pemrosesan paralel pada nvidia cuda...

PEMROSESAN PARALEL PADA NVIDIA CUDA

Oleh:

Satya Kurnia

NIM: 622007006

Skripsi

Untuk melengkapi salah satu syarat memperoleh

Gelar Sarjana Teknik

Program Studi Sistem Komputer

Fakultas Teknik Elektronika dan Komputer

Universitas Kristen Satya Wacana

Salatiga

April 2013

PEMROSESAN PARALEL PADA NVIDIA CUDA

oleh

Satya Kurnia

NIM: 622007006

Skripsi ini telah diterima dan disahkan

Untuk melengkapi salah satu syarat memperoleh

Gelar Sarjana Teknik

dalam

Konsentrasi Sistem Embedded

Program Studi Sistem Komputer

Fakultas Teknik Elektronika dan Komputer

Universitas Kristen Satya Wacana

Salatiga

Disahkan oleh:

Pembimbing I Pembimbing II

Hartanto K.Wardana, M.T. Darmawan Utomo,M.Eng.

Tanggal: Tanggal:

PERNYATAAN BEBAS PLAGIAT

Saya, yang bertanda tangan di bawah ini:

NAMA : Satya Kurnia

NIM : 622007006

JUDUL

SKRIPSI

: PEMROSESAN PARALEL PADA NVIDIA CUDA

Menyatakan bahwa skripsi tersebut di atas bebas plagiat. Apabila ternyata

ditemukan unsur plagiat di dalam skripsi saya, maka saya bersedia mendapatkan sanksi

apa pun sesuai aturan yang berlaku.

Salatiga, 1 April 2013

Satya Kurnia

i

INTISARI

Nvidia CUDA adalah salah satu teknologi pemrosesan paralel yang

menggabungkan Central Processing Unit (CPU) dan Graphics Processing Unit (GPU)

untuk meningkatkan kinerja pemrosesan data secara paralel. Di Indonesia pemanfaatan

Nvidia CUDA untuk pemrosesan paralel belum dikenal secara luas. Oleh karena itu,

pada skripsi ini dibuat modul pedoman pembelajaran dan modul pedoman praktikum

untuk matakuliah pemrosesan paralel.

Modul pedoman pembelajaran terdiri dari 7 topik pedoman dan modul

praktikum terdiri dari 8 topik pedoman. Pedoman pembelajaran dan pedoman praktikum

telah melalui pengujian terhadap 43 mahasiswa yang mengambil matakuliah dasar

pemrograman, pengujian yang dilakukan melalui pengisian kuesioner. Setelah

dilakukan pengisian kuesioner, tahap selanjutnya melakukan analisis data melalui uji

hipotesis.

Uji validalitas dan uji reliabilitas belum dapat dilaksanakan. Hasil dari uji

hipotesis adalah responden tidak puas dengan pedoman pembelajaran tetapi puas

dengan pedoman praktikum. Selain itu juga dilakukan pengujian dalam bentuk

praktikum terhadap mahasiswa dengan prasyarat matakuliah pemrosesan paralel. Hasil

dari pengujian praktikum adalah 5 dari 6 topik praktikum yang diujikan telah

melampaui standar penilaian, sedangkan 1 topik praktikum masih membutuhkan

perbaikan. Selain itu tidak ada perbedaan nilai yang signifikan antara mahasiswa yang

mempunyai ipk kurang dari 3 dengan mahasiswa yang mempunyai ipk lebih dari sama

dengan 3.

ii

ABSTRACT

The development of computer technology are increasingly demanding advanced

data processing technology solutions faster and cheaper. Nvidia CUDA is a parallel

processing technologies that combine the Central Processing Unit (CPU) and Graphics

Processing Unit (GPU) to improve the performance of processing data in parallel. In

Indonesia, the use of Nvidia CUDA parallel processing has not been widely known.

Therefore, in this thesis is the module learning guidance and lab guidance module for

parallel processing course.

Module learning guidance consists of 7 topics guidelines and lab module consists

of 8 topic guidelines. Guidelines learning and lab guidelines have gone through testing

against 43 students taking the basic course programming, testing conducted through

questionnaires. After filling out the questionnaire, the next stage of data analysis

through hypotheses test.

Validity and reliability tests can not be executed. The results of hypothesis testing

are the respondents are not satisfied with the learning guidelines but satisfied with lab

guidelines. There was also tested in a lab for students with prerequisite course parallel

processing. The results of the testing lab is 5 of 6 topics lab tested has exceeded the

standard appraisal practice and 1 topic still needs improvement. In addition there was no

significant difference in score between the students who have less ipk than 3 with

students who have ipk more than equal to 3.

iii

KATA PENGANTAR

Puji Syukur ke hadirat Tuhan Yang Maha Esa, atas segala berkat dan karunia-Nya

sehingga penulis dapat menyelesaikan studi dan skripsi di Fakultas Teknik Elektronika

dan Komputer Universitas Kristen Satya Wacana.

Penulis ingin mengucapkan terima kasih sebesar-besarnya kepada:

1. Papa, mama, semua kakak-kakak dan adik-adik yang telah memberikan

dukungan materiil dan moril selama penulis menjalani kuliah di FTEK UKSW.

2. Bapak Hartanto K.W selaku pembimbing I.

3. Bapak Darmawan Utomo selaku pembimbing II.

4. Semua teman-teman yang membantu dalam pengujian, Ricky, Budhi, Vincent,

Peg-peg, Lundy, Mima dan Daniel, terimakasih atas semua dukungan dan

bantuan selama pengujian skripsi.

5. Teman-teman Lab XT , mbahe, Pakko, Heri, Black, Penda, Theo, Codot,

Vincent, Patria, Onne, Widji dan semua teman-teman lab XT yang tidak bisa

penulis sebutkan satu per satu.

6. Teman-teman Elektro 07, Eko, Rhino, Dwi, Codot, Evan, Putu, Agus, Indra,

Tama, Dede dan semua teman -teman 07 yang tidak bisa penulis sebutkan satu

per satu.

7. Semua teman-teman peserta kelas dasprog.

8. Mbak Yeti dan Mbak Ida.

9. Semua anggota jemaat MK, para tetangga rumah, orang-orang yang selalu

menanyakan “kapan lulus?” dan semua orang yang tidak bisa penulis sebutkan

satu per satu. Terimakasih atas dukungan dan doanya selama ini.

Walaupun masih banyak kekurangan dalam pembuatan skripsi ini, penulis berharap

skripsi ini dapat berguna dan dapat disempurnakan suatu hari kelak.

Salatiga, 1 April 2013

Penulis,

Satya Kurnia

iv

DAFTAR ISI

INTISARI .............................................................................................................................. i

ABSTRACT .......................................................................................................................... ii

KATA PENGANTAR......................................................................................................... iii

DAFTAR ISI ....................................................................................................................... iv

DAFTAR GAMBAR........................................................................................................... vi

DAFTAR TABEL .............................................................................................................. vii

DAFTAR SINGKATAN................................................................................................... viii

BAB I PENDAHULUAN..................................................................................................... 1

1.1. Tujuan ........................................................................................................................ 1

1.2. Latar Belakang Masalah............................................................................................. 1

1.3. Spesifikasi .................................................................................................................. 4

1.4. Sistematika Penulisan ................................................................................................ 6

BAB II DASAR TEORI ...................................................................................................... 7

2.1. Sejarah Nvidia CUDA ............................................................................................... 7

2.2. Arsitektur Nvidia CUDA ........................................................................................... 8

2.3. GPU Sebagai Mesin Pemrosesan Paralel ................................................................. 12

2.4. Statistika ................................................................................................................... 15

2.4.1. Skala Likert ....................................................................................................... 15

2.4.2. Uji Chi-Square .................................................................................................. 16

2.4.3. Uji t ................................................................................................................... 16

BAB III PERANCANGAN ............................................................................................... 18

3.1. Pedoman Pembelajaran Nvidia CUDA .................................................................... 18

3.1.1. Pedoman pembelajaran topik 1: Konsep pemrosesan paralel, sejarah dan

pengenalan Nvidia CUDA sebagai mesin pemrosesan paralel.........................19

3.1.2. Pedoman pembelajaran topik 2 : Nvidia CUDA programming model ............ 20

3.1.3. Pedoman pembelajaran topik 3: Nvidia CUDA Threading .............................. 20

3.1.4. Pedoman pembelajaran topik 4: Nvidia CUDA Memory ................................. 21

3.1.5. Pedoman pembelajaran topik 5: Nvidia CUDA Compilation and API ............ 22

3.1.6. Pedoman pembelajaran topik 6: Nvidia CUDA Library .................................. 23

v

3.1.7. Pedoman pembelajaran topik 7: Nvidia CUDA Optimization .......................... 24

3.2. Pedoman Praktikum Nvidia CUDA ......................................................................... 26

3.2.1. Pedoman praktikum topik 0 : Pengenalan Nvidia CUDA dan Instalasi

Nvidia CUDA Toolkit, Nvidia CUDA SDK, Nvidia Nsight dan Integrasi

Nvidia CUDA dengan Visual Studio 2008 dan Visual Studio 2010 ................ 27

3.2.2. Pedoman praktikum topik 1: Nvidia CUDA Basic ........................................... 28

3.2.3. Pedoman praktikum topik 2 : Nvidia CUDA Threading .................................. 29

3.2.4. Pedoman praktikum topik 3 : Nvidia CUDA Memory ..................................... 30

3.2.5. Pedoman praktikum topik 4 : Nvidia CUDA API ............................................ 32

3.2.6. Pedoman praktikum topik 5 : Nvidia CUDA Library ...................................... 33

3.2.7. Pedoman praktikum topik 6 : Nvidia CUDA Optimization .............................. 35

3.2.8. Pedoman praktikum 7 : Tugas Rancang ........................................................... 36

3.3. Rancangan Pengujian ............................................................................................... 37

3.3.1. Pengujian oleh dosen ........................................................................................ 37

3.3.2. Pengujian oleh mahasiswa ................................................................................ 37

3.4. Pelaksanaan Pengujian Pedoman Pembelajaran dan Pedoman Praktikum ............. 38

BAB IV PENGUJIAN PEDOMAN .................................................................................. 41

4.1. Pengujian oleh Dosen .............................................................................................. 41

4.2. Pengujian oleh mahasiswa ....................................................................................... 41

4.2.1. Uji Hipotesis ..................................................................................................... 43

4.2.2. Analisis Pengujian Pedoman Praktikum ........................................................... 47

BAB V KESIMPULAN DAN SARAN ............................................................................. 50

5.1. Kesimpulan .............................................................................................................. 50

5.2. Saran Pengembangan ............................................................................................... 50

DAFTAR PUSTAKA ......................................................................................................... 51

LAMPIRAN A.................................................................................................................... 53

LAMPIRAN B .................................................................................................................... 63

LAMPIRAN C.................................................................................................................... 74

LAMPIRAN D.................................................................................................................... 93

vi

DAFTAR GAMBAR

Gambar 1.1. Core GPU.....................................................................................................2

Gambar 1.2. Floating-Point Operations per second CPU dan GPU.................................2

Gambar 1.3. Memory Bandwidth CPU dan GPU..............................................................3

Gambar 2.1. Arsitektur komputer dengan Nvidia CUDA.................................................8

Gambar 2.2. GPU pada Nvidia CUDA............................................................................11

Gambar 2.3. SM pada arsitektur Fermi...........................................................................11

Gambar 2.4. Perbandingan Kemampuan Floating-Point CPU dengan GPU.................12

Gambar 2.5. Perbandingan Memory Bandwidth CPU dengan GPU...............................13

Gambar 2.6. Diagram Alir Kerja Nvidia CUDA.............................................................15

Gambar 3.1. Diagram Alir Pedoman Pembelajaran........................................................18

Gambar 3.2. Diagram Alir Pedoman Praktikum.............................................................26

vii

DAFTAR TABEL

Tabel 1.1. Pedoman Pembelajaran.....................................................................................4

Tabel 1.2. Pedoman Praktikum..........................................................................................5

Tabel 2.1. Sejarah Perkembangan GPU............................................................................7

Tabel 2.2. Generasi Arsitektur Nvidia CUDA.................................................................10

Tabel 2.3. Perbedaan Filosofi Desain CPU dengan GPU................................................14

Tabel 3.1. Pelaksanaan Pengujian Pedoman Pembelajaran dan Pedoman Praktikum....38

Tabel 4.1. Pernyataan Kuesioner Pedoman Pembelajaran..............................................42

Tabel 4.2. Pernyataan Kuesioner Pedoman Praktikum...................................................43

Tabel 4.3. Tingkat Kesetujuan Responden Pedoman Pembelajaran...............................44

Tabel 4.4. Test Chi-Square Pedoman Pembelajaran.......................................................45

Tabel 4.5. Tingkat Kesetujuan Responden Pedoman Praktikum....................................46

Tabel 4.6. Test Chi-Square Pedoman Praktikum............................................................46

Tabel 4.7. Nilai Rata-Rata Pengujian..............................................................................47

Tabel 4.8. Nilai Rata-Rata Pengujian berdasarkan IPK..................................................47

Tabel 4.9. Hasil Uji t Pedoman Praktikum.....................................................................49

viii

DAFTAR SINGKATAN

Singkatan Kepanjangan ALU Arithmetic And Logic Unit API Application Programming Interface CPU Central Processing Unit CUDA Compute Unified Device Architecture DRAM Dynamic Random Access Memory FPU Floating Point Unit GDDR Graphics Double Data Rate GFLOPS Giga Floating Point Operations Per Second GPGPU General Purpose Graphics Processing Unit GPU Graphics Processing Unit GHz Gigahertz IPK Indeks Prestasi Kumulatif ISA Instruction Set Architecture MATLAB Matrix Laboratory Mhz Megahertz PC Personal Computer PFLOPS Peta Floating Point Operations Per Second SDK Software Development Kit SFU Special Function Unit SM Streaming Multiprocessor SP Streaming Processor TFLOPS Tera Floating Point Operations Per Second VGA Video Graphics Array 2D 2 Dimensional 3D 3 Dimensional

1

BAB I

PENDAHULUAN

Pada bab ini akan dijelaskan tujuan, latar belakang masalah, spesifikasi tugas

dan sistematika penulisan skripsi.

1.1. Tujuan

Mempelajari arsitektur dan pemrograman Nvidia CUDA yang merupakan

teknologi pemrosesan paralel yang menggabungkan Central Processing Unit (CPU)

dengan Graphics Processing Unit (GPU) untuk meningkatkan kinerja pemrosesan data

dan membuat pedoman pengajaran dalam bentuk diktat dan slide serta membuat

pedoman praktikum untuk matakuliah Pemrosesan Paralel.

1.1. Latar Belakang Masalah

Seiring dengan kemajuan teknologi, pemanfaatan komputer menjadi sangat luas

dan meliputi segala aspek. Komputer menjadi alat bantu manusia untuk menyelesaikan

berbagai bentuk permasalahan dari permasalahan yang sederhana sampai dengan

permasalahan yang kompleks. Semakin majunya kekuatan pemrosesan komputer,

menjadi alasan mengapa permasalahan yang kompleks bisa diselesaikan dalam waktu

yang singkat.

CPU merupakan unit pemrosesan utama di dalam sebuah komputer.

Perkembangan CPU dalam 30 tahun terakhir telah meningkat pesat dari clock speeds 1

MHz pada awal tahun 1980 hingga mencapai clock speeds 4 GHz pada saat ini.

Walaupun clock speeds CPU meningkat, tetapi masalah boros daya dan panas yang

dihasilkan CPU akibat tingginya clock speeds menyebabkan clock speeds sulit untuk

ditingkatkan lagi, sehingga merupakan masalah besar yang harus dihadapi tiap pabrikan

CPU untuk meningkatkan kinerja CPU [12, h.2-3].

Pada tahun 2006 Nvidia mengenalkan teknologi pemrosesan paralel yang cepat,

murah dan efisien yaitu Compute Unified Device Architecture (CUDA) yang berbasis

General Purpose Graphics Processing Unit (GPGPU). Arsitektur Nvidia CUDA dapat

meningkatkan kinerja pemrosesan data di dalam komputer dengan cara menggabungkan

kekuatan pemrosesan CPU dan GPU untuk meningkatkan kinerja pemrosesan data.

2

GPU pada Nvidia CUDA mempunyai puluhan hingga ratusan core, sehingga

dapat melakukan pemrosesan data secara bersama-sama dalam satu waktu. Gambar 1.1

merupakan gambar banyaknya core di dalam GPU pada Nvidia CUDA.

Gambar 1.1. Core GPU [1]

Dengan banyaknya core di dalam sebuah GPU maka kemampuan Floating-point

Operations per Second GPU jauh di atas CPU yang hanya mempunyai beberapa unit

core. Saat ini kemampuan Floating-point Operations per Second GPU telah mencapai

lebih dari 1,5 TFLOPS jauh di atas CPU yang baru mencapai angka 100 GFLOPS.

Gambar 1.2 adalah gambar grafik perbandingan CPU dengan GPU untuk kemampuan

Floating-point Operations per Second.

Gambar 1.2. Floating-Point Operations per second CPU dan GPU [8, h.2]

3

Fungsi utama GPU adalah untuk rendering grafik, oleh karena itu diperlukan

memory bandwith yang lebar. Jenis memory yang digunakan pada GPU adalah Graphic

Double Data Rate (GDDR) yang pada saat ini telah mencapai generasi GDDR5 yang

mempunyai kecepatan 6000 MHz [16], melebihi kecepatan main memory pada CPU

yang baru mencapai generasi DDR3 dengan kecepatan tertinggi 2000 MHz. Lebarnya

memory bandwidth GPU maka merupakan salah satu keunggulan GPU dibanding

dengan CPU dalam hal kecepatan akses memory. Gambar 1.3 adalah gambar grafik

perbandingan memory bandwidth CPU dengan GPU.

Gambar 1.3. Memory Bandwidth CPU dan GPU [8, h.2]

Keunggulan yang dimiliki CUDA yaitu:

1. Antarmuka CUDA application menggunakan standar bahasa C sehingga mudah

dipelajari.

2. Data transfer antara CPU dan GPU sangat cepat sehingga dapat mengurangi latency

pengiriman data dari CPU ke GPU ataupun sebaliknya.

3. Mempunyai shared memory pada setiap multiprosesor dengan kecepatan akses

tinggi.

4. Hemat biaya dan daya listrik.

4

Oak Ridge National Laboratory telah menggunakan 18.688 16 core AMD

Opteron CPU dan juga 18000 Nvidia CUDA GPU pada superkomputer Cray XK6

untuk menghasilkan performa 20 PFLOPS. Superkomputer Cray XK6 2 kali lebih

cepat dan 3 kali lebih hemat daya daripada K superkomputer buatan Fujitsu Jepang

yang menggunakan 88.128 8 core SPARC64 VIIIfx CPU yang hanya menghasilkan

performa 10 PFLOPS [14].

