32x2.90GHz, memory 126.13GB,
local disk 895.465GB. Software: Linux 2.6.32-279. Sedangkan
untuk dan compute node: Hardware CPUs 16x2.70GHz, memory
15.66GB, local disk 142.835GB. Software: Linux 2.6.32-279
M-1
1.200.000
1.000.000
800.000
600.000
Gambaran umum eksperimen dapat dilihat pada Gambar 8.
400.000
200.000
np2
np4
np8
np2
1.000
M-1
np4
np8
np2
10.000
Jumlah Pemroses / Generasi
M-2
M-3
M-4
C-1
np4
np8
100.000
C-2
C-3
C-4
Gambar 10 Waktu eksekusi untuk Berlin52.tsp
Terlihat bahwa waktu tercepat diperoleh pada model 4 yang
dieksekusi di lingkungan multicore.
Gambar 11 memperlihatkan gambaran bobot terbaik pada 10.000
generasi untuk keempat model di kedua lingkungan eksekusi.
30000
Best Cost di Multicore
(Berlin52.tsp)
25000
Untuk eksekusi maka, disusun simulasi eksekusi sebagaimana
diperlihatkan dalam Tabel 3.
Tabel 3 Skenario eksperimen
Nama dataset
Jumlah simpul
Jumlah generasi
N, populasi awal
n, jumlah seleksi
Nilai
parameter
Clone factor β
Mutate factor δ
Jumlah pemroses
Lingkungan pemroses
Berlin52
52
1000,10.000, 100.000
50
10
0.1
2.5
2, 4, 8
Multicore, cluster
20000
Best Cost
Gambar 8 Perancangan eksperimen
15000
10000
5000
1
1001
2001
3001
4001
5001
6001
7001
8001
9001
Generasi
M-1 (np2)
M-1 (np4)
M-1 (np8)
M-2 (np2)
M-2 (np4)
M-2 (np8)
M-3 (np2)
M-3 (np4)
M-3 (np8)
M-4 (np2)
M-4 (np4)
M-4 (np8)
Gambar 11 Grafik Best cost untuk Berlin52.tsp di Multicore
Jurnal Cybermatika | Vol. 2 No. 1 | Juni 2014 | Artikel 5
31
30000
Best Cost hasil eksekusi di Cluster
(Berlin52.tsp)
1400
1400
1200
1200
1000
1000
800
800
600
600
400
400
25000
200
20000
200
0
0
Best Cost
0
500
1000
1500
2000
Cluster 1 (MC-1)
15000
1400
1400
1200
1200
1000
1000
800
800
600
600
400
400
10000
200
1
1001
2001
3001
4001
5001
6001
7001
8001
C-1 (np2)
C-1 (np4)
C-1 (np8)
C-2 (np2)
C-2 (np4)
C-2 (np8)
C-3 (np2)
C-3 (np4)
C-3 (np8)
Tabel 4 memperlihatkan rangkuman hasil eksekusi, dari sisi
bobot dan waktu eksekusi.
Tabel 4 Bobot tour terbaik dari 4 model untuk Berlin52.tsp
Cluster
Multicore
1.000
10.000
100.000
np2
np4
np8
np2
np4
np8
np2
np4
np8
13.227 12.628 13.178 13.510 14.629 10.015 13.932
14.268
10.896
12.761 11.031 13.271 12.544
9.051
9.372 12.953
8.516
9.696
19.248 18.961 18.158 17.164 16.626 17.313 18.925
18.154
16.565
12.769 13.532 12.324 12.088 11.230 12.872 12.333
12.843
12.224
13.910 13.415 13.880 13.559 13.955
9.893 12.853
14.856
11.508
15.590 11.229 12.791 13.633
8.836
9.791 12.408
9.015
9.066
18.825 17.917 20.470 15.787 16.537 14.532 19.415
18.177
15.563
13.279 12.219 13.134 13.703 12.605 13.800 14.215
12.416
12.986
Tabel 5 memperlihatkan rangkuman untuk waktu eksekusi
komputasi dari 4 model.
Multicore
Parallel
np4
3.562
1.255
4.455
1.250
10.085
2.711
11.659
2.518
np8
6.035
2.464
8.235
2.493
17.051
3.199
11.923
3.438
10.000
100.000
np2
np4
np8
np2
16.095 35.294 59.886 161.786
8.538 12.464 22.436 81.328
29.872 44.040 85.519 276.222
7.981 12.079 24.812 79.775
48.653 102.490 179.702 486.653
12.719 24.901 29.570 125.769
93.035 119.382 117.409 882.867
14.683 21.132 34.532 137.729
np4
343.380
122.298
445.088
124.638
1.034.331
203.786
1.209.672
217.105
np8
578.386
222.478
924.222
251.011
1.840.170
293.137
1.287.818
325.307
Gambaran tour optimal yang diperoleh untuk keempat model di
kedua lingkungan komputasi parallel diperlihatkan dalam
Gambar 13.
