ISBN 978-602-8692-34-2

318

Implementasi Pencocokan Pixel Gambar dengan Metode Cross Correlation pada Komputer Klaster

Paralel Alin Ricky R

Jurusan Teknik Elektro Universitas Brawijaya

Malang, Indonesia alin.ricky0910@gmail.com

M. Aswin

Jurusan Teknik Elektro Universitas Brawijaya

Malang, Indonesia maswin@ub.ac.id

Abstrak— High Parallel Computing merupakan salah satu solusi yang diajukan untuk kebutuhan pengolahan Big Data seperti data saintifik, data eksperimen maupun data simulasi sistem berskala besar. Sebagian besar data yang dihasilkan dari Big Data merupakan gambar yang disimpan pada suatu database. Dua pendekatan yang dipakai untuk pengambilan gambar pada database tersebut adalah dengan mencocokkan konteks gambar yang telah di index oleh pengguna dengan menggunakan kata kunci pada nama berkas gambar dan dengan pencocokan gambar berdasarkan konten isi gambar, dimana gambar di indeks menggunakan karakteristik gambar berdasarkan warna, bentuk, tekstur, dan lain-lain pada database. Dalam jurnal ini hasil penelitian akan menunjukkan kinerja yang diperoleh oleh sistem paralel dalam melakukan pencocokan gambar. Pengujian dilakukan menggunakan program pencocokan gambar dengan algoritma Cross-Correlation pada lingkup pengembangan MPI.

Kata Kunci— Big Data, Cross-Correlation, Paralel Computing, Pemprosesan Gambar, Pencocokan Gambar, MPI

I. PENDAHULUAN Seiring meningkatnya data yang tidak henti-hentinya

mengalir dalam dunia komputer, peningkatan kebutuhan untuk penyimpanan, pengolahan dan pengambilan data dalam jumlah besar menjadi permasalahan yang harus diberikan solusi. Perkembangan teknologi dunia mengajukan High Parallel Computing sebagai salah satu solusi untuk memenuhi tantangan kebutuhan pengolahan Big Data seperti data saintifik, data eksperimen, atau data hasil simulasi sistem berskala besar. Kemajuan Sistem HPC menghasilkan peningkatan kinerja yang semakin besar pada pengolahan data. HPC dapat menyelesaikan permasalahan komputasi yang lebih besar dan rumit.

Sebagian besar data yang dihasilkan dari Big Data merupakan gambar yang disimpan pada suatu database. Pengambilan gambar pada database ini dilakukan dengan dua pendekatan pertama adalah dengan menggunakan indeks yang telah dengan menggunakan kata kunci pada nama berkas gambar di buat oleh pengguna dan pendekatan kedua dalam pencocokan gambar adalah dengan mencocokkan konten isi gambar dimana gambar di indeks berdasarkan warna,bentuk, tekstur, pixel dan lain-lain pada database.

II. PENCOCOKAN GAMBAR CROSS CORRELATION Cross Correlation adalah metode standar untuk

memperkirakan tingkat korelasi antar dua rangkaian, dalam penelitian kali ini bias di implementasikan pada gambar.. Jika 2 gambar dibuat secara matriks dan dimasukkan ke fungsi x (i) dan y (I) dimana x merupakan gambar acuan pencocokan

pada database dan y merupakan gambar yang ditanyakan, maka cross correlation r pada delay d didefinisikan sebagai:

r = # $ %&# ∗ ( $%) %&(*# $ %&# +* ( $%) %&( +*

(1)

Di mana mx dan my adalah nilai rata-rata dari rangkaian yang berhubungan. Jika di atas dihitung untuk semua delay d = 0,1,2, ... N-1 maka menghasilkan pada rangkaian cross correlation dua kali lebih panjang dari rangkaian awal.

r d = # $ %&# ∗ ( $%) %&(*# $ %&# +* ( $%) %&( +*

(2)

Kisaran delay d dan dengan demikian panjang rangkaian cross correlation dapat kurang dari N, misalnya tujuannya untuk menguji korelasi pada delay singkat saja. Penyebut dalam ekspresi di atas berfungsi untuk menormalkan koefisien korelasi sehingga -1 <= r(d) <= 1, batas-batas yang menunjukkan korelasi maksimum dan 0 menunjukkan tidak ada korelasi. Pada penelitian ini cross correlation digunakan untuk mengidentifikasi dua gambar yang memiliki nama yang berbeda satu sama lain, tetapi memiliki kesamaan gambar untuk mendapatkan korelasi gambar.