Nvidia CUDA telah diperkenalkan pada universitas-universitas di luar negeri

seperti Universitas Harvard [4] dan Institut Teknologi Tokyo [11] sejak tahun 2009. Di

Indonesia teknologi Nvidia CUDA belum dikenal secara luas dikarenakan belum ada

matakuliah yang yang memanfaatkan teknologi ini. Oleh karena itu, melalui skripsi ini

akan dibuat pedoman pengajaran dan pedoman praktikum Nvidia CUDA yang akan

diterapkan untuk matakuliah Pemrosesan Paralel.

1.3. Spesifikasi

Berdasarkan surat keputusan nomor: 21/I.3/FTEK/VI/2012 dan surat keputusan

nomor: 02/Kep/D/FTEK/III/2013 perincian tugas yang dikerjakan adalah sebagai

berikut:

1. Materi yang diberikan terbagi menjadi 7 pedoman untuk pedoman pembelajaran

dan 7 pedoman untuk pedoman praktikum.

Tabel 1.1. Pedoman Pembelajaran

Pedoman Judul

1 Konsep pemrosesan paralel, sejarah dan pengenalan

Nvidia CUDA sebagai mesin pemrosesan paralel

2 Nvidia CUDA Programming Model

3 Nvidia CUDA Threading

4 Nvidia CUDA Memory

5 Nvidia CUDA Compilation and API

6 Nvidia CUDA Library

7 Nvidia CUDA Optimization

5

Tabel 1.2. Pedoman Praktikum

Pedoman Judul

1 Pengenalan dan instalasi Nvidia CUDA Toolkit,

Nvidia CUDA SDK, Nvidia Nsight dan integrasi

Nvidia CUDA dengan Visual Studio 2008 dan Visual

Studio 2010

2 Nvidia CUDA Basic

3 Nvidia CUDA Threading

4 Nvidia CUDA Memory

5 Nvidia CUDA API

6 Nvidia CUDA Library

7 Nvidia CUDA Optimization

8 Tugas Rancang

2. Format untuk pedoman pembelajaran adalah sebagai berikut:

1. Judul

2. Tujuan

3. Dasar Teori

4. Summary

5. Latihan Soal

6. Daftar Pustaka

Format untuk pedoman praktikum adalah sebagai berikut:

1. Judul

2. Tujuan

3. Dasar Teori

4. Contoh Program

5. Soal Praktikum

6. Set Dosen

7. Daftar Pustaka

6

3. Pembuatan program Nvidia CUDA menggunakan Visual Studio 2008 dan Visual

Studio 2010.

4. Pengujian untuk mahasiswa berjumlah 6 orang dengan prasyarat matakuliah

pemrosesan paralel.

5. Penilaian kemampuan mahasiswa rata-rata 70.

6. Standar penilaian kemampuan mahasiswa dengan menggunakan patokan yang telah

telah ditentukan.

7. Keluaran berupa : pedoman, slide dan rekomendasi prasyarat.

8. Metode pengujian yang digunakan adalah uji Chi-Square, uji t dan uji z sedangkan

skala pengujian yang digunakan adalah skala likert.

1.4. Sistematika Penulisan

Penulisan skripsi ini terdiri dari 5 bab yaitu:

Bab I Pendahuluan

Berisi tujuan, latar belakang masalah, spesifikasi dan sistematika penulisan.

Bab II Dasar Teori

Berisi dasar teori Nvidia CUDA yang meliputi sejarah, arsitektur,

pengembangan GPU sebagai mesin pemrosesan paralel dan dasar teori

statistika yang akan digunakan untuk pengujian.

Bab III Perancangan Sistem

Berisi perancangan pedoman kuliah, pedoman praktikum dan perancangan

pengujian pedoman.

Bab IV Pengujian dan Analisis

Berisi hasil pengujian pedoman.

Bab V Kesimpulan dan Saran

Berisi kesimpulan dan saran-saran yang dapat digunakan untuk pengembangan

Nvidia CUDA ke tahap selanjutnya.

7

BAB II

DASAR TEORI

Bab ini berisi dasar teori yang berhubungan dengan perancangan skripsi antara

lain sejarah Nvidia CUDA, arsitektur Nvidia CUDA, GPU sebagai mesin pemrosesan

paralel dan dasar teori untuk statistika

2.1. Sejarah Nvidia CUDA

2006-Nvidia mengenalkan teknologi pemrosesan paralel berbasis General

Purpose Graphics Processing Unit (GPGPU) yaitu Compute Unified Device

Architecture (CUDA). Nvidia bertujuan membuat Graphics Processing unit (GPU)

tidak hanya digunakan untuk mengolah aplikasi grafis tetapi juga dapat digunakan

untuk memproses aplikasi non-grafis. GPU pada mulanya hanya digunakan untuk

rendering grafis 2D maupun 3D, namun sekarang telah banyak aplikasi yang

memanfaatkan kinerja dari GPU untuk aplikasi perhitungan matematika seperti

MATLAB. Pada awal perkembangan komputer, CPU masih memegang peranan

penting dalam pemrosesan grafis namun setelah perkembangan grafis yang makin

meluas, kinerja CPU menjadi menurun karena harus melakukan rendering grafis. Pada

awal tahun 1980an dibuatlah hardware khusus untuk mengolah grafis yang terdiri dari

Geometry unit, Rasterization unit dan Fragment unit yang kemudian dinamakan GPU.

Tabel 2.1 menunjukkan sejarah perkembangan GPU.

Tabel 2.1. Sejarah Perkembangan GPU [17]

Tahun Sejarah

1980an • Intel mengembangkan graphics controller yang pertama berbasis

multibus.

• Commodore Amiga merupakan PC pertama yang menggunakan

GPU.

(bersambung)

8

Tabel 2.1. Sejarah Perkembangan GPU [17] (lanjutan)

1990an • Aplikasi yang menggunakan grafis 3D bermunculan terutama game.

• Munculnya beberapa pabrikan pembuat chip GPU seperti ATI,

Nvidia dan Matrox.

• OpenGL menjadi standar grafis API.

• Microsoft mengembangkan DirectX untuk game Microsoft yang

menggunakan GPU.

2000an • Nvidia menerapkan programmable shading pada produknya yaitu

geforce 3 yang memungkinkan geometric vertex dapat diproses ke

dalam program sederhana sebelum ditampilkan ke layar.

2006 • Nvidia mengenalkan Compute Unified Device Architecture (CUDA)

yang berbasis General Purpose Graphics Processing Unit (GPGPU).

2.2. Arsitektur Nvidia CUDA

Nvidia CUDA mempunyai arsitektur berbasis General Purpose Computing

Graphics Processing Units (GPGPU). Nvidia CUDA dapat berjalan dengan platform

CPU berbasis x86 dan x64 dari platform manapun dan chipset motherboard yang

mendukung PCI-Express Bus. Gambar 2.1 merupakan gambar arsitektur komputer

dengan Nvidia CUDA.

Gambar 2.1. Arsitektur komputer dengan Nvidia CUDA

Pada Gambar 2.1 Nvidia CUDA dihubungkan melalui interface PCI-Express Bus

yang mendukung bandwidth sampai 16 GB/s. PCI-Express dihubungkan oleh

9

Northbridge pada motherboard yang berfungsi menjembatani CPU, DRAM,

Southbridge dan PCI-Express.

Nvidia CUDA terdiri dari beberapa komponen yaitu[7, h.2]:

1. Unit pemrosesan di dalam GPU.

2. OS kernel - level yang mendukung inisialisasi dan konfigurasi hardware.

3. User mode driver yang menunjukkan device level API.

4. PTX instruction set architecture (ISA) untuk komputasi paralel kernel dan

fungsi, kernel merupakan potongan program yang akan dieksekusi secara paralel

oleh GPU [9, h.7].

Saat ini Nvidia CUDA telah mencapai 4 generasi arsitektur. Tabel 2.2 menunjukkan

generasi arsitektur Nvidia CUDA .

10

Tabel 2.2. Generasi Arsitektur Nvidia CUDA [3]

Arsitektur Jumlah

maksimum SM

SP/ CUDA

cores

Jumlah SP

maksimum

Shared

memory/ cache

Maksimum

memory

bandwidth

maksimum

thread per

block

Dimensi

block

G80/G92 16 8 128 246 KB shared

memory, 512

KB register

86,4 GB/s 512 512 x 512 x 64

GT 200 30 8 240 480KB shared

memory, 1920

KB register

141,7 GB/s 512 512x 512 x 64

Fermi 16 32 512 L1 cache 1024

KB, L2 cache

768 KB, 2048

KB register

177,4 GB/s 1024 1024 x 1024 x 64

Kepler 8 192 1536 L1 cache 512

KB, L2 cache

1536 KB, 2048

KB register

192,4 GB/s 1024 1024 x 1024 x 64

11

GPU pada Nvidia CUDA terdiri beberapa unit Streaming Multiprocessors (SM)

seperti pada Gambar 2.2.

Gambar 2.2. GPU pada Nvidia CUDA [1]

Setiap SM terdiri dari beberapa Streaming Processors (SP)/CUDA cores, Setiap

arsitektur mempunyai jumlah SP/CUDA cores yang berbeda-beda. Gambar 2.3 adalah

contoh gambar SM pada arsitektur Fermi.

Gambar 2.3. SM pada arsitektur Fermi [10, h.8]

12

Bagian yang terdapat pada setiap SM arsitektur Fermi adalah [10, h.5-8]:

• 32 CUDA core yang terdiri dari Arithmetic Logic Unit (ALU) dan Floating

Point Unit (FPU). ALU pada arsitektur Fermi mendukung sampai 32 bit

precision unit untuk semua instruksi sedangkan FPU mendukung sampai 64 bit.

• 16 unit Load Store Unit yang digunakan untuk pengalamatan resource dan

destination yang dapat menampung sampai 16 thread per clock.

• 4 Special Function Unit (SFU) yang berfungsi mengeksekusi instruksi

transcendental seperti sin,cos dan bilangan kuadrat.

• 2 Warp scheduler untuk penjadwalan 32 thread yang bekerja secara paralel.

• 64 KB Shared memory dan L1 cache.

• Register serbaguna dengan ukuran 32.768 x 32 bit.

2.3. GPU Sebagai Mesin Pemrosesan Paralel

Sejak tahun 2003 kemampuan Graphics Processing Unit (GPU) telah melampaui

kemampuan Central Processing Unit (CPU) dalam hal kemampuan pemrosesan

floating point, baik single precision maupun double precision. Gambar 2.4

menunjukkan perbandingan kemampuan GPU Nvidia CUDA dengan CPU.

Gambar 2.4. Perbandingan Kemampuan Floating-Point CPU dengan GPU [9, h.2]

Gambar 2.4 memperlihatkan perbedaan yang sangat mencolok antara kemampuan

GPU Nvidia CUDA dengan CPU. CPU tercepat buatan Intel pada tahun 2011 yaitu

13

Intel Sandy Bridge kemampuannya berbeda jauh dengan GPU NVIDIA GTX 680 yang

juga keluar pada tahun yang sama.

Memory Bandwidth juga mempengaruhi perbedaan kemampuan CPU dengan

GPU Nvidia CUDA. Gambar 2.5 menunjukkan perbandingan memory bandwidth antara

GPU Nvidia CUDA dengan CPU.

Gambar 2.5. Perbandingan Memory Bandwidth CPU dengan GPU [9, h.2]

Gambar 2.5 memperlihatkan GPU Nvidia CUDA sangat unggul dalam memory

bandwith, hal ini terlihat jelas dari GPU Nvidia GTX 680 yang mempunyai memory

bandwith 192.2 GB/s sedangkan CPU tercepat intel Sandy Bridge hanya memiliki

memory bandwidth sekitar 50 GB/s. GPU mempunyai akses memory yang cepat karena

pada dasarnya GPU memang diperuntukkan untuk rendering grafis yang membutuhkan

memory bandwidth yang tinggi untuk mengurangi bottleneck. Dengan perkembangan

game 3D yang semakin lama membutuhkan GPU yang semakin cepat, pabrikan chip

GPU pun saling berlomba-lomba membuat GPU yang mempunyai kemampuan tinggi

tetapi dapat dijual dengan harga yang murah. Hal ini menyebabkan hampir setiap tahun

2 pabrikan besar pembuat chip GPU yaitu ATI dan Nvidia mengeluarkan GPU baru

dengan arsitektur yang semakin baik dalam segi performa dan semakin hemat daya

listrik.

14

Setelah melihat perbedaan signifikan antara CPU dengan GPU, maka dapat ditarik

kesimpulan bahwa kemampuan CPU tidak sepadan dengan GPU. Hal ini disebabkan

CPU dengan GPU mempunyai filosofi yang berbeda dalam desainnya. Tabel 2.3

menunjukkan perbedaan filosofi desain CPU dengan GPU.

Tabel 2.3. Perbedaan Filosofi Desain CPU dengan GPU [5, h.39-41]

CPU GPU

Mempunyai sedikit unit pemrosesan Mempunyai banyak unit pemrosesan

Akses ke cache memory sangat cepat Akses ke onboard memory sangat cepat

CPU sangat baik untuk task parallelism GPU sangat baik untuk data parallelism

Kemampuan tinggi untuk single thread

execution

Kemampuan tinggi untuk tugas paralel

Pada Tabel 2.3 memperlihatkan bahwa GPU mempunyai desain yang berbeda

dengan CPU. GPU dapat melakukan apa yang CPU tidak bisa lakukan, sebaliknya CPU

juga dapat melakukan apa yang GPU tidak bisa lakukan. Inilah alasan Nvidia CUDA

menggabungkan CPU dengan GPU. Dengan banyaknya unit pemrosesan di dalam GPU

maka data dalam jumlah banyak dapat diproses secara bersamaan dalam satu waktu.

CPU akan mengeksekusi kode sequential yang berisi instruksi yang diperlukan GPU

untuk melakukan pemrosesan paralel, setelah itu GPU akan mengeksekusi data yang

diberikan oleh CPU secara paralel. Gambar 2.6 menunjukkan diagram alir kerja Nvidia

CUDA.

15

Gambar 2.6. Diagram Alir Kerja Nvidia CUDA [15]

Penjelasannya adalah sebagai berikut:

1. Alur kerja yang pertama yaitu CPU akan menyalin semua data yang dibutuhkan

GPU untuk eksekusi dari main memory ke GPU memory onboard.

2. Setelah semua data yang dibutuhkan GPU untuk proses eksekusi disalin. CPU

akan mengerjakan kode sequential dan kemudian akan memberikan instruksi

yang akan dikerjakan oleh GPU.

3. GPU akan mengeksekusi secara paralel.

4. Hasil dari pemrosesan paralel akan disalin ke main memory.

2.4. Statistika [6, h.70-89] [13, h.15-18]

2.4.1. Skala Likert

Skala likert adalah skala psikometrik yang sering digunakan untuk kuesioner di

dalam riset berupa survei. Disediakan lima pilihan skala dengan format sebagai

berikut:

1. Sangat tidak setuju

2. Tidak setuju

3. Tidak pasti

4. Setuju

5. Sangat setuju

16

Langkah skala likert

1.Menentukan dan memahami apa yang akan diukur.

2.Menyusun perancangan.

2.4.2. Uji Chi-Square

Uji Chi-Square bertujuan untuk menguji perbedaan proporsi dua atau lebih

kelompok.

Perhitungan uji Chi-Square menggunakan persamaan 2.1.

�� = ∑(��)�� (2.1)

Dengan:

Fh = Frekuensi harapan

Fo = Frekuensi observasi

Fh = � �� (2.2)

Dengan:

�� = Total baris

�� = Total kolom

N = Total

2.4.3. Uji t

Uji t biasa digunakan untuk sampel kecil. Uji t yang digunakan adalah Uji t

independen berbeda varian sesuai persamaan 2.3.

�� = ��(��). ��!(��). �� × #��.��.(��!��)��!�� (2.3)

17

$ = �∑(% − %̅)�(

Dengan:

S12 = Standar Deviasi 1

S22 = Standar Deviasi 2

n1 = Jumlah responden kelompok 1

n2 = Jumlah responden kelompok 2

%1�� = Nilai rata-rata kelompok 1

%2�� = Nilai rata-rata kelompok 2

18

BAB III

PERANCANGAN

Pada bab ini akan dijelaskan deskripsi pedoman pengajaran dan pedoman

praktikum Nvidia CUDA.

3.2. Pedoman Pembelajaran Nvidia CUDA

Diagram alir pedoman pembelajaran dapat dilihat pada Gambar 3.1.

Gambar 3.1. Diagram Alir Pedoman Pembelajaran

19

Gambar 3.1 menunjukkan perancangan pedoman pembelajaran. Berikut adalah

deskripsi dari masing-masing pedoman :

3.2.1. Pedoman pembelajaran topik 1: Konsep pemrosesan paralel, sejarah dan

pengenalan Nvidia CUDA sebagai mesin pemrosesan paralel.

Melalui pedoman pembelajaran topik 1 diharapkan mahasiswa dapat :

• Mengingat kembali konsep - konsep dasar pemrosesan paralel.

• Mengerti konsep Nvidia CUDA sebagai mesin pemrosesan paralel.

Pemilihan topik pedoman ini didasarkan :

• Perlunya mahasiswa mengingat kembali konsep - konsep dasar

pemrosesan paralel.

• Perlunya pengenalan konsep Nvidia CUDA sebagai mesin pemrosesan

paralel.

Perancangan pedoman pengajaran :

1. Tujuan.

2. Materi

2.1. Konsep pemrosesan paralel

2.1.1. Konsep pemrosesan paralel secara umum.

2.1.2. Hukum Amdahl.

2.1.3. Platform memory.

2.1.4. Taksonomi Flyn.

2.1.5. Dekomposisi.

2.2. Pengenalan Nvidia CUDA

2.2.1. Sejarah perkembangan GPU.

2.2.2. GPU sebagai mesin pemrosesan paralel.

3. Ringkasan.

4. Soal-Soal Latihan.

5. Daftar Pustaka.

20

3.2.2. Pedoman pembelajaran topik 2 : Nvidia CUDA programming model.

Melalui pedoman pembelajaran topik 2 diharapkan mahasiswa dapat:

• Memahami dan mengerti arsitektur Nvidia CUDA.

• Menguasai dasar - dasar programming model Nvidia CUDA.


• Mahasiswa perlu mengetahui konsep dasar arsitektur dan pemrograman

Nvidia CUDA sebagai dasar untuk melakukan pemrosesan paralel

menggunakan Nvidia CUDA.


1. Tujuan.

2. Materi

2.1. Arsitektur Nvidia CUDA.

2.2. Programming Model Nvidia CUDA

2.2.1. Kernel.

2.2.2. Thread.

2.2.3. Heterogeneous Programming.

2.2.4. Management memory Nvidia CUDA.

3. Ringkasan.


5. Daftar Pustaka.

3.2.3. Pedoman pembelajaran topik 3: Nvidia CUDA Threading.


• Memahami dan mengerti konsep dasar dari thread.

• Menguasai dasar-dasar pemrograman thread.

• Mengerti manfaat dari penjadwalan thread.

21


• Thread merupakan kunci utama Nvidia CUDA untuk melakukan

pemrosesan paralel, thread berfungsi mengeksekusi data secara paralel.


