IMPLEMENTASI VARIASI METODE GRADIENT DESCENT DENGAN PARALLEL COMPUTING DALAM PENGEMBANGAN R PACKAGE gradDescent 4.0

Muhammad Aziz Ashari, - (2018) IMPLEMENTASI VARIASI METODE GRADIENT DESCENT DENGAN PARALLEL COMPUTING DALAM PENGEMBANGAN R PACKAGE gradDescent 4.0. S1 thesis, Universitas Pendidikan Indonesia.

	Text S_KOM_1305793_Title.pdf Download (12kB)
	Text S_KOM_1305793_Abstract.pdf Download (146kB)
	Text S_KOM_1305793_Table_of_content.pdf Download (303kB)
	Text S_KOM_1305793_Chapter1.pdf Download (159kB)
	Text S_KOM_1305793_Chapter2.pdf Restricted to Staf Perpustakaan Download (1MB)
	Text S_KOM_1305793_Chapter3.pdf Download (319kB)
	Text S_KOM_1305793_Chapter4.pdf Restricted to Staf Perpustakaan Download (1MB)
	Text S_KOM_1305793_Chapter5.pdf Download (138kB)
	Text S_KOM_1305793_Bibliography.pdf Download (228kB)
	Text S_KOM_1305793_Appendix.pdf Restricted to Staf Perpustakaan Download (229kB)

Abstract

Pada penelitian sebelumnya telah dikembangkan R package gradDescent 3.0 yang berisi algoritma Gradient Descent dan 13 variasinya. Setiap algoritma pada package tersebut hanya dapat berjalan secara standalone sedangkan jumlah data yang diproses di masa mendatang cenderung semakin besar. Fokus dari penelitian ini yaitu mengembangkan package sebelumnya dengan memodifikasi 4 dari 13 variasi algoritma yang ada dengan package “foreach”, doSNOW, dan “pbdMPI” agar memiliki kemampuan dalam memproses data secara multicore. Dalam penelitian ini dihasilkan algortima modifkasi yang kemudian digunakan untuk memprediksi kasus bertipe regresi secara paralel. Untuk menguji R package ini dilakukan eksperimen dan simulasi untuk memprediksi Median House Value. Didapatkan waktu eksekusi tercepat diraih oleh simulasi “doSNOW” dengan waktu eksekusi 0,01 detik dan nilai galat 80438,66 dengan parameter 4 core dan 50 iterasi pada algoritma AGD sedangkan nilai RMSE terbaik diraih oleh simulasi yang menggunakan “foreach” dengan nilai galat 70318,16 dengan parameter 4 core, 1000 iterasi dengan waktu eksekusi 0,03 detik pada algoritma AGD. Berdasarkan hasil penelitian yang dilakukan, gradDescent 4.0 berhasil dikembangkan. Hasil dari penelitian ini menunjukkan bahwa waktu eksekusi tercepat dan nilai RMSE terbaik di keempat algoritma tersebut diraih oleh mode parallel computing dengan skenario tool, jumlah core, dan iterasi yang berbeda-beda.---- On previous research an R package gradDescent 3.0 has been developed which includes Gradient Descent and 13 other variations. Each algorithm on package can only run as a standalone while number of data to process in the future tend to be bigger. Focus of this research is to develop previous package by modifying 4 of 13 variations of algorithm with “foreach”, doSNOW, and “pbdMPI” packages to be able to process data at multicore. 4 modified algorithms generated in this research which subsequently used to predict cases of regression type in parallel. The fastest execution time was achieved by a “doSNOW” simulation with a 0.01 second execution time and an error rate of 80438.66 with 4 cores and 50 iterations on the AGD algorithm while the best RMSE score was achieved by a “foreach” simulation with error rate 70318.16 with 4 cores, 1000 iterations with a 0.03 second execution time on the AGD algorithm. Based on result of research, gradDescent 4.0 successfully developed. Result of this research shows fastest execution time achieved by parallel computing mode using tool, number of cores, and iterations differently.

Item Type:	Thesis (S1)
Additional Information:	No. Panggil: S KOM MUH i-2018 ; Pembimbing: I. Lala Septem Riza, II. Rani Megasari ; NIM: 1305793
Uncontrolled Keywords:	gradient descent, regresi linier, parallel computing, R Package, California housing, linear regression
Subjects:	Q Science > QA Mathematics > QA75 Electronic computers. Computer science
Divisions:	Fakultas Pendidikan Matematika dan Ilmu Pengetahuan Alam > Program Studi Pendidikan Ilmu Komputer
Depositing User:	Mr. Arif Rezkyana Nugraha
Date Deposited:	14 May 2019 07:35
Last Modified:	14 May 2019 07:35
URI:	http://repository.upi.edu/id/eprint/34992

Actions (login required)

View Item