III. KONFIGURASI DAN PENGUJIAN

Konfigurasi Klaster Paralel Konfigurasi jaringan sistem computer parallel secara

keseluruhan ditunjukkan dalam Gambar 1 dan Gambar 2 merupakan skema jaringan klaster yang digunakan pada penelitian.

Gambar 1. Konfigurasi Jaringan Lokal Sistem Komputer Paralel

ISBN 978-602-8692-34-2

319

Gambar 2. Skema klaster Slave

Konfigurasi dilakukan pada setiap perangkat yang digunakan. Konfigurasi pada master-slave diuraikan sebagai berikut:

1. Pemasangan Sistem Operasi GNU/Linux Debian Jessie pada satu komputer master.

2. Pemasangan library dan compiler pada komputer master. 3. Pemasangan modul OpenSSH pada komputer master. 4. Pemasangaan MPI pada komputer master. 5. Pemasangan hasil kloning sistem operasi dari komputer

master sebagai sistem operasi yang dijalankan oleh seluruh node slave.

6. Pengaturan alamat IP secara statik pada setiap komputer. 7. Penyambungan seluruh node via port Ethernet dengan

kabel UTP ke switch dalam satu jaringan yang terhubung dengan server.

8. Pengaturan kunci SSH pada master dan slave, untuk memudahkan akses secara remote pada setiap slave.

9. Pemasangan modul Ganglia pada komputer master dan slave untuk monitoring parameter cluster.

Gambar 3. Master

Gambar 3 merupakan node master yang digunakan sebagai antarmuka pengguna dan pengontrol sistem komputer paralel.

Gambar 4. Klaster Paralel Slave

Gambar 5. Klaster Paralel Slave

Gambar 4 dan gambar 5 merupakan node slave yang terdiri atas komputer jamak untuk digunakan sebagai sistem komputasi paralel

Pengujian Eksekusi Paralel Pengujian dilakukan dengan menjalankan program

pencocokan gambar secara paralel dengan Node slave yang bekerja mulai dari 16 node, 32 node dan 48 node dieksekusi sebanyak 50 kali. Pada komputasi pencocokan gambar dengan algoritma cross correlation yang dikerjakan secara paralel pada lingkup kerja MPI dengan node slave yang bekerja sebanyak 16 node, 32 node dan 48 node terdapat kenaikan eksekusi waktu pengerjaan dengan hasil sebagai berikut :

1) Hasil Komputasi Paralel a) Komputasi Paralel 16 Node

Data pengeksekusian program cross correlation pada 16 node slave sebanyak 50 kali dan dihasilkan grafik pada gambar 6 dengan rata-rata waktu eksekusi sebesar 3,501 detik.

ISBN 978-602-8692-34-2

320

Gambar 6. Hasil Komputasi Paralel 16 Node

b) Komputasi Paralel 32 Node Data pengeksekusian program cross correlation pada 32

node slave sebanyak 50 kali dan dihasilkan grafik pada gambar 7 dengan rata-rata waktu eksekusi sebesar 4,172 detik.

Gambar 7. Hasil Komputasi Paralel Data 32 Node

c) Komputasi Paralel 48 Node Data pengeksekusian program cross correlation pada 48

node slave sebanyak 50 kali dan dihasilkan grafik pada gambar 8 dengan rata-rata waktu eksekusi sebesar 4,364 detik.

Gambar 8. Hasil Komputasi Paralel Data 48 Node

2) Rata-rata eksekusi waktu program Berikut merupakatan tabel yang menunjukkan hasil rata-

rata waktu eksekusi dari 50 data yang telah dilakukan pada percobaan di masing-masing kelompok node yang dapat disimpulkan adanya peningkatan eksekusi waktu ketika jumlah node pengerjaan program paralel ditambah yang ditunjukkan pada Table I.