1. Tujuan.

2. Materi

2.1. Konsep Thread pada Nvidia CUDA.

2.2. Pemrograman Thread.

2.3. Penjadwalan Thread.

2.4. Transparent Scalability.

3. Ringkasan.


5. Daftar Pustaka.

3.2.4. Pedoman pembelajaran topik 4: Nvidia CUDA Memory.


• Memahami dan mengerti konsep dasar memory model pada Nvidia CUDA.

• Mengerti jenis - jenis memory yang terdapat pada Nvidia CUDA beserta

pemanfaatannya.


• Penggunaan memory pada Nvidia CUDA sangat penting karena

penggunaan memory dapat mempengaruhi unjuk kerja program.

• Perlunya mahasiswa mengetahui cara penggunaan memory pada Nvidia

CUDA.

Perancangan pedoman pengajaran:

1. Tujuan.

2. Materi

2.1. Nvidia CUDA memory model.

22

2.2. GPU memory

2.2.1. Register.

2.2.2. Local memory.

2.2.3. Shared memory.

2.2.4. Constant memory.

2.2.5. Texture memory.

2.2.6. Global memory.

3. Ringkasan.


5. Daftar Pustaka.

3.2.5. Pedoman pembelajaran topik 5: Nvidia CUDA Compilation and API.


• Memahami dan mengerti Nvidia CUDA Compilation dan Nvidia CUDA

API.

• Menguasai 5 fungsi dasar Nvidia CUDA Runtime API yaitu device

management, memory management, stream management, event

management dan error handling.

• Menguasai dasar - dasar dari Nvidia Driver API.

Pemilihan topik pedoman ini didasarkan:

• Pemanggilan fungsi API merupakan dasar pemrograman Nvidia CUDA.

• Mengenalkan 5 fungsi dasar Nvidia CUDA API Runtime.


1. Tujuan.

2. Materi

2.1. Nvidia CUDA Compilation.

2.2. Nvidia CUDA Language.

2.2.1. Declaration Qualifier.

2.2.2. Built in Variables.

23

2.2.3. Built in Types.

2.2.4. Execution Configuration.

2.3. Nvidia CUDA API

2.3.1. Runtime API

2.3.1.1. Device Management.

2.3.1.2. Memory Management.

2.3.1.3. Event Management.

2.3.1.4. Stream Management.

2.3.1.5. Error Handling.

2.3.2. Driver API.

3. Ringkasan.


5. Daftar Pustaka.

3.2.6. Pedoman pembelajaran topik 6: Nvidia CUDA Library.


• Memahami penggunaan Nvidia Library untuk mempermudah user dalam

memproses data secara paralel.

• Menguasai penggunaan Library CUBLAS untuk operasi perhitungan

vektor dan matrik.

• Menguasai penggunaan Library Thrust untuk transformasi, reduksi, prefix-

sums dan sorting.

Pemilihan topik ini didasarkan:

• Nvidia CUDA Library dapat mempermudah user dalam memproses data

secara paralel menggunakan Nvidia CUDA.


1. Tujuan.

2. Materi

2.1. CUBLAS

24

2.1.1. CUBLAS level 1.



2.2. Thrust

2.2.1. Containers.

2.2.2. Algoritma.

2.2.3. Iterators.

3. Ringkasan.


5. Daftar Pustaka.

3.2.7. Pedoman pembelajaran topik 7: Nvidia CUDA Optimization.


• Mengerti dasar-dasar optimasi Nvidia CUDA secara software dan

hardware.

Pemilihan topik ini didasarkan:

• Perlunya mahasiswa mengetahui cara meningkatkan unjuk kerja Nvidia

CUDA melalui software dan hardware.


1. Tujuan.

2. Materi

2.1. Optimasi Software

2.1.1. Optimasi memory

2.1.1.1. Efisiensi transfer memory.

2.1.1.2. Coalescing memory.

2.1.1.3. Menggunakan shared memory secara efisien.

2.1.2. Optimasi thread.

2.1.3. Optimasi instruksi.

2.2. Optimasi Hardware.

3. Ringkasan.

25


5. Daftar Pustaka.

26

3.2. Pedoman Praktikum Nvidia CUDA

Diagram alir pedoman praktikum dapat dilihat pada Gambar 3.2.

Gambar 3.2. Diagram Alir Pedoman Praktikum.

27

Gambar 3.2 menunjukkan perancangan pedoman praktikum. Berikut adalah

deskripsi dari masing-masing pedoman:

3.2.1. Pedoman praktikum topik 0 : Pengenalan Nvidia CUDA dan Instalasi

Nvidia CUDA Toolkit, Nvidia CUDA SDK, Nvidia Nsight dan Integrasi

Nvidia CUDA dengan Visual Studio 2008 dan Visual Studio 2010.

Melalui pedoman praktikum topik 0 diharapkan mahasiswa menguasai

konsep:

• Mahasiswa dapat melakukan instalasi Nvidia CUDA Toolkit, Nvidia

CUDA SDK dan Nvidia Nsight.

• Mahasiswa dapat melakukan integrasi Nvidia CUDA dengan Visual Studio

2008 dan 2010.

• Mahasiswa dapat mengetahui properties GPU yang digunakan melalui

program GPU-Z.

• Mahasiswa dapat menguji contoh program pada Nvidia CUDA SDK.


• Perlunya mahasiswa mengingat kembali konsep-konsep dasar pemrosesan

paralel.

• Perlunya pengenalan konsep Nvidia CUDA sebagai mesin pemrosesan

paralel.

Perancangan pedoman praktikum:

1. Tujuan.

2. Mengecek jenis GPU dan versi driver pada PC atau laptop.

3. Instalasi Nvidia CUDA Toolkit.

4. Instalasi Nvidia CUDA SDK.

5. Integrasi Nvidia CUDA dengan Visual Studio 2008.

6. Integrasi Nvidia CUDA dengan Visual Studio 2010.

7. Instalasi Nvidia Nsight.

8. Kompilasi source CUDA dengan Visual Studio 2010 command prompt

9. GPU Computing SDK test.

28

10. Pemrograman Nvidia CUDA dengan Visual Studio 2008 atau Visual

Studio 2010.

11. Soal Praktikum

11.1. Soal praktikum set 1: Analisa program.

11.2. Soal praktikum set 2: Analisa program.

12. Set Dosen

12.1. Set Dosen 1.

12.2. Set Dosen 2.

13. Daftar Pustaka.

3.2.2. Pedoman praktikum topik 1: Nvidia CUDA Basic.


konsep:

• Pembuatan program Nvidia CUDA sederhana.

• Penyalinan memory, eksekusi kernel dan menampilkan hasil eksekusi.

• Eksekusi thread pada kernel.


• Mengenalkan CUDA template.

• Dasar dari penyalinan memory, pemanggilan kernel dan eksekusi thread

pada kernel.

• Mengenalkan kode host dan kode device.


1. Tujuan.

2. Dasar Teori

2.1. Kernel.

2.2. Thread.

2.3. CUDA template.

2.4. Alokasi memory.

29

3. Contoh Program

3.1. Contoh program 1: menghitung kuadrat dari thread.

4. Soal Praktikum set 1

4.1. Soal 1 : Pembatasan thread dari thread 0 sampai thread 3.

4.2. Soal 2 : Penjumlahan paralel.


5.1. Soal 1 : Pembatasan thread dari thread 7 sampai thread 4.

5.2. Soal 2 : Perkalian paralel.

6. Set Dosen

6.1. Set Dosen 1.

6.2. Set Dosen 2.

7. Daftar Pustaka.

3.2.3. Pedoman praktikum topik 2 : Nvidia CUDA Threading.


konsep:

• Menggunakan thread dalam 3 sumbu vektor x,y dan z.

• Menggabungkan semua thread di dalam block.

• Menggunakan timer untuk mengetahui waktu eksekusi GPU.


• Konfigurasi thread yang digunakan dalam mengeksekusi kernel

mempengaruhi unjuk kerja GPU.

• Penggunaan timer penting untuk mengetahui unjuk kerja GPU.

Perancangan pedoman praktikum :

1. Tujuan.

2. Dasar Teori

2.1. Konfigurasi thread.

2.2. Penggabungan thread antar block.

30

3. Contoh Program

3.1. Contoh program 1: Eksekusi kernel dengan menggunakan thread

vektor x,y dan z.

3.2. Contoh program 2: Eksekusi kernel dengan menggunakan gabungan

thread antar block.

3.3. Contoh program 3: Penggunaan timer untuk menghitung waktu

eksekusi.


4.1. Soal 1: Penjumlahan koordinat dengan menggunakan vektor x dan y.

4.2. Soal 2: Perkalian matrik secara paralel.


5.1. Soal 1: Perkalian koordinat dengan menggunakan vektor x dan y.

5.2. Soal 2: Perkalian matrik secara paralel.

6. Set Dosen

6.1. Set Dosen 1.

6.2. Set Dosen 2.

7. Daftar Pustaka.

3.2.4. Pedoman praktikum topik 3 : Nvidia CUDA Memory.


konsep:

• Memory model Nvidia CUDA.

• Jenis - jenis memory Nvidia CUDA.

• Menentukan jenis memory yang tepat untuk mengeksekusi program Nvidia

CUDA.

• Penggunaan shared memory, constant memory dan global memory dalam

program.

31


• Perlunya mengetahui jenis memory Nvidia CUDA.

• Perlunya mengetahui cara penggunaan memory di dalam program Nvidia

CUDA.


1. Tujuan.

2. Dasar Teori

2.1. Memory model Nvidia CUDA.

2.2. Tipe Memory Nvidia CUDA.

3. Contoh Program

3.1. Contoh program 1: Contoh penggunaan global memory, shared

memory dan constant memory kemudian membandingkan kecepatan

shared memory dan global memory dalam memproses data.


4.1. Soal 1: Perkalian matrik secara paralel dengan menggunakan shared

memory.

4.2. Soal 2: Bitonic sort.


5.1. Soal 1: Perkalian matrik secara paralel dengan menggunakan shared

memory, data yang digunakan random.

5.2. Soal 2: Bitonic sort dengan menggunakan data random.

6. Set Dosen

6.1. Set Dosen 1.

6.2. Set Dosen 2.

7. Daftar Pustaka.

32

3.2.5. Pedoman praktikum topik 4 : Nvidia CUDA API.


konsep :

• Menguasai dan menerapkan 5 fungsi dasar Nvidia CUDA Runtime API

yaitu device management, memory management, stream management,

event management dan error handling.

• Pembuatan aplikasi dengan menggunakan Nvidia CUDA API Runtime.


• Mengenalkan 5 fungsi dasar Nvidia CUDA API Runtime.


1. Tujuan.

2. Dasar Teori

2.1. Nvidia CUDA Device Management.

2.2. Nvidia CUDA Memory Management.

2.3. Nvidia CUDA Event Management.

2.4. Nvidia CUDA Stream Management.

2.5. Nvidia CUDA Error Handling.

3. Contoh Program

3.1. Contoh program 1: Contoh penggunaan Nvidia CUDA Device

Management.

3.2. Contoh program 2: Contoh penggunaan Nvidia CUDA Memory

Management untuk penjumlahan vektor menggunakan mapping

memory.

3.3. Contoh program 3: Contoh penggunaan Nvidia CUDA Event, Stream

dan Error handling untuk mengecek pemanggilan API, jika ada error

maka program akan menampilkan pesan error.

33


4.1. Soal 1: Membuat Menu untuk Searching bilangan via Runtime API

secara paralel, Mencari bilangan prima via Runtime API secara

paralel, Mencari bilangan prima dengan menggunakan mapping

memory dan memproses data menggunakan CUDA stream.


5.1. Soal 1: Membuat Menu untuk Searching bilangan via Runtime API

secara paralel, Mencari bilangan bukan prima via Runtime API secara

paralel, Mencari kelipatan bilangan dengan menggunakan mapping

memory dan memproses data menggunakan CUDA stream.

6. Set Dosen

6.1. Set Dosen 1.

6.2. Set Dosen 2.

7. Daftar Pustaka.

3.2.6. Pedoman praktikum topik 5 : Nvidia CUDA Library.


konsep :

• Penggunakan fasilitas library Nvidia CUDA.

• Penggunaan library CUBLAS dan Thrust untuk melakukan pemrosesan

paralel.


• Penggunaan Nvidia CUDA Library dapat mempermudah user dalam

memproses data secara paralel.


1. Tujuan.

2. Dasar Teori

2.1. CUBLAS


34



2.2. Thrust

2.2.1. Containers.

2.2.2. Algoritma.

2.2.3. Iterator.

3. Contoh Program

3.1. Contoh program 1: Menggunakan CUBLAS level 1 untuk menghitung

operasi vektor dengan vektor menggunakan fungsi cublasSaxpy,

cublasSasum dan cublasScoopy.


operasi matrik dengan vektor menggunakan fungsi cublasSgemv.


operasi matrik dengan matrik menggunakan fungsi cublasSgemm.

3.4. Contoh program 4: Menggunakan Thrust untuk transformasi, reduksi,

prefix-sums dan sorting.


4.1. Soal 1: Melakukan pembacaan text file dengan format yang telah

ditentukan kemudian membuat menu unuk melihat data list barang ,

melihat barang dari harga termurah, melihat barang dari harga

termahal dan membeli barang. Semua perhitungan menggunakan

Thrust Library.

4.2. Soal 2: Melakukan pembacaan data melalui text file kemudian

melakukan perkalian matrik dengan matrik itu sendiri yang telah

ditransformasi negasi dan dilakukan transpose matrik. Perkalian

matrik menggunakan CUBLAS level 3.


5.1. Soal 1: Melakukan pembacaan text file dengan format yang telah

ditentukan kemudian membuat menu unuk melihat data list barang ,

melihat barang dari harga termurah, melihat barang dari harga

termahal dan membeli barang. Semua perhitungan menggunakan

Thrust Library.

35

5.2. Soal 2: Melakukan pembacaan data melalui text file kemudian

melakukan perkalian matrik dengan matrik itu sendiri yang telah

ditransformasi modulo dan dilakukan transpose matrik. Perkalian

matrik menggunakan CUBLAS level 3.

6. Set Dosen

6.1. Set Dosen 1.

6.2. Set Dosen 2.

7. Daftar Pustaka.

3.2.7. Pedoman praktikum topik 6 : Nvidia CUDA Optimization.


konsep :

• Optimasi Nvidia CUDA secara software .

• Optimasi Nvidia CUDA dengan menggunakan coalescing memory.

• Memaksimalkan penggunaan thread untuk mengoptimalkan unjuk kerja

Nvidia CUDA.


• Perlunya optimasi Nvidia CUDA secara software untuk meningkatkan

unjuk kerja Nvidia CUDA dalam memproses data secara paralel.


1. Tujuan.

2. Dasar Teori

2.1. Coalescing memory.

2.2. Optimasi thread.

3. Contoh Program

3.1. Contoh program 1: Membandingkan unjuk kerja coalescing memory

dengan uncoalescing memory.

3.2. Contoh program 2: Membandingkan waktu eksekusi Nvidia CUDA

dengan konfigurasi block dan thread yang berbeda.

36


4.1. Soal 1: Membuat program untuk melakukan transpose matrik dengan

uncoalescing memory, coalescing memory, shared memory dan

optimasi thread kemudian membandingkan waktu eksekusinya.

4.2. Soal 2: Analisa potongan program kernel, menentukan apakah

potongan program kernel merupakan coalescing memory atau bukan.


5.1. Soal 1: Membuat program untuk melakukan transpose matrik dengan

uncoalescing memory, coalescing memory, shared memory dan

optimasi thread kemudian membandingkan waktu eksekusinya.

Inputan berasal dari text file.

5.2. Soal 2: Analisa potongan program kernel, menentukan apakah

potongan program kernel merupakan coalescing memory atau bukan.

6. Set Dosen

6.1. Set Dosen 1.

6.2. Set Dosen 2.

7. Daftar Pustaka.

3.2.8. Pedoman praktikum 7 : Tugas Rancang.

Melalui pedoman praktikum topik 7 diharapkan mahasiswa dapat:

• Menerapkan pedoman praktikum dari topik 1 sampai topik 6.

• Membuat aplikasi CUDA untuk menyelesaikan permasalahan yang

membutuhkan waktu eksekusi yang lama apabila dikerjakan oleh CPU.

• Membandingkan unjuk kerja Nvidia CUDA dengan CPU.

Tugas Rancang yang diberikan adalah menemukan jalur terpendek

menggunakan algoritma Floyd-Warshall, mahasiswa akan diberikan algoritma

Floyd-Warshall secara sequential kemudian mengubahnya ke algoritma

paralel. Selain itu mahasiswa juga membandingkan unjuk kerja Nvidia CUDA

dengan CPU dalam memproses data menggunakan algoritma Floyd-Warshall.

37

Spesifikasi tugas rancang :

1. Algoritma menemukan jalur terpendek menggunakan Floyd-Warshall.

2. Menggunakan shared memory dalam pemrosesan data.

3. Penghitungan waktu eksekusi GPU menggunakan timer CUDA event.

4. Penghitungan waktu eksekusi CPU menggunakan timer dari library ctime.

5. Data dibuat dalam bentuk matrik.

6. Ukuran matrik data minimal 50x50.

7. Transformasi data menggunakan Nvidia CUDA library.

3.3. Rancangan Pengujian

Pengujian yang dilakukan melalui tahapan sebagai berikut:

3.3.1. Pengujian oleh dosen

Dosen akan mengoreksi kekurangan di dalam pedoman dan akan memberikan

masukan untuk memperbaiki pedoman.

3.3.2. Pengujian oleh mahasiswa

a) Pengisian kuesioner

Mahasiswa akan mengisi kuesioner tentang kualitas pedoman, dari hasil

pengisian kuesioner akan dilakukan uji hipotesis. Pada akhir uji hipotesis

akan disimpulkan hasil pengujian pedoman.

b) Penilaian

Mahasiswa akan mengerjakan soal-soal praktikum yang terdapat pada

pedoman. Dari hasil penilaian dilakukan:

� Perhitungan nilai rata-rata.

• Pedoman dinyatakan dapat membantu mahasiswa memahami

materi apabila rata-rata penilaian di atas 70.

� Perhitungan perbedaan nilai kelompok.

• Pedoman dinyatakan baik apabila tidak ada perbedaan yang

signifikan antara kelompok yang terdiri dari mahasiswa yang

memiliki ipk lebih dari sama dengan 3 dengan kelompok yang

terdiri dari mahasiswa yang memiliki ipk kurang dari 3.

38

3.4. Pelaksanaan Pengujian Pedoman Pembelajaran dan Pedoman Praktikum.

Tabel 3.1 menunjukkan pelaksanaan pengujian pedoman pembelajaran dan

pedoman praktikum.

Tabel 3.1. Pelaksanaan Pengujian Pedoman Pembelajaran dan Pedoman

Praktikum

No. Pelaksanaan Pengujian Pedoman

Pembelajaran

Pedoman

Praktikum

1 Menjelaskan kembali konsep

pemrosesan paralel, menjelaskan

konsep dasar Nvidia CUDA.

