Komputasi Penentuan Kualitas pada Fiber Optik Berdasarkan Rugi Daya dengan Gaussian Naive Bayes Menggunakan Teknologi CUDA

Danang Haryo Sulaksono, Aslam Chitami Priawan Siregar

Abstract


Rugi daya adalah salah satu aspek yang dapat menentukan kualitas dari sebuah serat optik. Dalam penelitian ini, rugi pada serat optik diklasifikasikan berdasarkan perubahan nilai dari rugi daya berdasarkan pergeseran dan dibagi menjadi tiga kelas: bagus, sedang, dan jelek. Pembagian kelas ini berdasarkan besaran perubahan pada setiap nilai pada serat optik. Dalam klasifikasi ini juga digunakan sepuluh variabel pergeseran antara 0–450 ?m dengan interval pergeseran sebesar 50 ?m. Penelitian ini menggunakan serat optik dengan diameter 5,5 cm. Penelitian ini menggunakan metode Gaussian Naïve Bayes untuk melakukan klasifikasi terhadap data training rugi daya yang ada. Proses komputasi pada klasifikasi data dalam penelitian ini menggunakan teknologi CUDA, sebuah platform paralelisasi komputasi antara CPU dan GPU. Nilai hasil klasifikasi masih menunjukkan nilai di bawah 50%, yaitu dengan nilai 42,86%. Sehingga, masih dibutuhkan metode boosting untuk pre-processing guna mendapatkan nilai data yang tidak imbalance sedangkan hasil benchmark CUDA sendiri menunjukkan nilai rentang komputasi yang sangat cepat, antara 600–1.000 ms.

Keywords


Serat optik; Rugi daya; Gaussian Naïve Bayes; Cuda; Pergeseran

References


A. C. P. Siregar dan D. H. Sulaksono, “Perancangan Sensor Suhu menggunakan Metode Interpolasi Lagrange Berbasis Serat Optik Berstruktur Sms (Singlemode-Multimode-Singlemode),” JEEE-U J. Electr. Electron. Eng.-UMSIDA, vol. 1, no. 2, hlm. 34–39, 2017.

L. Jiang, Z. Cai, H. Zhang, dan D. Wang, “Naive Bayes text classifiers: a locally weighted learning approach,” J. Exp. Theor. Artif. Intell., vol. 25, no. 2, hlm. 273–286, 2013.

B. Bustami, “Penerapan Algoritma Naïve Bayes Untuk Mengklasifikasi Data Nasabah Asuransi,” J. Inform., vol. 8, no. 1, 2014.

A. H. Jahromi dan M. Taheri, “A non-parametric mixture of Gaussian naive Bayes classifiers based on local independent features,” dalam 2017 Artificial Intelligence and Signal Processing Conference (AISP), 2017, hlm. 209–212.

U. W. Wijayanto dan R. Sarno, “An Experimental Study of Supervised Sentiment Analysis Using Gaussian Naïve Bayes,” dalam 2018 International Seminar on Application for Technology of Information and Communication, 2018, hlm. 476–481.

T. Mahajan dan S. Masih, “Enhancing Blowfish file encryption algorithm through parallel computing on GPU,” dalam 2015 International Conference on Computer, Communication and Control (IC4), 2015, hlm. 1–4.

NVIDIA Corporation, CUDA C Programming Guide, Version 9.1. 2018.

A. Horga, “Genetic algorithms – CPU vs GPU implementation discussion Metaheuristics course report.”




DOI: https://doi.org/10.31284/j.iptek.2018.v22i2.322

Refbacks

  • There are currently no refbacks.


 

Indexed by:

Sinta S3Google Scholar GARUDA Garba Rujukan DigitalDimensions Logo