TABLE I. RATA-RATA WAKTU EKSEKUSI PROGRAM BERDASARKAN JUMLAH NODE

3) Waktu Eksekusi Program Terlama Hasil eksekusi terlama didapatkan dengan mengambil

hasil eksekusi program yang paling lama saat menjalankan program selama 50 kali yang ditunjukkan pada Table II

TABLE II. WAKTU EKSEKUSI PROGRAM TERLAMA BERDASARKAN JUMLAH NODE

4) Waktu Eksekusi Program Tercepat Hasil eksekusi tercepat didapatkan dengan mengambil

hasil eksekusi program yang paling cepat saat menjalankan program selama 50 kali yang ditunjukkan pada Table III.

TABLE III. WAKTU EKSEKUSI PROGRAM TERCEPAT BERDASARKANJUMLAH NODE

5) Perbandingan Eksekusi Hasil eksekusi dari 3 percobaan di atas dibandingkan

untuk mengetahui pengaruh jumlah slave terhadap waktu komputasi, seperti terlihat di grafik pada Gambar 9.

Gambar 9. Perbandingan eksekusi waktu

Analisis Dari hasil pengujian eksekusi program pencocokan pixel

gambar dengan cross correlation pada klaster paralel dengan pengerjaan pada banyak node slave yang berbeda yaitu 16 node slave, 32 node slave dan 48 node slave maka diperoleh waktu eksekusi cenderung semakin lama saat menggunakan node slave yang lebih banyak seperti yang terlihat pada grafik dan tabel hasil pengujian eksekusi tersebut. Akan tetapi, jika melihat waktu eksekusi terlama dan waktu eksekusi tercepat, maka dapat dilihat bahwa terdapat saat dimana node yang

No. JumlahNode Rata-ratawaktueksekusi(s)1. 16 3,5012. 32 4,1723. 48 4,364

No. JumlahNode WaktuTerlama(s)1. 16 3,8332. 32 4,4583. 48 4,679

No. JumlahNode WaktuTercepat(s)1. 16 2,872. 32 3,6393. 48 3,953

ISBN 978-602-8692-34-2

321

lebih banyak hampir sama dengan waktu eksekusi pada node yang lebih sedikit.

IV. KESIMPULAN DAN SARAN

Kesimpulan Berdasarkan pengujian dan analisis sistem komputer

paralel dengan mencocokkan gambar menggunakan algortima Cross correlation, didapatkan kesimpulan bahwa ukuran cacah node komputasi yang dijalankan oleh sistem komputer paralel mempengaruhi besar kecepatan eksekusi rutin program. Semakin besar cacah node komputasi, maka waktu eksekusi rutin program cenderung semakin meningkat.

Saran Adapun saran untuk pengembangan lebih lanjut sebagai

berikut:

• Penggunaan sistem komputer paralel dengan spesifikasi yang lebih superior.

• Penggunaan cacah node klaster paralel yang lebih banyak.

• Penggunaan jenis algoritma komputasi paralel lainnya.

• Analisis komunikasi data pada jaringan cluster.

• Studi kasus komputasi paralel untuk solusi Big Data lainnya.

DAFTAR PUSTAKA [1] Aaron, M. Pfalzgraf et al. 2014. A Low-Cost Computer Cluster for

High-Performance Computing Education. Peoria: Bradley University. [2] Akihiro Uchida, Yasuaki Ito, Koji Nakano. 2011. Fast and Accurate

Template Matching using Pixel Rearrangement on the GPU. Japan: Hiroshima University

[3] Barry, Wilkinson., Michael, Allen. 2010. Parallel Pogramming. Yogyakarta : Penerbit ANDI

[4] Bo Dong, et al. 2010. Correlation based File Prefetching Approach for Hadoop.Xian: Xi'an Jiaotong University.

[5] Christian, Ari B. 2017. Konfigurasi Jaringan Bertingkat Pada Cluster Paralel Orange Pi. Skripsi tidak dipublikasikan. Malang: Universitas Brawijaya.

[6] Daniel, Shelepov., F. Alexandra. Scheduling on Heterogeneous Multicore Processors Using Architectural Signatures. Vancouver: Simon Fraser University.

[7] Georga S. Almasi., Allan Gottlieb. 1994. Highly Parallel Computing. California: The Benjamin/Cummings Publishing Company, Inc.

[8] U.S.N. Raju, Shibin George, 2015. Content Based Image Retrieval on Hadoop Framework. India: National Institute of Technology, Warangal.

[9]