Instalasi Nvidia Toolkit, Nvidia

SDK, Nvidia Nsight dan integrasi

dengan Visual Studio 2008 dan

2010.

topik 1 topik 0

2 Menjelaskan konsep dasar

programming model Nvidia CUDA

yang meliputi thread, kernel dan

memory kemudian melakukan

pengujian soal praktikum dengan

standar nilai yang telah ditentukan.

topik 2 topik 1

3 Menjelaskan konsep dasar thread

Nvidia CUDA pada pedoman

pengajaran. Kemudian mecoba

contoh program pada pedoman

praktikum. Setelah mahasiswa

menerima semua materi baru

dilakukan pengujian soal

praktikum dengan standar nilai

yang telah ditentukan.

topik 3 topik 2

(Bersambung)

39


Praktikum (Lanjutan)


Pembelajaran

Pedoman

Praktikum

4 Menjelaskan konsep dasar memory

Nvidia CUDA pada pedoman

pengajaran. Kemudian mencoba

contoh program pada pedoman

praktikum. Setelah mahasiswa

menerima semua materi baru

dilakukan pengujian soal



topik 4 topik 3

5 Menjelaskan dasar teori CUDA

Compilation kemudian

menjelaskan jenis-jenis CUDA

Runtime beserta contoh program

pada pedoman praktikum. Setelah

mahasiswa menerima semua

materi, baru dilakukan pengujian

soal praktikum dengan standar

nilai yang telah ditentukan.

topik 5 topik 4

6 Menjelaskan contoh-contoh

CUDA Library beserta

keunggulannya dalam

mempermudah user, kemudian

mempelajari CUBLAS Library

dan Thrust Library secara spesifik.

Setelah mahasiswa menerima

semua materi, baru dilakukan

pengujian soal praktikum.

topik 6 topik 5

(Bersambung)

40


Praktikum (Lanjutan)


Pembelajaran

Pedoman

Praktikum

7 Menjelaskan dasar teori tentang

CUDA Optimization kemudian

mencoba contoh program pada

pedoman praktikum. Setelah

mahasiswa menerima semua materi

baru dilakukan pengujian soal



topik 7 topik 6

41

BAB IV

PENGUJIAN PEDOMAN

Pada bab ini akan dijelaskan mengenai pengujian pedoman beserta analisis hasil

penilaian pedoman praktikum.

4.1. Pengujian oleh Dosen

Setiap pedoman yang telah selesai dikerjakan, pedoman akan diperiksa oleh dosen

pembimbing. Dosen pembimbing akan memberi masukan dan memeriksa

kekurangan yang terdapat pada pedoman, masukan yang diterima yaitu:

1. Penambahan flowchart pada pedoman praktikum.

2. Penambahan penjelasan pada contoh program.

3. Perbaikan contoh program.

4.2. Pengujian oleh Mahasiswa

Pengujian oleh mahasiswa dilakukan dengan 2 cara yaitu melalui kuesioner dan

penilaian pedoman praktikum. Mahasiswa yang mengisi kuesioner adalah

mahasiswa yang mengambil kelas dasar pemrograman sedangkan mahasiswa yang

mengikuti pengujian penilaian pedoman praktikum adalah mahasiswa yang telah

mengambil matakuliah pemrosesan paralel. Skala yang digunakan dalam pembuatan

kuesioner adalah skala likert, skala likert terdiri dari lima pilihan yaitu sangat setuju,

setuju, tidak pasti, tidak setuju dan sangat tidak setuju, pernyataan tersebut diberi

skor 5, 4, 3, 2 dan 1. Tetapi pada skripsi ini hanya akan diberikan 4 pilihan yaitu

sangat setuju, setuju, tidak setuju dan sangat tidak setuju, pilihan tidak pasti

dihilangkan sehingga pernyataan diberi skor 4, 3, 2 dan 1. Kuesioner untuk

pedoman pembelajaran dan pedoman praktikum masing-masing diberi pernyataan

sejumlah 10 pernyataan. Tabel 4.1 merupakan pernyataan kuesioner pedoman

pembelajaran.

42

Tabel 4.1. Pernyataan Kuesioner Pedoman Pembelajaran

No. Pernyataan

1 Judul topik pedoman pembelajaran sesuai dengan

tujuan dan materi pedoman pembelajaran.

2 Materi dalam pedoman pembelajaran sesuai dengan

tujuan pedoman pembelajaran

3 Contoh-contoh program dalam pedoman dapat

membantu memahami materi.

4 Kesesuaian contoh-contoh program dengan materi.

5 Kesesuaian ringkasan dengan dengan materi.

6 Ringkasan dapat membantu mahasiswa memahami

materi.

7 Kesesuaian soal-soal latihan dengan materi.

8 Soal-soal latihan dapat menguji pemahaman

mahasiswa tentang materi.

9 Pedoman pembelajaran dapat diajarkan sesuai

dengan alokasi jam kuliah.

10 Format pedoman pembelajaran keseluruhan dapat

membantu mahasiswa memahami materi.

43

Tabel 4.2 merupakan kuesioner untuk pedoman praktikum.

Tabel 4.2. Pernyataan Kuesioner Pedoman Praktikum

Setelah kuesioner diisi oleh mahasiswa maka dilakukan uji hipotesis untuk

mendapatkan kesimpulan pengujian pedoman.

4.2.1. Uji Hipotesis

Uji hipotesis bertujuan untuk mendapatkan kesimpulan pengujian pedoman

berdasarkan data kuesioner.

No. Pernyataan

1 Materi dalam pedoman praktikum sudah sesuai

dengan tujuan pedoman praktikum.

2 Dasar teori dalam pedoman praktikum dapat

membantu memahami materi.

3 Kesesuaian dasar teori pedoman praktikum dengan

materi pedoman kuliah.

4 Contoh-contoh program sesuai dengan dasar teori.

5 Contoh-contoh program dapat membantu

memahami dasar teori.

6 Contoh-contoh program dapat membantu membuat

aplikasi.

7 Kesesuaian soal praktikum dengan dasar teori.

8 Kesesuaian soal praktikum dengan contoh program.

9 Soal praktikum dapat selesai dikerjakan sesuai

dengan alokasi jam praktikum.

10 Format pedoman praktikum keseluruhan dapat

membantu mahasiswa memahami materi.

44

Langkah-langkah uji hipotesis:

1. Menentukan Ho dan H1

Ho: responden tidak puas dengan kualitas pedoman

H1: responden puas dengan kualitas pedoman

2. Responden dapat dikatakan puas dengan kualitas pedoman apabila

mengisi kuesioner dengan skor lebih dari sama dengan 3.

3. Responden dapat dikatakan tidak puas dengan kualitas pedoman apabila

mengisi kuesioner dengan skor kurang dari 3.

4. Menentukan α = 0.05

5. Menentukan derajat bebas (db) = (k-1)(b-1)

=(5-1)(4-1) = 12

6. Menentukan nilai dari tabel x2

Tabel x2 = x2(α, db) maka didapat 21.02

Tabel 4.3 merupakan tabel tingkat kesetujuan responden terhadap pedoman

pembelajaran.

Tabel 4.3. Tingkat Kesetujuan Responden Pedoman Pembelajaran

Pernyataan Tujuan Materi Ringkasan Soal Format Total

Sangat setuju 19 24 20 25 11 99 Setuju 63 88 57 49 25 282

Tidak setuju 3 15 9 12 7 46 Sangat tidak

setuju 1 2 0 0 0 3

Total 86 129 86 86 43 430

45

Tabel 4.4 merupakan tabel test Chi-Square pedoman pembelajaran.

Tabel 4.4. Test Chi-Square Pedoman Pembelajaran

Pernyataan Fo Fh Fo-Fh (Fo-Fh)2 (Fo-Fh)2

/Fh

Sangat setuju Tujuan 19 19.8 -0.8 0.64 0.0323 Sangat setuju Materi 24 29.7 -5.7 32.49 1.0939 Sangat setuju Ringkasan 20 19.8 0.2 0.04 0.002 Sangat setuju Soal Latihan 25 19.8 5.2 27.04 1.3657 Sangat setuju Format 11 9.9 1.1 1.21 0.1222 Setuju Tujuan 26 56.4 6.6 43.56 0.7723 Setuju Materi 88 84.6 3.4 11.56 0.1366 Setuju Ringkasan 57 56.4 0.6 1.36 0.0064 Setuju Soal Latihan 49 56.4 -7.4 54.76 0.9709 Setuju Format 25 28.2 -3.2 10.24 0.3631 Tidak setuju Tujuan 3 9.2 -6.2 38.44 4.1783 Tidak setuju Materi 15 13.8 1.2 1.44 0.1043 Tidak setuju Ringkasan 9 9.2 -0.2 0.04 0.0043 Tidak setuju Soal Latihan 12 9.2 2.8 7.84 0.8522 Tidak setuju Format 7 4.6 2.4 5.76 1.2522 Sangat tidak setuju

Tujuan 1 0.6 0.4 0.16 0.2667

Sangat tidak setuju

Materi 2 0.9 1.1 1.21 1.344

Sangat tidak setuju

Ringkasan 0 0.6 -0.6 0.36 0.6

Sangat tidak setuju

Soal Latihan 0 0.6 -0.6 0.36 0.6

Sangat tidak setuju

Format 0 0.3 -0.3 0.09 0.3

Total 14.368

Nilai Chi-Square dari Tabel 4.4 untuk tingkat signifikansi 5% dan derajat

kebebasan 12 adalah 21.02 karena Ho < H1 maka Ho diterima dan H1 ditolak,

dapat disimpulkan responden tidak puas dengan kualitas pedoman pembelajaran.

Tabel 4.5 merupakan tabel tingkat kesetujuan responden pedoman praktikum.

46

Tabel 4.5. Tingkat Kesetujuan Responden Pedoman Praktikum

Pernyataan Tujuan Dasar

Teori

Contoh

Program

Soal Format Total

Sangat setuju 7 10 49 26 10 102 Setuju 36 69 66 87 27 285

Tidak setuju 0 7 14 14 6 41 Sangat tidak

setuju 0 0 0 2 0 2

Total 43 86 129 129 43 430

Tabel 4.6 merupakan tabel test Chi-Square pedoman praktikum.

Tabel 4.6. Test Chi-Square Pedoman Praktikum

Pernyataan Fo Fh Fo-Fh (Fo-Fh)2 (Fo-Fh)2

/Fh

Sangat setuju

Tujuan 7 10.2 -3.2 10.24 1.04

Sangat setuju

Dasar teori 10 20.4 -10.4 108.16 5.302

Sangat setuju

Contoh program 49 30.6 18.4 338.56 11.064

Sangat setuju

Soal praktikum 26 30.6 -4.6 21.16 0.6915

Sangat setuju

Format 10 10.2 -0.2 0.04 0.0039

Setuju Tujuan 36 28.5 7.5 56.25 1.9737 Setuju Dasar teori 69 57 12 144 2.5263 Setuju Contoh program 66 85.5 -19.5 380.25 4.4474 Setuju Soal praktikum 87 85.5 1.5 2.25 0.0263 Setuju Format 27 28.5 -1.5 2.25 0.0789 Tidak setuju Tujuan 0 4.1 -4.1 16.81 4.1 Tidak setuju Dasar teori 7 8.2 -1.2 1.44 0.1756 Tidak setuju Contoh program 14 12.3 1.7 2.89 0.235 Tidak setuju Soal praktikum 14 12.3 1.7 2.89 0.235 Tidak setuju Format 6 4.1 1.9 3.61 0.8805 Sangat tidak setuju

Tujuan 0 0.2 -0.2 0.04 0.2

Sangat tidak setuju

Dasar teori 0 0.4 -0.4 0.16 0.4

Sangat tidak setuju

Contoh program 0 0.6 -0.6 0.36 0.6

Sangat tidak Soal praktikum 2 0.6 1.4 1.96 3.2667

47

setuju Sangat tidak setuju

Format 0 0.2 -0.2 0.04 0.2

Total 37.411

Nilai Chi-Square dari Tabel 4.6 untuk tingkat signifikansi 5% dan derajat

kebebasan 12 adalah 21.02 karena Ho > H1 maka Ho ditolak dan H1 diterima,

dapat disimpulkan responden puas dengan kualitas pedoman praktikum.

4.2.2. Analisis Pengujian Pedoman Praktikum

Hasil pengujian praktikum dapat dilihat pada tabel 4.7.

Tabel 4.7. Nilai Rata-Rata Pengujian

Praktikum Jumlah Peserta Nilai Rata-Rata

1 5 82 2 5 74 3 4 50 4 5 74 5 5 79 6 5 78

Dari 6 topik praktikum yang telah diujikan 5 topik pedoman praktikum

telah melampaui standar penilaian rata-rata 70, tetapi ada satu topik praktikum

yaitu topik praktikum nomor 3 yang gagal melampaui standar penilaian rata-rata

karena soal yang diberikan terlalu sulit sehingga peserta tidak dapat

mengerjakan soal praktikum. Selain itu jumlah peserta tidak bisa memenuhi

standar jumlah peserta sesuai dengan spesifikasi dikarenakan sulitnya mencari

peserta untuk mengikuti pengujian.

Tabel 4.8 menunjukkan nilai rata-rata pengujian berdasarkan IPK.

Kelompok 1 merupakan kelompok dengan ipk lebih dari sama dengan 3

sedangkan kelompok 2 merupakan kelompok dengan IPK kurang dari 3.

Tabel 4.8. Nilai Rata-Rata Pengujian berdasarkan IPK

Kelompok Nilai rata-rata topik 1

Nilai rata-rata topik 2





48

1 100 86.6 50 80 85 80 2 70 55 50 70 75 76.6

Selanjutnya akan dilakukan uji t untuk mengetahui apakah ada perbedaan

signifikan antara dua kelompok tersebut.

1. Langkah pertama adalah menentukan Ho dan H1.

Ho = Tidak terdapat perbedaan nilai yang signifikan antara dua kelompok

(µ1=µ2).

H1 = Terdapat perbedaan nilai yang signifikan antara dua kelompok

(µ1≠µ2).

2. Langkah kedua adalah menentukan kriteria penolakan.

Df = (n1+n2)-2 = (3+2)-2 = 3.

Maka di dapat nilai dari ttabel = 5.841dengan α=0.01

3. Langkah ketiga adalah menghitung nilai thitung dengan persamaan 2.3.

$�� = �((1 − 1)$1� + ((2 − 1)$2�

(1 + (2 − 2 ,(1 + (2(1(2

Dengan standar deviasi

$ = �∑(% − %̅)�(

Contoh menghitung uji t untuk penilaian topik 1

$1 = �(�--�--)�!(�--�--)�. =0

$2 = �(/-/-)�!(/-/-)�!(/-/-)�. =0

$�� = �(2 − 1)0� + (3 − 1)0�2 + 3 − 2 ,2 + 32.3

49

$�� = 0

�� = %1�� − %2��$��

�� = 100 − 700

�� = tidak terdefinisi

Tabel 4.9 menunjukkan hasil uji t untuk semua topik pedoman praktikum

Tabel 4.9. Hasil Uji t Pedoman Praktikum

Topik 3453678 339:;< Keterangan Kesimpulan

1 tidak terdefinisi 5.841 2 4.52 5.841 t hitung < t tabel Tidak ada

perbedaan 3 tidak terdefinisi 9.925 4 3.87 5.841 t hitung < t tabel Tidak ada

perbedaan 5 tidak terdefinisi 5.841 6 0.79 5.841 t hitung < t tabel Tidak ada

perbedaan

Hasil uji t menunjukkan bahwa t hitung < t tabel maka Ho diterima dan H1 ditolak

sehingga dapat disimpulkan tidak ada perbedaan signifikan antara 2 kelompok

untuk topik praktikum nomor 2, 4 dan 6. Tetapi hasil uji t untuk topik praktikum

nomor 1, 3 dan 5 tidak dapat disimpulkan karena hasil perhitungan standar

deviasi adalah 0 sehingga hasil t hitung menjadi tidak bisa didefinisikan.

Kesimpulan dari analisis pengujian pedoman praktikum adalah tidak ada

perbedaan signifikan nilai antara kelompok dengan ipk lebih dari sama dengan 3

dengan ipk kurang dari 3. Walaupun melalui uji t masih ada 3 topik praktikum

yang tidak terdefinisi sehingga 5 topik praktikum dinyatakan dapat membantu

mahasiswa dalam memahami materi sedangkan 1 topik praktikum masih

memerlukan perbaikan agar dapat lolos dari standar penilaian rata-rata.

50

BAB V

KESIMPULAN DAN SARAN

Pada bab ini akan dijabarkan kesimpulan yang didapatkan selama pengerjaaan

skripsi yang meliputi perancangan, realisasi dan pengujian. Pada bab ini juga akan

dipaparkan beberapa saran yang dapat dipertimbangkan untuk pengembangan skripsi

ini.

5.1. Kesimpulan

Berdasarkan perancangan, realisasi dan pengujian skripsi didapat beberapa

kesimpulan yaitu:

1. Pemrosesan paralel dapat dilakukan pada Nvidia CUDA dan pemrosesan

paralel pada Nvidia CUDA dapat meningkatkan kinerja CPU dalam

pemrosesan data.

2. Hasil uji hipotesis untuk pedoman pembelajaran dan pedoman praktikum

yaitu responden tidak puas terhadap pedoman pembelajaran dan responden

puas terhadap pedoman praktikum.

3. Pengujian 6 topik pedoman praktikum melampaui standar rata-rata 70 untuk

5 topik praktikum, sedangkan 1 topik masih membutuhkan perbaikan untuk

melampaui standar rata-rata.

5.2. Saran Pengembangan

Beberapa saran yang penulis dapat berikan untuk pengembangan skripsi ini adalah

sebagai berikut:

1. Meningkatkan jumlah peserta untuk pengujian agar mendapatkan hasil uji

beda yang valid.

2. Menambah fasilitas VGA Nvidia CUDA di BB-5 agar praktikum dapat

berjalan dengan lancar dan jumlah peserta praktikum dapat ditambah.

3. Membuat aplikasi CUDA dengan menggabungkan beberapa unit PC (Cluster

CUDA) dapat dilakukan untuk pengembangan aplikasi Nvidia CUDA.

4. Apabila ingin melakukan uji validalitas dan uji reabilitas sebaiknya dengan

cara membandingkan dua kelompok mahasiswa yang diberi perlakuan

berbeda.

51

DAFTAR PUSTAKA

[1] Benchmark reviews, “ Nvidia GF 100 GPU Fermi Architecture”, diakses

dalam

http://benchmarkreviews.com/index.php?option=com_content&task=view&id

=518&Itemid=72&limit=1&limitstart=2 pada 22 Agustus 2012.

[2] Farber, Rob, ”CUDA Application Design And Development”, MK, 2011.

[3] Guru 3D, “Geforce GTX 680 review”, diakses dalam

http://www.guru3d.com/articles_pages/geforce_gtx_680_review,3.html pada

22 Agustus 2012.

[4] Harvard, “Harvard recognized by NVIDIA as a CUDA Center of Excellence”,

dikases dalam http://www.seas.harvard.edu/news-events/news-

archive/2009/harvard-recognized-by-nvidia-as-a-cuda-center-of-excellence-

nvidia/?searchterm=None pada 10 April 2012.

