IMPLEMENTASI VARIASI METODE GRADIENT DESCENT DENGAN PARALLEL COMPUTING DALAM PENGEMBANGAN R PACKAGE gradDescent 4.0
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 pe...
Saved in:
Main Author: | |
---|---|
Format: | Academic Paper |
Published: |
2018-04-17.
|
Subjects: | |
Online Access: | http://repository.upi.edu/34992/ |
Tags: |
Add Tag
No Tags, Be the first to tag this record!
|
Summary: | 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 Description: | http://repository.upi.edu/34992/1/S_KOM_1305793_Title.pdf http://repository.upi.edu/34992/2/S_KOM_1305793_Abstract.pdf http://repository.upi.edu/34992/3/S_KOM_1305793_Table_of_content.pdf http://repository.upi.edu/34992/4/S_KOM_1305793_Chapter1.pdf http://repository.upi.edu/34992/5/S_KOM_1305793_Chapter2.pdf http://repository.upi.edu/34992/6/S_KOM_1305793_Chapter3.pdf http://repository.upi.edu/34992/7/S_KOM_1305793_Chapter4.pdf http://repository.upi.edu/34992/8/S_KOM_1305793_Chapter5.pdf http://repository.upi.edu/34992/9/S_KOM_1305793_Bibliography.pdf http://repository.upi.edu/34992/10/S_KOM_1305793_Appendix.pdf |