Eksekusi multicore:
1400
1400
1200
1200
1000
1000
800
800
600
600
400
400
200
200
0
0
500
1000
1500
0
2000
Model 1 (MC-1)
500
1000
1500
2000
1000
1500
2000
Model 2 (MC-2)
1400
1400
1200
1200
1000
1000
800
800
600
600
400
400
200
0
0
500
1000
Model 3 (MC-3)
Eksekusi di Kluster:
32
1500
2000
1500
0
2000
0
500
Model 4 (MC-4)
500
1000
1500
2000
Cluster 4 (MC-4)
Dari hasil eksperimen, dapat dilihat bahwa untuk dataset
berlin52, hasil yang diperoleh adalah konsisten dimana:
1)
2)
3)
5)
Untuk semua model, eksekusi di lingkungan multicore lebih
cepat dibandingkan di lingkungan kluster.
Untuk semua model, semakin banyak jumlah pemroses,
semakin banyak waktu yang diperlukan untuk eksekusi.
Untuk semua model, semakin banyak jumlah generasi,
semakin banyak waktu yang diperlukan untuk eksekusi.
Model 2 dan 4 memiliki waktu eksekusi yang lebih baik
daripada Model 1 dan 3. Dengan kata lain, model coarse
grained menghasilkan waktu yang lebih cepat daripada
model master-slave.
Model 2 dan 4 menghasilkan bobot optimum yang lebih baik
daripada model 1 dan 3.
Rangkuman hasil eksperimen dapat dilihat alam Tabel 6.
Tabel 6 Hasil Eksperimen
Dataset
Bobot Terbaik
% Optimal
1000
generasi
Waktu
Eksekusi
10.000
Terbaik
generasi
100.000
N
n
Model
Berlin52.tsp
8516
88.56%
807ms
7.981ms
50
10
2
50
10
4
50
10
4
122.298ms
50
10
2
Bobot terbaik diperoleh untuk N = 50 dengan n = 10 bernilai
8516. Dibandingkan dengan bobot optimal untuk Berlin52.tsp
dari TSPLib, yaitu 7542, maka diperoleh prosentase sebesar
88.56%. Eksekusi tercepat adalah 807, 7981, dan 122.298
(satuan milidetik) untuk jumlah generasi 1000, 10.000, dan
100.000 masing-masing. Bobot terbaik dihasilkan oleh model 4
sedangkan waktu eksekusi terbaik dihasilkan oleh model 4 dan di
lingkungan multicore.
6. ACKNOWLEDGMENTS
200
0
1000
Penelitian menghasilkan 4 model komputasi paralel untuk
algoritma seleksi clonal, clonal selection algorithm (CSA).
Keempat model dipersiapkan untuk diimplementasikan di
lingkungan pengembangan sistem paralel dengan MPIJExpress,
menggunakan bahasa Java. Penelitian ini juga dilengkapi dengan
perancangan ekperimen berupa skenario eksekusi yang
dilengkapi persiapan dataset untuk persoalan TSP.
4)
Tabel 5 Waktu eksekusi komputasi dari 4 model untuk
Berlin52.tsp
1.000
np2
1.661
869
2.756
807
4.981
2.188
9.047
2.178
2000
5. KESIMPULAN
Keempat model memperlihatkan konvergensi bobot terbaik,
namun stagnan di beberapa titik tertentu.
Generasi
model
M-1
M-2
M-3
M-4
C-1
C-2
C-3
C-4
1500
Gambar 13 Tour optimal hasil eksekusi di lingkungan
multicore dan cluster
C-4 (np2)
C-4 (np4)
C-4 (np8)
Gambar 12 Best cost untuk Berlin52.tsp di Cluster
Generasi
Model
M-1
M-2
M-3
M-4
C-1
C-2
C-3
C-4
500
Cluster 3 (MC-3)
Generasi
1000
0
0
9001
500
200
0
5000
0
0
Cluster 2 (MC-2)
Makalah ini merupakan bagian dari penelitian disertasi di
Sekolah Teknik Elektro dan Informatika ITB. Terima kasih
penulis ucapkan kepada para pembimbing. Terima kasih juga
Ayi Purbasari, Iping S. Suwardi, Oerip S. Santoso, Rila Mandala
untuk Jurusan Teknik Informatika, Fakultas Teknik Universitas
Pasundan, tempat penulis sebagai dosen tetap atas segala
dukungan kepada penulis.
DAFTAR REFERENSI
[1] Alsharhan S, J.R. Al-Enezi. Abbod MF, "Artificial Immune Systems
– Models , Algorithms and Applications," International Journal of
Research and Reviews in Applied Science (IJRRAS), pp. 118-131,
May 2010.