[5] Kirk David B., Hwu Wen-mei W., ”Programming Massively Parallel

Processors”, MK, 2010.

[6] Mardalis, “Metode Penelitian Suatu Pendekatan Proposal”, PT. Bumi Aksara,

Jakarta, 2008.

[7] Nvidia, “NVIDIA CUDA Architecture Introduction & Overview”, Nvidia,

2009.

[8] Nvidia, ”NVIDIA CUDA C Programming Guide version 4”, Nvidia, 2011.

[9] Nvidia, ” NVIDIA CUDA C Programming Guide version 4.2”, Nvidia, 2012.

[10] Nvidia, ”NVIDIA Fermi Compute Architecture”, Nvidia.

[11] Nvidia, “Tokyo Institute of Technology Selected as Japan’s First CUDA

Center of Excellence”, diakses dalam

http://www.nvidia.com/object/io_1270716327243 pada 10 April 2012.

[12] Sanders J., Kandrot E., “CUDA By Example”, Addison-Wesley, 2010.

[13] Susanto, Stephanus H., “Sistem Operasi Android pada Kuliah Mobile

Programming”, FTEK-UKSW, Salatiga, 2011. (Laporan Tugas Akhir untuk

meraih gelar sarjana di FTEK-UKSW).

52

[14] Tom’s hardware, “Nvidia Powering World’s Most Poweful Supercomputer”,

diakses dalam http://www.tomshardware.com/news/Tesla-Titan-Cray-XK6-

Supercomputer-Steve-Scott,13669 pada 10 April 2012.

[15] Wikipedia, “CUDA”, diakses dalam http://en.wikipedia.org/wiki/CUDA

pada 8 Februari 2012.

[16] Wikipedia, ”GDDR5”, diakses dalam http://en.wikipedia.org/wiki/GDDR5

pada 1 Mei 2012.

[17] Wikipedia, ” Graphics processing unit”, diakses dalam

http://en.wikipedia.org/wiki/Graphics_processing_unit pada 1 Mei 2012.

53

LAMPIRAN A

PEDOMAN PEMBELAJARAN TOPIK 2

NVIDIA CUDA PROGRAMMING MODEL

1. Tujuan

Melalui pedoman pembelajaran topik 2 diharapkan mahasiswa dapat: • Memahami dan mengerti arsitektur Nvidia CUDA.

• Menguasai dasar-dasar programming model Nvidia CUDA.

2. Materi

2.1. Arsitektur Nvidia CUDA Nvidia CUDA mempunyai arsitektur berbasis General Purpose Computing

Graphics Processing Units (GPGPU). Nvidia CUDA dapat berjalan dengan

platform prosesor berbasis x86 dan x64 dari platform manapun dan chipset

motherboard yang mendukung PCI-Express Bus. Gambar 1 merupakan gambar

arsitektur komputer dengan CUDA.

Gambar 1. Arsitektur komputer dengan CUDA

Pada gambar diatas CUDA dihubungkan melalui interface PCI-Express Bus

yang mendukung bandwidth sampai 16 GB/s. PCI-Express dihubungkan oleh

Northbridge pada motherboard yang berfungsi menjembatani CPU, DRAM ,

Southbridge dan PCI-Express.

54

Nvidia CUDA terdiri dari beberapa komponen yaitu [4, h.2]:

5. Unit pemrosesan di dalam GPU.

6. OS kernel-level yang mendukung inisialisasi dan konfigurasi hardware.

7. User mode driver yang menunjukkan device level API.

8. PTX instruction set architecture (ISA) untuk komputasi paralel kernel dan

fungsi.

Saat ini Nvidia CUDA telah mencapai 4 generasi arsitektur. Tabel 1

menunjukkan generasi arsitektur Nvidia CUDA .

Tabel 1. Generasi Arsitektur Nvidia CUDA [2]

Arsitektur Jumlah

maksimum

SM

SP/

CUDA

cores

Jumlah SP

maksimum

Shared memory/

cache

Maksimum

memory

bandwidth

maksimu

m thread

per block

Dimensi

block

G80/G92 16 8 128 246 KB shared

memory, 512 KB

register

86,4 GB/s 512 512 x 512 x

64

GT 200 30 8 240 480KB shared

memory, 1920

KB register

141,7 GB/s 512 512x 512 x

64

Fermi 16 32 512 L1 cache 1024

KB, L2 cache

768 KB, 2048

KB register

177,4 GB/s 1024 1024 x 1024 x

64

Kepler 8 192 1536 L1 cache 512

KB, L2 cache

1536 KB, 2048

KB register

192,4 GB/s 1024 1024 x 1024 x

64

GPU pada Nvidia CUDA terdiri beberapa unit Streaming Multiprocessors (SM)

seperti yang terlihat pada Gambar 2.

55

Gambar 2. GPU pada Nvidia CUDA [1]

Setiap generasi arsitektur Nvidia CUDA mempunyai SM yang berbeda-beda.

Gambar 3 adalah gambar SM pada arsitektur Fermi.

Gambar 3. SM pada arsitektur Fermi [6, h.8]

Bagian yang terdapat pada setiap SM arsitektur Fermi adalah [6, h.5-8]:

• 32 CUDA core yang terdiri dari Arithmetic Logic Unit (ALU) dan

Floating Point Unit (FPU). ALU pada arsitektur Fermi mendukung

56

sampai 32 bit precision unit untuk semua instruksi sedangkan FPU

mendukung sampai 64 bit.

• 16 unit Load Store unit yang digunakan untuk pengalamatan resource

dan destination yang dapat menampung sampai 16 threads per clock.

• 4 Special Function Unit (SFU) yang berfungsi mengeksekusi instruksi

transcendental seperti sin,cos dan bilangan kuadrat.

• 2 Warp scheduler untuk penjadwalan 32 thread yang bekerja secara

paralel.

• 64 KB Shared memory dan L1 cache.

• Register serbaguna dengan ukuran 32.768 x 32 bit.

2.2. Programming Model Nvidia CUDA

2.2.1. Kernel [5, h.7]

Kernel merupakan fungsi yang dipanggil dari program host dan akan dieksekusi

didalam GPU. Sewaktu kernel dipanggil, kernel akan mengeksekusi thread

secara paralel. Kernel didefinisikan didalam deklarasi __global__ .

Format penulisan kernel adalah sebagai berikut:

namakernel<<< jumlah block, jumlah threads dalam satu block >>> (Nilai yang dipassingkan); Contoh pemanggilan fungsi kernel:

1. __global__ void tambah(float* A, float* B, float* C) 2. { 3. int i = threadIdx.x; 4. C[i] = A[i] + B[i]; 5. } 6. int main() 7. { 8. ... 9. tambah<<1, N>>>(A, B, C); 10. ... 11. }

57

Penjelasan program: Pertama kali program akan berjalan dari fungsi main pada baris ke 6. Kemudian

program akan memanggil fungsi kernel tambah pada baris ke 9. Program akan

mengeksekusi kernel pada fungsi dengan deklarasi __global__ pada baris ke 1.

Pada baris ke 3 Thread akan disimpan didalam array i dengan tipe integer (1

dimensi). Kemudian pada baris ke 4 vektor A akan ditambah dengan vektor B

dan hasilnya akan disimpan dalam vektor C.

2.2.2. Thread [3, h.60]

Thread adalah sekumpulan instruksi yang dapat dijadwalkan. Susunan thread

akan mengeksekusi kernel secara bergantian. Setiap thread mempunyai ID yang

disebut threadIdx, begitu juga dengan block mempunyai ID yang disebut

blockIdx. ThreadIdx dan BlockIdx dapat dinyatakan dalam 3 dimensi vektor

yaitu x, y dan z.

Contoh: ThreadIdx.x , ThreadIdx.y, ThreadIdx.z, BlockIdx.x, BlockIdx.y,BlockIdx.z

2.2.3. Heterogenous Programming [5, h.13]

Pada pemrograman Nvidia CUDA, program dieksekusi di dua device yang

terpisah. Prosesor sebagai host berfungsi mengeksekusi program C secara

sequential dan GPU sebagai device berfungsi mengeksekusi thread secara

paralel. Host dan device juga mempunyai memory masing-masing yang

terpisah. Gambar 4 menjelaskan tentang heterogenous programming:

58

Gambar 4. Heterogeneous programming

Program berjalan dari host code secara serial. Isi dari kode host ini adalah

inisialisasi memory dan penyalinan memory dari CPU ke GPU. Setelah itu kernel

akan dipanggil dan kode paralel akan dieksekusi didalam device. Satu kernel

akan dieksekusi pada satu waktu sehingga hanya ada satu instruksi paralel yang

dikerjakan pada satu waktu. Setelah kode paralel selesai dikerjakan oleh device,

hasilnya dikembalikan pada host dan apabila masih ada instruksi paralel yang

harus dikerjakan maka kernel dapat dipanggil lagi dan dieksekusi didalam

device.

59

2.2.4. Management Memory Nvidia CUDA[3, h.46-50]

Management memory Nvidia CUDA :

• CPU dan GPU mempunyai memory yang terpisah

• CPU memanajemen GPU memory:

1. Mengalokasi dan membebaskan memory

1.1. cudaMalloc(void ** pointer, size_t nbytes)

• memesan lokasi dan kapasitas memory

1.2. cudaMemset(void *pointer, int value, size_t

count)

• mengeset kapasitas dan isi memory

1.3. cudaFree(void * pointer)

• membebaskan memory

2. Menyalin data ke devices

2.1. cudaMemcpy(void *dst, void *src, size_t nbytes,

cudaMemcpy direction)

• menyalin memory

2.2. cuda Memcpy direction:

• cudaMemcpyHostToDevice

o menyalin memory dari host ke

device

• cudaMemcpyDeviceToHost

o menyalin memory dari device ke

host

• cudaMemcpyDeviceToDevice

o menyalin memory dari device ke

device

3. Menggunakan Global memory

60

Contoh program manajemen memory pada Nvidia CUDA:

1. __global__ void VecAdd(float* A, float* B, float* C, int N)

2. { 3. int i = blockDim.x * blockIdx.x + threadIdx.x; 4. if (i < N) 5. C[i] = A[i] + B[i]; 6. } 7. int main() 8. { 9. int N = ..; 10. size_t size = N * sizeof(float); 11. float* h_A = (float*)malloc(size); 12. float* h_B = (float*)malloc(size); 13. float* d_A; 14. cudaMalloc(&d_A, size); 15. float* d_B; 16. cudaMalloc(&d_B, size); 17. float* d_C; 18. cudaMalloc(&d_C, size); 19. cudaMemcpy(d_A, h_A, size, cudaMemcpyHostToDevice); 20. cudaMemcpy(d_B, h_B, size, cudaMemcpyHostToDevice); 21. int threadsPerBlock = 256; 22. int blocksPerGrid = (N + threadsPerBlock – 1) /

threadsPerBlock; 23. VecAdd<<<blocksPerGrid, threadsPerBlock>>>(d_A, d_B,

d_C, N); 24. cudaMemcpy(h_C, d_C, size, cudaMemcpyDeviceToHost); 25. cudaFree(d_A); 26. cudaFree(d_B); 27. cudaFree(d_C); 28. }

Penjelasan program: Program dimulai dari baris ke 7 saat pemanggilan fungsi main. Pada baris ke 10

program memesan memory dengan tipe data float sebanyak N dikali 4 byte

kemudian pada baris ke 11 program mengalokasikan vektor A dan B didalam

host memory. Baris ke 13 sampai 17 adalah alokasi vektor didalam device

memory dengan menggunakan cudaMalloc. Baris ke 19 sampai 20 program

menyalin vektor dari host memory ke device memory. Baris ke 21 adalah

inisialisasi jumlah thread didalam block sebanyak 256. Baris ke 22 adalah

menentukan jumlah block yang dipakai misalnya: N data yang kita pakai adalah

61

1500 maka jika kita masukkan ke dalam persamaan pada baris ke 22 adalah

( 1500 + 256 – 1) / 256 = 6,85 karena tipe data yang dipakai adalah integer dan

jumlah block yang dipakai adalah bilangan bulat maka jumlah block yang

dipakai adalah 6. Karena jumlah block yang dipakai adalah 6 maka total thread

yang dapat dipakai adalah 1536 didapat dari perkalian block dengan thread.

Selanjutnya pada baris ke 23 adalah pemanggilan kernel VecAdd dan program

akan meloncat ke baris nomor 1. Baris ke 3 program akan memberikan ID yang

berbeda pada setiap threadId.x, kemudian pada baris ke 4 program akan

mengecek ID dari thread. Jika ID dari thread kurang dari N maka thread yang

mempunyai ID kurang dari N yang akan mengeksekusi penjumlahan vektor pada

baris ke 5. Setelah kernel selesai dieksekusi program akan kembali pada baris ke

24, vektor C akan disalin dari device ke host kemudian baris ke 25 sampai ke 27

adalah membebaskan memory untuk vektor A, B dan C.

3. Ringkasan

1. GPU pada Nvidia CUDA merupakan gabungan dari beberapa Streaming

Multiprocessors(SM), SM merupakan gabungan dari beberapa CUDA core.

2. Kernel merupakan fungsi yang dipanggil dari program host dan akan dieksekusi di

dalam GPU.

3. Program pada Nvidia CUDA dieksekusi di 2 devices yang berbeda yaitu CPU

dan GPU.

4. Execution model pada Nvidia CUDA menggunakan 2 devices yang terpisah yang

mempunyai memory masing-masing, CPU sebagai host mengontrol manajemen

memory pada GPU.

62

4. Soal-Soal Latihan

a) Jelaskan fungsi utama kernel!

b) Apa yang terjadi jika cudaMalloc() tidak dideklarasikan sebelum menyalin

memory dari CPU ke GPU?

c) Jelaskan perbedaan kode serial dan kode paralel!

d) Apa yang akan terjadi apabila jumlah thread yang dideklarasikan pada kernel

melebihi dari jumlah data yang akan dieksekusi, jelaskan!

e) Jelaskan perbedaan kode device dengan kode host!

5. Daftar pustaka

1. Benchmark reviews, “ Nvidia GF 100 GPU Fermi Architecture”, diakses dalam

http://benchmarkreviews.com/index.php?option=com_content&task=view&id=51

8&Itemid=72&limit=1&limitstart=2 pada 22 Agustus 2012.

2. Guru 3D, “Geforce GTX 680 review”, diakses dalam

http://www.guru3d.com/articles_pages/geforce_gtx_680_review,3.html pada 22

Agustus 2012.

3. Kirk David B., Hwu Wen-mei W., ”Programming Massively Parallel

Processors”, MK, 2010.

4. Nvidia, “NVIDIA CUDA Architecture Introduction & Overview”, Nvidia, 2009.

5. Nvidia, ” Nvidia CUDA C Programming Guide version 4.2”, Nvidia.2011.

6. Nvidia, ”NVIDIA Fermi Compute Architecture”, Nvidia.

63

LAMPIRAN B

PEDOMAN PEMBELAJARAN TOPIK 3

NVIDIA CUDA THREADING

1. Tujuan

Melalui pedoman pengajaran topik 3 diharapkan mahasiswa dapat:

• Memahami dan mengerti konsep dasar dari thread.

• Menguasai dasar-dasar pemrograman thread.

• Mengerti manfaat dari penjadwalan thread.

2. Materi

2.1. Konsep Thread pada Nvidia CUDA

Thread adalah sekumpulan instruksi yang dapat dijadwalkan. Pada setiap

Streaming Multiprocessor (SM) GPU Nvidia CUDA, jumlah thread yang dapat

ditampung adalah 1536 untuk arsitektur Fermi, sedangkan pada arsitektur G80 dan

GT200 jumlah maksimal thread yang dapat ditampung pada setiap SM adalah

768. Thread digunakan untuk mengeksekusi kernel, setiap susunan thread akan

mengeksekusi kernel secara bergantian. Thread mempunyai unique ID yang

digunakan sebagai alamat dan kontrol, Susunan thread mengeksekusi kernel dapat

dilihat pada gambar 1.

Gambar 1. Susunan thread mengeksekusi kernel [3, h.5]

64

Karena jumlah thread yang digunakan untuk eksekusi sangat banyak, maka Nvidia

CUDA disebut Single Instruction Multiple Thread (SIMT). SIMT merupakan

gabungan dari Single Instruction Multiple Data (SIMD) dan Single Program

Multiple Data (SPMD). Tabel 1 menjelaskan definisi dari SIMD dan SPMD.

Tabel 1. Definisi SIMD dan SPMD [2, h.61-62]

Nama Keterangan

Single Instruction Multiple

Data (SIMD)

Setiap thread mempunyai kontrol yang

sama tetapi dapat menangani banyak data

sekaligus

Single Program Multiple Data

(SPMD)

Terdapat banyak data yang harus

ditangani oleh satu program

Pada Tabel 1 dapat terlihat bahwa konsep dari SIMT yang merupakan gabungan

dari SIMD dan SPMD adalah setiap thread akan menjalankan instruksi yang sama

tetapi ada banyak data yang bisa ditangani. Hirarki dari thread dapat dilihat pada

Gambar 2.

Thread

Block

Block merupakan gabungan dari beberapa thread

65

Grid

Grid merupakan gabungan dari beberapa block

Gambar 2. Hirarki dari Thread [3, h.13]

Thread hanya dapat bekerjasama dengan thread yang ada didalam satu block yang

sama. Thread di dalam satu block yang sama dapat berbagi resource dan dapat

mengetahui apa yang sedang dikerjakan oleh thread lain di dalam satu block yang

sama. Thread dalam CUDA dapat saling sinkronisasi dalam satu block dengan

menggunakan fungsi syncthreads(). Tujuan pemanggilan fungsi syncthreads

adalah untuk memastikan semua thread dalam block telah menyelesaikan eksekusi

sebelum mengerjakan instruksi selanjutnya. Untuk execution model pada thread

dapat dilihat pada Gambar 3.

66

Gambar 3. Execution model [3, h.13]

Gambar 3 menunjukkan execution model pada Nvidia CUDA.

o Satu prosesor akan mengeksekusi satu thread.

o Gabungan dari beberapa prosesor (multiprosesor) mengeksekusi satu

Block .

o Gabungan dari beberapa multiprosesor (Device) mengeksekusi Grid.

67

2.2.Pemrograman Thread [2, h.8-10]

Setiap thread mempunyai ID yang disebut threadIdx, begitu juga dengan block

mempunyai ID yang disebut blockIdx. ThreadIdx dan blockIdx dapat

dinyatakan dalam 3 dimensi vektor yaitu x, y dan z.

Contoh: ThreadIdx.x , ThreadIdx.y, ThreadIdx.z, BlockIdx.x, BlockIdx.y,BlockIdx.z Contoh program:

1. __global__ void tambah(float A[N][N], float B[N][N], float C[N][N])

2. { 3. int i = threadIdx.x; 4. int j = threadIdx.y; 5. C[i][j] = A[i][j] + B[i][j]; 6. } 7. int main() 8. { 9. ... 10. tambah<<1,4,4>>>(A, B, C); 11. ... 12. }

Penjelasan program: Program diatas merupakan modifikasi dari program yang pertama.

