SISTEM KOMPUTASI PARALEL MENGGUNAKAN GPU BERBASIS NVIDIA CUDA
DOI:
https://doi.org/10.32497/orbith.v17i2.2970Keywords:
komputasi paralel, GPU, CUDAAbstract
Dalam sebuah penelitian yang melakukan pengolahan data dalam jumlah yang banyak, umumnya dibutuhkan waktu yang cukup lama untuk melakukan suatu proses komputasi agar menghasilkan output yang diinginkan. Penggunaan teknologi pemrosesan paralel menjadi salah satu alternatif untuk menyelesaikan suatu tugas yang membutuhkan komputasi besar. Graphical Processing Unit (GPU) memiliki kemampuan komputasi paralel karena strukturnya yang paralel dengan banyak core yang saling bekerja sama untuk memproses piksel grafis komputer dalam volume yang besar. Pada penelitian ini akan dikembangkan sebuah sistem komputer untuk melakukan komputasi secara paralel menggunakan GPU yang bisa diakses secara remote agar dapat dimanfaatkan kebutuhkan pemrosesan paralel di lingkungan Fakultas Teknologi Informasi Universitas YARSI. Pada sistem komputasi paralel yang dibangun, digunakan GPU berbasis NVIDIA dengan chipset GeForce RTX 2070 yang memiliki 2304 Cores. CPU yang digunakan adalah intel i5 9400F 2.9GHz 6 core dengan memori DDR4 8GB. Dari hasil pengujian didapatkan GPU GeForce RTX 2070 memiliki kecepatan transfer 3 GB/s. Dari hasil pengujian dengan perkalian matriks, pada matriks berukuran 52x52 dan lebih kecil, komputasi menggunakan CPU lebih cepat dibandingkan dengan GPU. Sedangkan pada matriks berukuran 64x64 ke atas, kecepatan komputasi GPU yang didapat lebih cepat dibandingkan CPU. Pada perkalian matriks berukuran 4096x4096, kecepatan GPU 4312,75 kali lebih cepat dibandingkan dengan CPU.
Kata Kunci : komputasi paralel, GPU, CUDA
References
B, Blaise dan L, Lawrance “What is Parallel Computing?” [online]. Diakses dari https://computing.llnl.gov/tutorials/parallel_comp/ pada 25 April 2018.
Calı, M., & Di Mauro, V. “Performance Analysis of Roberts Edge Detection Using CUDA and OpenGL”. Proceedings of the International Symposium for Young Scientists in Technology, Engineering and Mathematics. pp. 55 62, 2016.
Koprawi, M, T.B. Adji, and D. Adhipta. "Analisis Performa Komputasi Paralel GPU Menggunakan PYCUDA dan PYOPENCL dengan Komputasi Serial CPU pada Citra Digital." The 9th National Conference on Information Technology and Electrical Engineering 2017.
M. A. Gray, “Getting started with gpu programming,” Comput. Sci. Eng., vol. 11, no. 4, pp. 61 64, 2009.
WANG, Kai; SHEN, Zhen. Artificial societies and GPU based cloud computing for intelligent transportation management. IEEE Intelligent Systems, 2011, 26.4: 22-28.
Walters, John Paul, dkk. "GPU passthrough performance: A comparison of KVM, Xen, VMWare ESXi, and LXC for CUDA and OpenCL applications."Cloud Computing (CLOUD), 2014 IEEE 7th International Conference on. IEEE, 2014.
X. Wang, X. Li, M. Zou, and J. Zhou, “AES finalists implementation for GPU and multi core CPU based on OpenCL,” 2011, pp. 38-42.
Downloads
Published
Issue
Section
License
Authors who publish with this journal agree to the following terms:Authors retain copyright and grant the journal right of first publication with the work simultaneously licensed under a Creative Commons Attribution License that allows others to share the work with an acknowledgement of the work's authorship and initial publication in this journal.
Authors are able to enter into separate, additional contractual arrangements for the non-exclusive distribution of the journal's published version of the work (e.g., post it to an institutional repository or publish it in a book), with an acknowledgement of its initial publication in this journal.
Authors are permitted and encouraged to post their work online (e.g., in institutional repositories or on their website) prior to and during the submission process, as it can lead to productive exchanges, as well as earlier and greater citation of published work (See The Effect of Open Access).