[2] Argonne National Laboratory. High-Performance Portable MPI.
[Online]. http://www.mpich.org/
[3] Mark Baker and Bryan Carpenter, "MPJ: A New Look at MPI for
Java," in Poster Paper in All Hands Meeting (AHM), 2005.
[4] Mark Baker and Bryan Carpenter, "Mpj: A proposed java message
passing api and environment for high performance computing," in
Parallel and Distributed Processing.: Springer Berlin Heidelberg,
2000, pp. 552-559.
[5] Mark Baker, Bryan Carpenter, and Aamir Shafi, "MPJ Express:
towards thread safe Java HPC," in IEEE International Conference
on Cluster Computing, 2006.
[6] Gaber J Bakhouya M, "An Immune Inspired-based Optimization
Algorithm : Application to the Traveling Salesman Problem," AMO
- Advanced Modeling and Optimization, vol. 9, no. 1, pp. 105-116.,
2007.
[7] Mark Barker and Bryan Carpenter. (2005) [Online]. http://mpjexpress.org
[8] Jason Brownlee, "Clonal Selection Algorithms," Complex
Intelligent Systems Laboratory, Centre for Information Technology
Research, , Faculty of Information Communication Technology,
Swinburne University of Technology, Melbourne, Australia ,
Technical 2009.
[9] Leandro N. de Castro and Fernando J. Von Zuben, "Learning and
Optimization Using the Clonal Selection Principle," IEEE
Transactions On Evolutionary Computation, vol. 6, no. 3, pp. 239251, June 2002.
[10] Jacek Dabrowski and Marek Kubale, "Computer Experiments with a
Parallel Clonal Selection Algorithm for the Graph," in IEEE
International Symposium on Parallel and Distributed Processing,
Miami, FL, 2008, pp. 1-6.
[12] Ian Foster. (1995) Designing and Building Parallel Programs.
[Online]. http://www.mcs.anl.gov/~itf/dbpp/
[13] Zhu Hongbing, Chen Sicheng, and Wu Jianguo, "Paralleling Clonal
Selection Algorithm with OpenMP," in 3rd International
Conference on Intelligent Networks and Intelligent Systems
(ICINIS), Shenyang, 1-3 Nov. 2010, pp. 463 - 466.
[14] Ayi Purbasari, "Implementasi Algoritma Paralel untuk Traveling
Salesperson Problem dengan MPI.NET pada Visual C#," in Seminar
Nasional Ilmu Komputer, Samarinda, 2013.
[15] Ayi Purbasari, Iping Supriana Suwardi, Oerip Slamet Santoso, and
Rila Mandala, "Studi dan Implementasi Algoritma Terinspirasi
Sistem Imun: Clonal Selection Algorithm (CSA)," in Konferensi
Nasional Sistem Informasi (KNSI), Makassar, 2014.
[16] Aamir Shafi, Jawad Manzoor, Kamran Hameed, Bryan Carpenter,
and Mark Baker, "Multicore-enabling the MPJ Express messaging
library," in The 8th International Conference on the Principles and
Practice of Programming in Java - ACM, 2010.
[17] The Open MPI Project. (2004) Open Source High Performance
Computing. [Online]. http://www.open-mpi.org/
[18] Jonathan Timmis, "Artificial Immune Systems - Today and
Tomorrow," Natural Computing, vol. 6, no. 1, pp. 1-18, 2006.
[19] Jonathan Timmis and Leandro Nunes Castro, Artificial Immune
Systems: A New Computational Approach. London: Springer
Verlag, 2002.
[20] TSPLIB.
[Online].
http://www.iwr.uniheidelberg.de/groups/comopt/software/TSPLIB95/tsp/
[21] Kulturel-Konak S Ulutas BH, "A Review of Clonal Selection
Algorithm and Its Applications," Artificial Intelligence Review,
2011.
[22] Andrew Watkins, Xintong Bi, and Amit Phadke, "Parallelizing an
Immune-Inspiring Algorithm for Efficient Pattern Recognition," in
Intelligent Engineering Systems through Artificial Neural Networks:
Smart Engineering, 2003, pp. 225-230.
[23] Qi Yutao, Fang Liu , and Licheng Jiao, "A Parallel Artificial
Immune Model for Optimization," in International Conference on
Computational Intelligence and Security, CIS, vol. 1, Beijing,
China, 11-14 December 2009.
[11] Donald Davendra, Traveling Salesperson Problem: Theory and
Application, Donald Davendra, Ed. Croatia: InTechWeb.Org, 2010.
Jurnal Cybermatika | Vol. 2 No. 1 | Juni 2014 | Artikel 5
33