Perbedaannya adalah menggunakan 2 dimensi vektor untuk eksekusinya yaitu

pada baris ke 3 dan baris ke 4. Thread akan disimpan pada array i dan array j,

sehingga dapat diilustrasikan seperti pada Gambar 4.

68

Gambar 4. Block 2 dimensi vektor

Pada baris ke 10 fungsi kernel memanggil 1 block yang berisi 8 thread.

Kemudian Program akan mengeksekusi fungsi tambah pada deklarasi

__global__ pada baris ke 1. Pada baris ke 3 thread ID vektor x akan disimpan

pada array i dan pada baris ke 4 thread ID vektor y akan disimpan pada array

j. Kemudian pada baris ke 5 vektor A akan ditambah dengan vektor B secara 2

dimensi dan hasilnya akan disimpan pada vektor C.

Pada gambar diatas program akan mengeksekusi thread pada baris pertama

terlebih dahulu baru kemudian setelah thread pada baris pertama selesai,

thread pada baris kedua akan dieksekusi.

Thread pada sebuah block dapat juga digabungkan dengan thread pada block

lain contohnya ada pada Gambar 5.

69

Gambar 5. Grid [3, h.39]

Terdapat sebuah grid yang memiliki 3 block didalamnya masing-masing block

mempunyai 5 buah thread Yang mempunyai thread ID 0, 1, 2, 3 dan 4 apabila

semua thread ingin digabungkan untuk mengeksekusi kernel maka caranya

adalah dengan instruksi sebagai berikut:

blockIdx.x *blockDim.x + threadIdx.x

misal:

blockIdx.x (0) * blockDim.x (5) + threadIdx.x (0) = 0




blockidx.x adalah ID dari block.

blockDim.x adalah banyaknya thread di dalam block.

threadIdx.x adalah ID dari thread.

Maka thread ID nya menjadi adalah 0 1 2 3 4 5 6 7 8 9 10 11 12 13 14

Maka terdapat 15 thread dengan thread ID yang berbeda-beda.

70

2.3. Penjadwalan Thread [1, h.71-74]

Penjadwalan thread adalah bagian yang penting dan harus diperhatikan dalam

pemrograman Nvidia CUDA . Penjadwalan thread dalam Nvidia CUDA disebut

dengan warp. Pada setiap warp berisi 32 unit thread yang hanya bisa dijadwalkan

didalam 1 Streaming Multiprocessor (SM).

Semisal terdapat 256 thread didalam sebuah block maka jumlah warp yang bisa

dijadwalkan yaitu 256/32 = 8 warp. Jika pada setiap SM terdapat 3 block maka

jumlah warp menjadi 8 *3 = 24 warp yang bisa dijadwalkan. Pada arsitektur

Fermi maksimal thread pada setiap SM adalah 1024 maka jumlah warp yang

bisa dijadwalkan adalah 1024/32 = 32 warp pada setiap SM arsitektur Fermi.

Contoh penjadwalan warp dapat dilihat pada gambar 6.

Gambar 6. Penjadwalan Warp [4, h.10]

Gambar 6 merupakan gambar penjadwalan warp. Pada penjadwalan pertama

thread block 1 melakukan eksekusi tetapi intruksi nomor 7 memerlukan waktu

yang lama untuk menunggu hasil dari instruksi sebelumnya kemudian thread

block 1 akan masuk dalam waiting mode. Kemudian thread block 2 warp 1 akan

memulai mengerjakan instruksi tetapi karena instruksi nomor 3 membutuhkan

waktu yang lama maka thread block 3 akan mengambil alih. Setelah instruksi

nomor 1 dan 2 selesai namun instruksi nomor 3 thread block 2 belum selesai.

Maka thread block 3 kembali mengerjakan instruksi pada warp 2 namun kembali

intruksi nomor 3 pada thread block 3 memerlukan waktu untuk menunggu hasil

maka thread block 2 mengambil alih karena instruksi nomor 3 siap dikerjakan.

71

Setelah thread block 2 selesai mengerjakan, thread block 1 mengambil alih karena

instruksi nomor 7 siap untuk dieksekusi. Setelah thread block 1 selesai maka

kembali melakukan penjadwalan lagi pada thread block 1 tetapi dengan instruksi

yang berbeda, setelah selesai thread block 3 kembali mengambil alih untuk

mengerjakan instruksi nomor 3 dan 4. Dengan penjadwalan warp yang cukup

maka hardware akan bekerja maksimal karena hardware akan selalu

mengeksekusi intruksi sehingga selalu tetap sibuk.

2.4. Transparent Scalability [1, h.68-69]

Kemampuan untuk menyelesaikan suatu aplikasi dengan perbedaan kecepatan

dalam eksekusinya disebut dengan transparent scalability. Setiap block dapat

dieksekusi dalam urutan apapun tergantung dari susunan block. Transparent

scalability ditunjukkan oleh Gambar 7.

Gambar 7. Transparent scalability

Pada gambar diatas block yang akan dieksekusi pertama merupakan block pada

baris pertama terlebih dahulu. Device sebelah kanan akan lebih cepat

mengeksekusi karena dapat mengeksekusi 4 block sekaligus sedangkan pada

72

device sebelah kiri akan lebih lama karena block yang dieksekusi hanya 2 block

pada satu waktu.

3. Ringkasan

a) Thread berfungsi untuk mengeksekusi kernel.

b) Nvidia CUDA menggunakan SIMT yang merupakan gabungan dari SIMD

dan SPMD.

c) Gabungan dari beberapa thread membentuk block, gabungan dari beberapa

block membentuk grid.

d) Thread dapat dinyatakan dalam 3 dimensi vektor.

e) Warp digunakan untuk menjadwalkan thread.

f) Transparent scalability adalah kemampuan untuk menyelesaikan suatu

aplikasi dengan perbedaan kecepatan dalam eksekusinya.

4. Soal - Soal Latihan

a) Jelaskan mengapa Nvidia CUDA bisa disebut SIMT!

b) Terdapat 7 SM pada Nvidia GTX 460 (Fermi) setiap SM mempunyai 48 core

hitunglah berapa jumlah warp yang bisa dijadwalkan!

c) Analisalah program dibawah ini !

• Gambarlah bentuk block dan thread dari program diatas!

• Apa isi dari int C pada program diatas? • Manakah konfigurasi block yang lebih cepat kernel<<2,4,4>> atau

kernel<<1,16>>??

1. __global__ void kernel(int a[n][n], int b[n][n], int c[n][n])

2. { 3. int i = blockIdx.x *blockDim.x + threadIdx.x 4. int j = blockIdx.y *blockDim.y+ threadIdx.y 5. if (i < N && j < N) 6. C[i][j] = A[i][j] + B[i][j]; 7. } 8. int main() 9. { 10. N= 1000; 11. ... 12. kernel<<1,2,8>>>(A, B, C); 13. ... 14.}

73

5. Daftar Pustaka 1. Kirk David B., Hwu Wen-mei W., ”Programming Massively Parallel Processors”,

MK, 2010.

2. Nvidia, ”Nvidia CUDA C Programming Guide version 4”, Nvidia, 2011.

3. Nvidia, “Getting Started With CUDA, “Nvidia, 2008.

4. Kirk David B., Hwu Wen-mei W., ”CUDA threads”, Illinois, 2007.

74

LAMPIRAN C

PEDOMAN PRAKTIKUM TOPIK 1

NVIDIA CUDA BASIC

1. Tujuan

Melalui pedoman praktikum topik 1 diharapkan mahasiswa menguasai konsep:

• Pembuatan program Nvidia CUDA sederhana.

• Penyalinan memory, eksekusi kernel dan menampilkan hasil eksekusi program

Nvidia CUDA sederhana.

• Eksekusi thread pada kernel.

2. Dasar teori

Nvidia CUDA merupakan mesin pemrosesan paralel yang menggunakan CPU

dan GPU untuk melakukan eksekusi program secara paralel. Nvidia CUDA

menggunakan CPU untuk mengeksekusi kode host secara sequential dan GPU untuk

mengeksekusi kode device secara paralel. Gambar 1 menunjukkan diagram alir

eksekusi Nvidia CUDA.

Gambar 1. Diagram Alir Eksekusi Nvidia CUDA [5]

75

Penjelasannya adalah sebagai berikut [5]:

5. Alur kerja yang pertama yaitu CPU akan menyalin semua data yang

dibutuhkan GPU untuk eksekusi dari main memory ke GPU memory

onboard.

6. Setelah semua data yang dibutuhkan GPU untuk proses eksekusi disalin.

CPU akan mengerjakan kode sequential dan kemudian akan memberikan

instruksi yang akan dikerjakan oleh GPU.

7. GPU akan mengeksekusi secara paralel.

8. Hasil dari pemrosesan paralel akan disalin ke main memory.

2.1. Kernel [2, h.42]

Kernel merupakan fungsi yang dipanggil dari program host dan dieksekusi

didalam GPU.

Format pemanggilan kernel:

Namakernel <<< jumlah block, jumlah threads dalam satu block >>>

(Nilai yang dipassingkan);

2.2. Thread [2, h.60]

Thread adalah sekumpulan instruksi yang dapat dijadwalkan. Gabungan

dari thread disebut dengan block, gabungan dari beberapa block disebut dengan

grid. Susunan thread akan mengeksekusi kernel secara bergantian. Thread

mempunyai ID yang digunakan sebagai alamat dan kontrol, ilustrasi dapat

dilihat pada Gambar 2.

.

Gambar 2. Susunan Thread mengeksekusi Kernel [3, h.5]

76

2.3. CUDA Template

CUDA template adalah kode minimum yang digunakan untuk

mengeksekusi GPU. CUDA template terdiri dari kode host dan kode device.

Potongan kode di bawah adalah kode template untuk aplikasi sederhana:

1. #include <stdio.h> 2. #include <cuda.h> 3. __global__ void square_array(float * a, int N) 4. { 5. <Kode GPU> 6. }

<Kode CPU>

7. int main(void) 8. { 9. //Inisialisasi memory CPU 10. float *a_h, *a_d; 11. const int N = 10; 12. size_t size = N * sizeof(float); 13. a_h = (float *)malloc(size); 14. //Inisialisasi memory GPU

15. cudaMalloc((void **) &a_d, size); 16. //Penyalinan data dari CPU ke GPU

17. cudaMemcpy(a_d, a_h, size, cudaMemcpyHostToDevice);

18. //pemanggilan kernel

19. kernel<<< jumlah block, jumlah thread >>> (a_d, N);

20. //Penyalinan data dari GPU ke CPU

21. cudaMemcpy(a_h,a_d,sizeof(float)*NcudaMemcpyDeviceTo Host);

22. }

2.4. Alokasi Memory[2, h.46-50]

CUDA mempunyai alokasi memory yang berbeda antara CPU dengan GPU.

Beberapa contoh alokasi memory pada Nvidia CUDA adalah sebagai berikut:

4. Mengalokasi dan membebaskan memory

1.4. cudaMalloc(void ** pointer, size_t nbytes)

77

• memesan lokasi dan kapasitas memory

1.5. cudaMemset(void *pointer, int value, size_t count)

• mengeset kapasitas dan isi memory

1.6. cudaFree(void * pointer)

• membebaskan memory

5. Menyalin data ke devices

• cudaMemcpy(void *dst, void *src, size_t nbytes, cudaMemcpy

direction)

• menyalin memory

o cuda Memcpy direction:

• cudaMemcpyHostToDevice

o menyalin memory dari host ke device

• cudaMemcpyDeviceToHost

o menyalin memory dari device ke host

• cudaMemcpyDeviceToDevice

o menyalin memory dari device ke device

3. Contoh Program

3.1. Contoh program 1 [4]:

Contoh program 1 merupakan contoh program untuk mengkuadratkan isi thread.

Kode Sumber:

1. #include <stdio.h> 2. #include <cuda.h>

3. __global__ void kernelku( float *a) 4. { 5. int idx = threadIdx.x; 6. a[idx]= idx * idx ; 7. __syncthreads(); 8. }

9. int main(void) 10. {

78

11. cudaError_t cudaStatus; 12. float *a_h, *a_d; 13. const int N = 10; 14. size_t size = N * sizeof(float); 15. a_h = (float *)malloc(size); 16. cudaStatus = cudaMalloc((void**)&a_d, size); 17. if (cudaStatus != cudaSuccess) 18. { 19. printf( "alokasi gagal\n"); 20. } 21. else 22. { 23. printf("alokasi berhasil!\n"); 24. } 25. for (int i=0; i<N; i++) a_h[i] = (float)i; 26. cudaMemcpy(a_d, a_h, size,

cudaMemcpyHostToDevice); 27. kernelku <<< 1 , 50 >>> (a_d); 28. cudaMemcpy(a_h, a_d, sizeof(float)*N,

cudaMemcpyDeviceToHost); 29. for (int i=0; i<10; i++) printf("%f\n",a_h[i]); 30. free(a_h); 31. cudaFree(a_d); 32. system("pause"); 33. }

Gambar 3. Printscreen contoh program 2

79

Gambar 4. Flowchart program kernel contoh program 1 (baris ke 3 sampai baris ke 8)

Gambar 5. Flowchart main program contoh program 2 (baris ke 9 sampai baris ke 33)

80

Penjelasan program per baris : 1. Inisialisasi pustaka <stdio.h>.

2. Inisialisasi pustaka <cuda.h>.

3. Inisialisasi program kernel dengan nama kernelku dengan passing

parameter float a .

4. Kurung buka tanda awal program kernel.

5. Inisialisasi integer idx sebagai threadIdx.x dengan vektor sumbu x.

6. Mengalikan idx dengan dirinya sendiri kemudian disimpan pada array a.

Pada proses ini thread akan mengalikan dirinya sendiri secara paralel

dalam satu waktu.

7. __syncthreads(); merupakan fungsi memastikan semua thread telah

selesai melakukan instruksi sebelum dilanjutkan ke baris berikutnya.

8. Kurung tutup tanda akhir program kernel.

9. Deklarasi program utama main, program akan dimulai dari main

program.

10. Kurung buka program.

11. Inisialisasi cudaerror_t dengan nama cudaStatus, cudaerror_t berfungsi

menampilkan status error.

12. Deklarasi pointer a_h dan a_d.

13. Deklarasi constant integer N dengan nilai 10.

14. Mengisi size dengan tipe data float sejumlah 10.

15. Alokasi a_h pada memory CPU dengan tipe data float sejumlah 10.

16. Inisialisasi a_d pada GPU memory apabila inisialisasi sukses maka akan

mendapatkan status cudaSuccess pada cudaStatus.

17. Jika cudaStatus mendapat status cudaSuccess maka alokasi memory

berhasil sebaliknya jika cudaStatus mendapat status mendapat status

selain cudaSuccess maka alokasi memory gagal.

18. Kurung buka.

19. Menampilkan tampilan alokasi memory gagal.

20. Kurung tutup.

21. Else.

22. Kurung buka.

81

23. Menampilkan tampilan alokasi memory berhasil.

24. Kurung tutup.

25. Mengisi array di a_h sejumlah 10 dengan tipe data float.

26. Menyalin data dari memory CPU ke memory GPU dengan format

(tujuan, sumber , ukuran , arah pengiriman). Isi dari a_h disalin ke a_d

dengan arah pengiriman host to device.

27. Memanggil kernel dengan nama kernelku dengan jumlah block 1 dan

jumlah thread 50 .

28. Menyalin memory dari GPU ke CPU dengan format (tujuan, sumber ,

ukuran , arah pengiriman). Isi dari a_d disalin ke a_h dengan arah

pengiriman device to host.

29. Mencetak isi a_h.

30. Membebaskan alokasi memory a_h.

31. Membebaskan alokasi memory a_d.

32. Menahan tampilan agar menunggu input yang masuk baru program akan

keluar.

33. Kurung tutup tanda program berakhir.

82


4.1. Isilah array dengan data [10,12,14,16,18,20,22,24,26,28] kemudian ubahlah

program pada contoh diatas seperti printscreen menjadi seperti gambar 6.

Gambar 6. Printscreen soal praktikum 1

4.2. Isilah array dengan data [10,12,14,16,18,20,22,24] kemudian jumlahkan semua

array seperti printscreen pada gambar 7.


83

5. Soal Praktikum Set 2

5.1. Isilah array dengan data [10,12,14,16,18,20,22,24,26,28] kemudian ubahlah

program pada contoh diatas seperti printscreen menjadi seperti gambar 6.


5.2. Isilah array dengan data [10,12,14,16,18,20,22,24] kemudian kalikan semua

array seperti printscreen pada gambar 7.


84

6. Set Dosen 6.1. Set Dosen 1

Soal 4.1.

Kode Sumber:


3. __global__ void square_array(float *bb) 4. { 5. int idx = threadIdx.x; 6. bb [idx]= bb [idx % 4]; 7. __syncthreads(); 8. }

9. int main(void) 10. { 11. float *a_h,*bb; 12. const int N = 10; 13. float x[10]={10,12,14,16,18,20,22,24,26,28}; 14. size_t size = N * sizeof(float); 15. a_h = (float *)malloc(size); 16. cudaMalloc((void **) &bb, size); 17. for (int i=0; i<N; i++) a_h[i] = (float)i; 18. cudaMemcpy(bb, x, size, cudaMemcpyHostToDevice); 19. square_array <<< 2 , 100 >>> (bb); 20. cudaMemcpy(a_h,bb,sizeof(float)*N,cudaMemcpyDevi

ceToHost); 21. for (int i=0; i<10; i++) printf("%f\n",a_h[i]); 22. free(a_h); 23. cudaFree(bb); 24. system("pause"); 25. }

Penjelasan program per baris: 1. inisialisasi pustaka <stdio.h>.

2. inisialisasi pustaka <cuda.h>.

3. Inisialisasi program kernel dengan nama square_array dengan passing

parameter float bb .



6. Pembatasan eksekusi thread hanya 4 thread, thread yang berjalan hanya

thread ID 0 sampai 3.

85





program.


11. Deklarasi pointer a_h dan bb.


13. Mengisi float x dengan data [10,12,14,16,18,20,22,24,26,28].



16. Alokasi bb pada GPU memory.


18. Menyalin memory dari CPU ke GPU dengan format (tujuan, sumber ,

ukuran , arah pengiriman). Isi dari x disalin ke bb dengan arah

pengiriman host to device.


jumlah thread 100 .


ukuran , arah pengiriman). Isi dari bb disalin ke a_h dengan arah




23. Membebaskan alokasi memory bb.


keluar.

25. Kurung tutup tanda berakhirnya program.

Soal 4.2.

Kode Sumber:


86

3. __global__ void square_array(float *bb) 4. { 5. int boss= threadIdx.x; 6. bb[boss] = bb[boss%4] + bb[boss+4]; 7. __syncthreads(); 8. bb[boss] = bb[boss%2] + bb[boss+2]; 9. __syncthreads(); 10. bb[boss] = bb[boss%1] + bb[boss+1]; 11. __syncthreads(); 12. }

13. int main(void) 14. { 15. float *a_h,*bb; 16. const int N = 8; 17. float x[8]={10,12,14,16,18,20,22,24}; 18. size_t size = N * sizeof(float); 19. a_h = (float *)malloc(size); 20. cudaMalloc((void **) &bb, size); 21. for (int i=0; i<N; i++) a_h[i] = (float)i; 22. cudaMemcpy(bb, x, size, cudaMemcpyHostToDevice); 23. square_array <<< 1 , 10>>> (bb); 24. cudaMemcpy(a_h,bb,sizeof(float)*N,

cudaMemcpyDeviceToHost); 25. printf("10+12+14+16+18+20+22+24= %f\n",a_h[0]); 26. free(a_h); 27. cudaFree(bb); 28. system("pause"); 29. }

Penjelasan program per baris :

1. inisialisasi pustaka <stdio.h>.





5. Inisialisasi integer boss sebagai threadIdx.x dengan vektor sumbu x.

6. Memecah array menjadi dua bagian kemudian dijumlahkan, hasil

penjumlahan disimpan pada array bb alamat 0 sampai 3.



8. Memecah array menjadi 4 bagian , penjumlahan dilakukan pada

pecahan pertama dan kedua. Hasil penjumlahan disimpan pada array bb

alamat 0 sampai 1.

87



10. Melakukan penjumlahan array pada alamat 0 dan 1 dan hasilnya

disimpan pada array 0.





program.




17. Mengisi float x dengan data [10,12,14,16,18,20,22,24].









jumlah thread 10 .








keluar.


88

6.2. Set Dosen 2

Soal 5.1. Kode Sumber:


3. __global__ void square_array(float *bb, int N) 4. { 5. int idx = threadIdx.x; 6. bb [idx]= bb [ 9 - idx % 4]; 7. __syncthreads(); 8. }

9. int main(void) 10. { 11. float *a_h, *bb; 12. const int N = 10; 13. float x[10]={10,12,14,16,18,20,22,24,26,28}; 14. size_t size = N * sizeof(float); 15. a_h = (float *)malloc(size); 16. cudaMalloc((void **) &bb, size); 17. for (int i=0; i<N; i++) a_h[i] = (float)i; 18. cudaMemcpy(bb, x, size, cudaMemcpyHostToDevice); 19. square_array <<< 2 , 100 >>> (bb, N); 20. cudaMemcpy(a_h,bb,sizeof(float)*N,cudaMemcpyDevi

ceToHost); 21. for (int i=0; i<10; i++) printf("%f\n",a_h[i]); 22. free(a_h); 23. cudaFree(bb); 24. system("pause"); 25. }

Penjelasan program per baris : 1. inisialisasi pustaka <stdio.h>.






6. Pembatasan eksekusi thread hanya 4 thread, thread yang berjalan hanya

thread ID 4 sampai 7.

89





program.




13. Mengisi float x dengan data [10,12,14,16,18,20,22,24,26,28].









jumlah thread 100 .








keluar.


Soal 5.2.

Kode Sumber:

1. #include <stdio.h> 2. #include <cuda.h> 3. __global__ void square_array(float *bb, float *a, int

N)

90

4. { 5. int boss= threadIdx.x; 6. bb[boss] = bb[boss%4] * bb[boss+4]; 7. __syncthreads(); 8. bb[boss] = bb[boss%2] * bb[boss+2]; 9. __syncthreads(); 10. bb[boss] = bb[boss%1] * bb[boss+1]; 11. __syncthreads(); 12. }

13. int main(void) 14. { 15. float *a_h,*bb; 16. const int N = 10; 17. float x[8]={10,12,14,16,18,20,22,24}; 18. size_t size = N * sizeof(float); 19. a_h = (float *)malloc(size); 20. cudaMalloc((void **) &bb, size); 21. for (int i=0; i<N; i++) a_h[i] = (float)i; 22. cudaMemcpy(bb, x, size, cudaMemcpyHostToDevice); 23. square_array <<< 1 , 10>>> (bb); 24. cudaMemcpy(a_h,bb,sizeof(float)*N,cudaMemcpyDevi

ceToHost); 25. printf("10*12*14*16*18*20*22*24 = %f\n",a_h[0]); 26. free(a_h); 27. cudaFree(a_d); 28. system("pause"); 29. }






5. Inisialisasi integer boss sebagai threadIdx.x dengan vektor sumbu x.

6. Memecah array menjadi dua bagian kemudian dikalikan, hasil perkalian

disimpan pada array bb alamat 0 sampai 3.



8. Memecah array menjadi 4 bagian , perkalian dilakukan pada pecahan

pertama dan kedua. Hasil perkalian disimpan pada array bb alamat 0

sampai 1.

91



10. Melakukan perkalian array pada alamat 0 dan 1 dan hasilnya disimpan

pada array 0.





program.




17. Mengisi float x dengan data [10,12,14,16,18,20,22,24].









jumlah thread 10 .








keluar.


92

7. Daftar Pustaka

1. Farber.R, ” CUDA Application Design And Development”, MK, 2011.

2. Kirk David B., Hwu Wen-mei W., ”Programming Massively Parallel Processors”,

MK, 2010.

3. Nvidia, “Getting Started With CUDA”, Nvidia, 2008.

4. Parallel Panorama, “My first CUDA program”, diakses dalam

http://llpanorama.wordpress.com/2008/05/21/my-first-cuda-program/ pada 3

Agustus 2012.

5. Wikipedia, “CUDA”, diakses dalam http://en.wikipedia.org/wiki/CUDA pada 8

Februari 2012.

93

LAMPIRAN D

PEDOMAN PRAKTIKUM TOPIK 2

NVIDIA CUDA THREADING

1. Tujuan

Melalui pedoman praktikum topik 2 diharapkan mahasiswa menguasai konsep:

• Menggunakan thread dalam 3 sumbu vektor x,y dan z.

• Menggabungkan semua thread di dalam block.

• Menggunakan timer untuk mengetahui waktu eksekusi GPU.

2. Dasar Teori

2.1 Konfigurasi thread [3, h.8]

Setiap thread mempunyai ID yang disebut threadIdx, begitu juga dengan

block mempunyai ID yang disebut blockIdx. ThreadIdx dan BlockIdx dapat

dinyatakan dalam 3 dimensi vektor yaitu x, y dan z.

Thread pada sebuah block dapat juga digabungkan dengan thread pada block

lain contohnya ada pada Gambar 1 .

Gambar 1. Grid [4, h.39]

Terdapat sebuah grid yang memiliki 3 block di dalamnya masing-masing block

mempunyai 5 buah thread Yang mempunyai thread ID 0, 1, 2, 3 dan 4 apabila

94

semua thread ingin digabungkan untuk mengeksekusi kernel maka caranya adalah

dengan konfigurasi sebagai berikut:

blockIdx.x *blockDim.x + threadIdx.x

misal:





blockidx.x adalah ID dari block.

blockDim.x adalah banyaknya thread di dalam block.

threadIdx.x adalah ID dari thread.

Maka thread ID nya menjadi adalah 0 1 2 3 4 5 6 7 8 9 10 11 12 13 14

Maka terdapat 15 thread dengan thread ID yang berbeda beda.

3. Contoh Program

3.1. Contoh Program 1

Contoh program 1 adalah contoh program eksekusi kernel dengan thread vektor x,

y dan z [5] .

Kode Sumber:

1. #include <stdio.h> 2. #include <cuda.h> 3. #include <cutil.h>

4. __global__ void kernelku(float *a) 5. { 6. int x=threadIdx.x; 7. int y=threadIdx.y; 8. int z=threadIdx.z; 9. a[x]=0; 10. __syncthreads(); 11. }

12. int main(void)

95

13. { 14. float *a_h, *a_d; 15. const int N = 10; 16. size_t size = N * sizeof(float); 17. a_h = (float *)malloc(size); 18. cudaMalloc((void **) &a_d, size); 19. for (int i=0; i<N; i++) a_h[i] = (float)i; 20. cudaMemcpy(a_d, a_h, size, cudaMemcpyHostToDevice); 21. dim3 threadperblock(5,4,2); 22. kernelku <<< 2, threadperblock >>> (a_d); 23. cudaMemcpy(a_h, a_d, sizeof(float)*N,


Gambar 2. Printscreen sumbu x contoh program 1

Gambar 3. Printscreen sumbu y contoh program 1

96

Gambar 4. Printscreen sumbu z contoh program 1

gambar 4. Flowchart program kernel contoh program 1 (baris 4 sampai baris 11)

Start

Inisialisasi threadIdx.x, threadIdx.y

dan threadIdx.z

Sinkronisasi thread

Thread mengeksekusi

data

End

97

Gambar 5. Flowchart main program contoh program 1 (baris 12 sampai baris 28)

Penjelasan program per baris:



3. inisialisasi pustaka <cutil.h>.

4. Inisialisasi program kernel dengan nama kernelku dengan passing parameter

float a .


6. Inisialisasi integer x sebagai threadIdx.x dengan vektor sumbu x.

98

7. Inisialisasi integer y sebagai threadIdx.y dengan vektor sumbu y.

8. Inisialisasi integer z sebagai threadIdx.z dengan vektor sumbu z.

9. Array a yang dihandle oleh threadIdx.x akan memberikan nilai 0 sebanyak

jumlah threadIdx.x.

10. __syncthreads(); merupakan fungsi memastikan semua thread telah selesai

melakukan instruksi sebelum dilanjutkan ke baris berikutnya.


12. Deklarasi program utama main, program akan dimulai dari main program.






18. Inisialisasi a_d pada GPU memory.


20. Menyalin memory dari CPU ke GPU dengan format (tujuan, sumber , ukuran ,

arah pengiriman). Isi dari a_h disalin ke a_d dengan arah pengiriman host to

device.

21. Inisialisasi thread dengan sumbu vektor x,y dan z.


konfigurasi thread (5,4,2) yang artinya jumlah thread 5 pada sumbu x, jumlah

thread 4 pada sumbu y dan jumlah thread 2 pada sumbu z.

23. Menyalin memory dari GPU ke CPU dengan format (tujuan, sumber , ukuran ,

arah pengiriman). Isi dari a_d disalin ke a_h dengan arah pengiriman device to

host.





keluar.


99

3.2. Contoh program 2:

Contoh program 2 adalah contoh program penggabungan thread antar block [5].

Kode Sumber:


4. __global__ void kernelku(float *a) 5. { 6. int gap=blockIdx.x *blockDim.x + threadIdx.x; 7. a[gap]=0; 8. __syncthreads(); 9. } 10. int main(void) 11. { 12. float *a_h, *a_d; 13. const int N = 20; 14. size_t size = N * sizeof(float); 15. a_h = (float *)malloc(size); 16. cudaMalloc((void **) &a_d, size); 17. for (int i=0; i<N; i++) a_h[i] = (float)i; 18. cudaMemcpy(a_d, a_h, size, cudaMemcpyHostToDevice); 19. dim3 threadperblock(5,4,2); 20. kernelku <<< 1, threadperblock >>> (a_d); 21. cudaMemcpy(a_h, a_d, sizeof(float)*N,


100


Apabila jumlah block diganti dengan dua maka printscreen program menjadi seperti berikut


101

Gambar 8. Flowchart program kernel contoh program 2 (baris 4 sampai baris 9)

102


Penjelasan program per baris :

1. Baris pertama merupakan inisialisasi pustaka <stdio.h>.

2. Baris kedua merupakan inisialisasi pustaka <cuda.h>.

3. Baris ketiga merupakan inisialisasi pustaka <cutil.h>.


float a .


6. Inisialisasi integer gap dengan gabungan thread antar block.

7. Array a yang dihandle oleh gap akan memberikan nilai 0 sebanyak jumlah

gabungan thread antar block.

103














device.



konfigurasi thread (5,4,2) yang artinya jumlah thread 5 pada sumbu x, jumlah

thread 4 pada sumbu y dan jumlah thread 2 pada sumbu z.



host.





keluar.


3.3. Contoh program 3:

Timer pada Nvidia CUDA digunakan untuk menghitung waktu yang

dibutuhkan GPU untuk mengeksekusi kernel. Pada saat memanggil timer, library

cutil.h harus dipanggil. Contoh program 3 adalah contoh program penggunaan

timer pada Nvidia CUDA [5].

104

Kode Sumber:


4. __global__ void kernelku(float *a) 5. { 6. int gap=blockIdx.x *blockDim.x + threadIdx.x; 7. a[gap]=gap*gap; 8. __syncthreads(); 9. }

10. int main(void) 11. { 12. unsigned int timer=0; 13. cutCreateTimer( &timer ); 14. float *a_h, *a_d; 15. const int N = 1<<25; 16. size_t size = N * sizeof(float); 17. a_h = (float *)malloc(size); 18. cudaMalloc((void **) &a_d, size); 19. for (int i=0; i<N; i++) a_h[i] = (float)i; 20. cudaMemcpy(a_d, a_h, size, cudaMemcpyHostToDevice); 21. dim3 threadperblock(64,4,2); 22. cutStartTimer( timer ); 23. kernelku <<< 10, threadperblock >>> (a_d); 24. cudaThreadSynchronize(); 25. cudaThreadSynchronize(); 26. cutStopTimer( timer ); 27. cudaMemcpy(a_h, a_d, sizeof(float)*N,

cudaMemcpyDeviceToHost); 28. printf("CUDA execution time = %f

ms\n",cutGetTimerValue( timer )); 29. for (int i=0; i<20; i++) printf("%f\n",a_h[i]); 30. free(a_h); 31. cudaFree(a_d); 32. system("pause"); 33. }

105


Gambar 11. Flowchart program kernel contoh program 3 (baris 4 sampai baris 9)

106


Penjelasan program per baris : 1. Baris pertama merupakan inisialisasi pustaka <stdio.h>.

2. Baris kedua merupakan inisialisasi pustaka <cuda.h>.

3. Baris ketiga merupakan inisialisasi pustaka <cutil.h>.


float a .


107

6. Inisialisasi integer gap dengan gabungan thread antar block.

7. Array a yang dihandle oleh gap akan memberikan nilai 0 sebanyak jumlah

gabungan thread antar block.






12. Inisialisasi timer dengan nilai awal 0.

13. Pemanggilan fungsi cutCreateTimer pada library <cutil.h> dengan menunjuk

pointer timer.


15. Deklarasi constant integer N dengan nilai 2 pangkat 25.

16. Mengisi size dengan tipe data float sejumlah N.

17. Alokasi a_h pada memory CPU dengan tipe data float sejumlah N.





device.


22. Timer pada GPU mulai dinyalakan.


konfigurasi thread (64,4,2) yang artinya jumlah thread 64 pada sumbu x,

jumlah thread 4 pada sumbu y dan jumlah thread 2 pada sumbu z.

24. Fungsi cudaThreadSynchronize() bertujuan untuk memastikan semua thread

selesai dan hasilnya siap untuk dikirimkan ke CPU.

25. Fungsi cudaThreadSynchronize() bertujuan untuk memastikan semua thread

selesai dan hasilnya siap untuk dikirimkan ke CPU.

26. Timer dimatikan.



host.

108

28. Mencetak waktu eksekusi GPU.




32. Menahan tampilan agar menunggu input yang masuk baru program akan keluar.


109


4.1. Buatlah program penjumlahan koordinat seperti pada gambar 13. Gunakanlah

penjumlahan vektor x dan y . Pada gambar 2 konfigurasi thread adalah (6,6).

Gambar 13.

Pada gambar 13 jumlah thread yang digunakan adalah 36 sehingga semua

koordinat akan tereksekusi apabila konfigurasi thread yang digunakan adalah

(6,2) maka hasilnya akan terlihat seperti pada gambar 14, perlihatkan juga waktu

eksekusi GPUnya.

Gambar 14.

4.2. Perkalian matrik

Ubahlah kode sequential perkalian matrik berikut ini menjadi kode paralel yang

dapat dikerjakan oleh GPU seperti printscreen gambar 15.

110

Kode sequential perkalian matriks [1]:

1. Void perkalianmatrik(float *A,float *B,float *C) 2. for (int i=0; i< lebarmatrik; ++i) 3. for (int j=0; j< lebarmatrik; ++j) 4. { 5. float sum=0; 6. for( int k =0; k < lebarmatrik; ++k) 7. { 8. float matriksA= A[i * lebarmatrik +k]; 9. float matriksB= B[k * lebarmatrik +j]; 10. sum +=matriksA * matriksB; 11. } 12. C[j * lebarmatrik + i] = sum; 13. } 14. }

Gambar 15.

111


5.1. Buatlah program perkalian koordinat seperti pada gambar 13. Gunakanlah

perkalian vektor x dan y . Pada gambar 13 konfigurasi thread adalah (6,6).

Gambar 13.

Pada gambar 13 jumlah thread yang digunakan adalah 36 sehingga semua

koordinat akan tereksekusi apabila konfigurasi thread yang digunakan adalah

(6,4) maka hasilnya akan terlihat seperti pada gambar 14, perlihatkan juga waktu

eksekusi GPUnya.

Gambar 14.

112

5.2. Perkalian matrik Ubahlah kode sequential perkalian matrik berikut ini menjadi kode paralel yang

dapat dikerjakan oleh GPU seperti printscreen gambar 15.

Kode sequential perkalian matriks[1]:

1. Void perkalianmatrik(float *A,float *B,float *C) 2. for (int i=0; i< lebarmatrik; ++i) 3. for (int j=0; j< lebarmatrik; ++j) 4. { 5. float sum=0; 6. for( int k =0; k < lebarmatrik; ++k) 7. { 8. float matriksA= A[i * lebarmatrik +k]; 9. float matriksB= B[k * lebarmatrik +j]; 10. sum +=matriksA * matriksB; 11. } 12. C[j * lebarmatrik + i] = sum; 13. } 14. }

Gambar 15.

113

6. Set Dosen

6.1.Set Dosen 1

Soal 4.1.

Kode Sumber [6]:

1. #include <stdio.h> 2. #include <cuda.h> 3. #include <cutil.h> 4. #define COLUMNS 6 5. #define ROWS 6 6. __global__ void add(int *a, int *b, int *c) 7. { 8. int x = threadIdx.x; 9. int y = threadIdx.y; 10. int i = (COLUMNS*y) + x; 11. c[i] = a[i] + b[i]; 12. __syncthreads(); 13. } 14. int main(void) 15. { 16. unsigned int timer=0; 17. cutCreateTimer( &timer ); 18. int a[ROWS][COLUMNS], b[ROWS][COLUMNS],

c[ROWS][COLUMNS]; 19. int *dev_a, *dev_b, *dev_c; 20. cudaMalloc((void **) &dev_a,

ROWS*COLUMNS*sizeof(int)); 21. cudaMalloc((void **) &dev_b,

ROWS*COLUMNS*sizeof(int)); 22. cudaMalloc((void **) &dev_c,

ROWS*COLUMNS*sizeof(int)); 23. for (int y = 0; y < ROWS; y++) 24. for (int x = 0; x < COLUMNS; x++) 25. { 26. a[y][x] = x; 27. b[y][x] = y; 28. } 29. cudaMemcpy(dev_a, a, ROWS*COLUMNS*sizeof(int),

cudaMemcpyHostToDevice); 30. cudaMemcpy(dev_b, b, ROWS*COLUMNS*sizeof(int),

cudaMemcpyHostToDevice); 31. dim3 grid(COLUMNS,ROWS); 32. dim3 threadperblock(6,4); 33. cutStartTimer( timer ); 34. add<<<grid,threadperblock>>>(dev_a, dev_b, dev_c); 35. cudaThreadSynchronize(); 36. cudaThreadSynchronize();

114

37. cutStopTimer( timer ); 38. cudaMemcpy(c, dev_c, ROWS*COLUMNS*sizeof(int),

cudaMemcpyDeviceToHost); 39. for (int y = 0; y < ROWS; y++) 40. { 41. for (int x = 0; x < COLUMNS; x++) 42. { 43. printf("[%d][%d]=%d ",y,x,c[y][x]); 44. } 45. printf("\n"); 46. } 47. printf("CUDA execution time = %f

ms\n",cutGetTimerValue( timer )); 48. cudaFree(dev_a); 49. cudaFree(dev_b); 50. cudaFree(dev_c); 51. system("pause"); 52. }





4. Mendefinisikan kolom dengan lebar 6.

5. Mendefinisikan baris dengan tinggi 6.

6. Inisialisasi program kernel dengan nama kernelku dengan passing

parameter int a, b dan c.



9. Inisialisasi integer y sebagai threadIdx.x dengan vektor sumbu y.

10. Inisialisasi integer i sebagai perkalian kolom dengan int y ditambah dengan

int x, threadIdx.y akan mulai mengeksekusi setelah threadIdx.x selesai

dieksekusi.

11. Merupakan penambahan float a dengan float b dengan menggunakan thread

i sebagai eksekutornya setelah thread i dengan thread ID 0 sampai 5 selesai

mengeksekusi maka otomatis dilanjutkan dengan thread ID 6 sampai 11

begitu seterusnya sampai batas threadIdx.y.



115

13. Kurung tutup tanda berakhirnya program kernel.




17. Pemanggilan fungsi cutCreateTimer pada library <cutil.h> dengan

menunjuk pointer timer.

18. Inisialisasi int a,b dan c dengan array 2 dimensi.

19. Inisialiasasi pointer dev_a,dev_b dan dev_c.

20. Inisialisasi dev_a pada GPU memory.

21. Inisialisasi dev_b pada GPU memory.

22. Inisialisasi dev_c pada GPU memory.

23. Perulangan baris.

24. Perulangan kolom.

25. Pengisian kolom dan baris pada alamat array int a dan b beserta nilainya,

nilai int a akan diisi dengan nilai kolom sedangkan int b akan diisi dengan

nilai baris.


ukuran , arah pengiriman). Isi dari a disalin ke dev_a dengan arah



ukuran , arah pengiriman). Isi dari b disalin ke dev_b dengan arah


31. Inisialisasi block dengan sumbu vektor x dan y.

32. Inisialisasi thread dengan sumbu vektor x dan y.

33. Timer pada GPU dinyalakan.

34. Memanggil fungsi kernel dengan nama add dengan konfigurasi block dan

thread 2 dimensi dengan parameter yang dipassingkan dev_a, dev_b dan

dev_c.

35. Fungsi cudaThreadSynchronize() bertujuan untuk memastikan semua

thread selesai dan hasilnya siap untuk dikirimkan ke CPU.

37. Mematikan timer.

116


ukuran , arah pengiriman). Isi dari dev_c disalin ke c dengan arah


39. Perulangan untuk mencetak baris dan kolom beserta isi dari array c yang

merupakan hasil penjumlahan dari int a dan b.


48. Membebaskan alokasi memory dev_a.

49. Membebaskan alokasi memory dev_b.

50. Membebaskan alokasi memory dev_c.


keluar.

52. Kurung tutup tanda berakhirnya program

Soal 4.2.

Kode Sumber [1]:

1. #include <cuda.h> 2. #include <stdio.h> 3. #define lebar 4 4. __global__ void kalimatrix( float * A, float *B, float

*C) 5. { 6. int kolom = threadIdx.x; 7. int baris = threadIdx.y; 8. float p=0; 9. for( int k =0; k < lebar; ++k) 10. { 11. float A_elem= A[baris *lebar +k]; 12. float B_elem= B[k *lebar +kolom]; 13. p +=A_elem * B_elem; 14. } 15. C[baris * lebar + kolom] = p; 16. __syncthreads(); 17. } 18. int main(void) 19. { 20. Float *M_C, *dMA, *dMB, *dMC; 21. int N = 16; 22. float M_A[16]={1,4,5,6,7,9,10,2,4,1,1,4,6,10,4,5}; 23. float M_B[16]={1,1,1,3,1,1,4,5,2,2,2,2,2,2,2,2}; 24. size_t size = N * sizeof(float);

117

25. M_C = (float *)malloc(size); 26. cudaMalloc((void **) &dMC, size); 27. cudaMalloc((void **) &dMA, size); 28. cudaMalloc((void **) &dMB, size); 29. cudaMemcpy(dMC, M_C , size, cudaMemcpyHostToDevice); 30. cudaMemcpy(dMA, M_A, size, cudaMemcpyHostToDevice); 31. cudaMemcpy(dMB, M_B, size, cudaMemcpyHostToDevice); 32. printf("\n"); 33. printf("matrik A: \n"); 34. for (int a=0;a <lebar; a++) 35. { 36. for(int b=a*lebar; b<(1+a)*lebar; b++) 37. { 38. printf("%f ",M_A[b]); 39. } 40. printf("\n"); 41. } 42. printf("matrik B: \n"); 43. for (int a=0;a <lebar; a++) 44. { 45. for(int b=a*lebar; b<(1+a)*lebar; b++) 46. { 47. printf("%f ",M_B[b]); 48. } 49. printf("\n"); 50. } 51. dim3 threadperblock(4,4); 52. kalimatrix <<< 2, threadperblock >>> (dMA,dMB,dMC); 53. cudaMemcpy(M_C, dMC, sizeof(float)*N,

cudaMemcpyDeviceToHost); 54. printf("matrik C: \n"); 55. for (int a=0;a <lebar; a++) 56. { 57. for(int b=a*lebar; b<(1+a)*lebar; b++) 58. { 59. printf("%f ",M_C[b]); 60. } 61. printf("\n"); 62. } 63. system("pause"); 64. }



2. Inisialisasi pustaka <studio.h>.

3. Mendefinisikan lebar dengan nilai 4.

4. Inisialisasi program kernel dengan nama kalimatrix dengan passing

parameter float a, b dan c.

5. Kurung buka program kernel.

118

6. Inisialisasi thread vektor x dengan nama kolom.

7. Inisialisasi thread vektor y dengan nama baris.

8. Inisialisasi float p dengan nilai awal 0.

9. Perulangan untuk mengalikan matrik.

11. Inisialisasi elemen kolom pada matrik A yang disimpan pada float A_elem.

12. Inisialisasi elemen baris pada matrik B yang disimpan pada float B_elem.

13. Perkalian matrik A dan B dan disimpan pada float p.

15. Nilai p disimpan pada matrik C dengan urutan mulai alamat 0 sampai

selesai.



20. Inisialisasi pointer M_C, dMA, dMB, dMC.

21. Inisialisasi int N dengan jumlah 16.

22. Inisialisasi float M_A dengan data 1,4,5,6,7,9,10,2,4,1,1,4,6,10,4,5.

23. Inisialisasi float M_B dengan data 1,1,1,3,1,1,4,5,2,2,2,2,2,2,2,2.

24. Deklarasi size dengan tipe data float dengan jumlah N.

25. Alokasi M_C pada CPU memory.

26. Alokasi dMC pada GPU memory.

27. Alokasi dMB pada GPU memory.

28. Alokasi dMA pada GPU memory.


ukuran , arah pengiriman). Isi dari M_C disalin ke dMC dengan arah



ukuran , arah pengiriman). Isi dari M_A disalin ke dMA dengan arah



ukuran , arah pengiriman). Isi dari M_B disalin ke dMB dengan arah


33. Mencetak isi matrik A.

42. Mencetak isi matrik B.

51. Inisialisasi jumlah threadIdx.x dan threadIdx.y.

52. Pemanggilan program kernel kalimatrix.

119


ukuran , arah pengiriman). Isi dari dMC disalin ke M_C dengan arah


54. Mencetak isi matrik C.

64. kurung tutup tanda akhir program.

6.2. Set Dosen 2

Soal 5.1.

Kode Sumber [6]:

1. #include <stdio.h> 2. #include <cuda.h> 3. #include <cutil.h> 4. #define COLUMNS 6 5. #define ROWS 6 6. __global__ void add(int *a, int *b, int *c) 7. { 8. int x = threadIdx.x; 9. int y = threadIdx.y; 10. int i = (COLUMNS*y) + x; 11. c[i] = a[i] * b[i]; 12. __syncthreads(); 13. }

14. int main(void) 15. { 16. unsigned int timer=0; 17. cutCreateTimer( &timer ); 18. int a[ROWS][COLUMNS], b[ROWS][COLUMNS],

c[ROWS][COLUMNS]; 19. int *dev_a, *dev_b, *dev_c; 20. cudaMalloc((void **) &dev_a,

ROWS*COLUMNS*sizeof(int)); 21. cudaMalloc((void **) &dev_b,

ROWS*COLUMNS*sizeof(int)); 22. cudaMalloc((void **) &dev_c,

ROWS*COLUMNS*sizeof(int)); 23. for (int y = 0; y < ROWS; y++) 24. for (int x = 0; x < COLUMNS; x++) 25. { 26. a[y][x] = x; 27. b[y][x] = y; 28. }

120

29. cudaMemcpy(dev_a, a, ROWS*COLUMNS*sizeof(int), cudaMemcpyHostToDevice);

30. cudaMemcpy(dev_b, b, ROWS*COLUMNS*sizeof(int), cudaMemcpyHostToDevice);

31. dim3 grid(COLUMNS,ROWS); 32. dim3 threadperblock(6,4); 33. cutStartTimer( timer ); 34. add<<<grid,threadperblock>>>(dev_a, dev_b, dev_c); 35. cudaThreadSynchronize(); 36. cudaThreadSynchronize(); 37. cutStopTimer( timer ); 38. cudaMemcpy(c, dev_c, ROWS*COLUMNS*sizeof(int),

cudaMemcpyDeviceToHost); 39. for (int y = 0; y < ROWS; y++) 40. { 41. for (int x = 0; x < COLUMNS; x++) 42. { 43. printf("[%d][%d]=%d ",y,x,c[y][x]); 44. } 45. printf("\n"); 46. } 47. printf("CUDA execution time = %f

ms\n",cutGetTimerValue( timer )); 48. cudaFree(dev_a); 49. cudaFree(dev_b); 50. cudaFree(dev_c); 51. system("pause"); 52. }




4. Mendefinisikan kolom dengan lebar 6.

5. Mendefinisikan baris dengan tinggi 6.

6. Inisialisasi program kernel dengan nama add dengan passing parameter int

a, b dan c.



9. Inisialisasi integer y sebagai threadIdx.x dengan vektor sumbu y.

10. Inisialisasi integer i sebagai perkalian kolom dengan int y ditambah dengan

int x, threadIdx.y akan mulai mengeksekusi setelah threadIdx.x selesai

dieksekusi.

121

11. Merupakan perkalian float a dengan float b dengan menggunakan thread i

sebagai eksekutornya setelah thread i dengan thread ID 0 sampai 5 selesai

mengeksekusi maka otomatis dilanjutkan dengan thread ID 6 sampai 11

begitu seterusnya sampai batas threadIdx.y.



13. Kurung tutup tanda berakhirnya program kernel.




17. Pemanggilan fungsi cutCreateTimer pada library <cutil.h> dengan

menunjuk pointer timer.

18. Inisialisasi int a,b dan c dengan array 2 dimensi.

19. Inisialiasasi pointer dev_a,dev_b dan dev_c.

20. Inisialisasi dev_a pada GPU memory.

21. Inisialisasi dev_b pada GPU memory.

22. Inisialisasi dev_c pada GPU memory.

23. Perulangan baris.

24. Perulangan kolom.

25. Pengisian kolom dan baris pada alamat array int a dan b beserta nilainya,

nilai int a akan diisi dengan nilai kolom sedangkan int b akan diisi dengan

nilai baris.


ukuran , arah pengiriman). Isi dari a disalin ke dev_a dengan arah



ukuran , arah pengiriman). Isi dari b disalin ke dev_b dengan arah


31. Inisialisasi block dengan sumbu vektor x dan y.

32. Inisialisasi thread dengan sumbu vektor x dan y.

33. Timer pada GPU dinyalakan.

122

34. Memanggil fungsi kernel dengan nama add dengan konfigurasi block dan

thread 2 dimensi dengan parameter yang dipassingkan dev_a, dev_b dan

dev_c.

35. Fungsi cudaThreadSynchronize() bertujuan untuk memastikan semua

thread selesai dan hasilnya siap untuk dikirimkan ke CPU.

37. Mematikan timer.


ukuran , arah pengiriman). Isi dari dev_c disalin ke c dengan arah


39. Perulangan untuk mencetak baris dan kolom beserta isi dari array c yang

merupakan hasil perkalian dari array int a dan b.


48. Membebaskan alokasi memory dev_a.

49. Membebaskan alokasi memory dev_b.

50. Membebaskan alokasi memory dev_c.


keluar.


Soal 5.2.

Kode Sumber [1]:

1. #include <cuda.h> 2. #include <stdio.h> 3. #define lebar 4 4. __global__ void kalimatrix( float * A, float *B, float

*C) 5. { 6. int kolom = threadIdx.x; 7. int baris = threadIdx.y; 8. float p=0; 9. for( int k =0; k < lebar; ++k) 10. { 11. float A_elem= A[baris *lebar +k]; 12. float B_elem= B[k *lebar +kolom]; 13. p +=A_elem * B_elem; 14. } 15. C[baris * lebar + kolom] = p; 16. __syncthreads(); 17. }

123

18. int main(void) 19. { 20. Float *M_C, *dMA, *dMB, *dMC; 21. int N = 16; 22. float M_A[16]={1,4,5,6,7,9,10,2,4,1,1,4,6,10,4,5}; 23. float M_B[16]={1,1,1,3,1,1,4,5,2,2,2,2,2,2,2,2}; 24. size_t size = N * sizeof(float); 25. M_C = (float *)malloc(size); 26. cudaMalloc((void **) &dMC, size); 27. cudaMalloc((void **) &dMA, size); 28. cudaMalloc((void **) &dMB, size); 29. cudaMemcpy(dMC, M_C , size, cudaMemcpyHostToDevice); 30. cudaMemcpy(dMA, M_A, size, cudaMemcpyHostToDevice); 31. cudaMemcpy(dMB, M_B, size, cudaMemcpyHostToDevice); 32. printf("\n"); 33. printf("matrik A: \n"); 34. for (int a=0;a <lebar; a++) 35. { 36. for(int b=a*lebar; b<(1+a)*lebar; b++) 37. { 38. printf("%f ",M_A[b]); 39. } 40. printf("\n"); 41. } 42. printf("matrik B: \n"); 43. for (int a=0;a <lebar; a++) 44. { 45. for(int b=a*lebar; b<(1+a)*lebar; b++) 46. { 47. printf("%f ",M_B[b]); 48. } 49. printf("\n"); 50. } 51. dim3 threadperblock(4,4); 52. kalimatrix <<< 2, threadperblock >>> (dMA,dMB,dMC); 53. cudaMemcpy(M_C, dMC, sizeof(float)*N,

cudaMemcpyDeviceToHost); 54. printf("matrik C: \n"); 55. for (int a=0;a <lebar; a++) 56. { 57. for(int b=a*lebar; b<(1+a)*lebar; b++) 58. { 59. printf("%f ",M_C[b]); 60. } 61. printf("\n"); 62. } 63. system("pause"); 64. }



2. Inisialisasi pustaka <studio.h>.

124

3. Mendefinisikan lebar dengan nilai 4.

4. Inisialisasi program kernel dengan nama kalimatrix dengan passing

parameter float a, b dan c.

5. Kurung buka program kernel.

6. Inisialisasi thread vektor x dengan nama kolom.

7. Inisialisasi thread vektor y dengan nama baris.

8. Inisialisasi float p dengan nilai awal 0.

9. Perulangan untuk mengalikan matrik.

14. Inisialisasi elemen kolom pada matrik A yang disimpan pada float A_elem.

15. Inisialisasi elemen baris pada matrik B yang disimpan pada float B_elem.

16. Perkalian matrik A dan B dan disimpan pada float p.

16. Nilai p disimpan pada matrik C dengan urutan mulai alamat 0 sampai

selesai.



32. Inisialisasi pointer M_C, dMA, dMB, dMC.

33. Inisialisasi int N dengan jumlah 16.

34. Inisialisasi float M_A dengan data 1,4,5,6,7,9,10,2,4,1,1,4,6,10,4,5.

35. Inisialisasi float M_B dengan data 1,1,1,3,1,1,4,5,2,2,2,2,2,2,2,2.

36. Deklarasi size dengan tipe data float dengan jumlah N.

37. Alokasi M_C pada CPU memory.

38. Alokasi dMC pada GPU memory.

39. Alokasi dMB pada GPU memory.

40. Alokasi dMA pada GPU memory.


ukuran , arah pengiriman). Isi dari M_C disalin ke dMC dengan arah



ukuran , arah pengiriman). Isi dari M_A disalin ke dMA dengan arah



ukuran , arah pengiriman). Isi dari M_B disalin ke dMB dengan arah


125

34. Mencetak isi matrik A.

43. Mencetak isi matrik B.

55. Inisialisasi jumlah threadIdx.x dan threadIdx.y.

56. Pemanggilan program kernel kalimatrix.


ukuran , arah pengiriman). Isi dari dMC disalin ke M_C dengan arah


58. Mencetak isi matrik C.

64. kurung tutup tanda akhir program.

7.Daftar Pustaka 1. cse.shirazu.ac.ir, ”MatmultBasic”, diakses dalam

http://www.cse.shirazu.ac.ir/~azimi/gpu89/lectures/07-MatMult-Basic.pdf diakses

pada 14 September 2012.

2. Kirk David B., Hwu Wen-mei W., ”Programming Massively Parallel Processors”,

MK, 2010.

3. Nvidia, ”Nvidia CUDA C Programming Guide version 4”, Nvidia,2011.

4. Nvidia, “Getting Started With CUDA”, Nvidia, 2008.

5. Parallel Panorama, ”Thread and blocks and grids”, diakses dalam

http://llpanorama.wordpress.com/2008/06/11/threads-and-blocks-and-grids-oh-

my/ diakses pada 3 Agustus 2012.

6. Stack Overflow, “Indexing scheme vs array of pointers in CUDA”, diakses dalam

http://stackoverflow.com/questions/11817471/indexing-scheme-vs-array-of-

pointers-in-cuda diakses pada 3 Agustus 2012.

pemrosesan paralel pada nvidia cuda...

Documents