Hasil Pencarian  ::  Simpan CSV :: Kembali

"Penelitian ini bertujuan untuk mengetahui pengaruh dari variabel service quality, compliance, dan assurance terhadap kepuasan nasabah pengguna layanan Virtual Account berdasarkan adaptasi CARTER. Populasi dalam penelitian ini adalah semua nasabah pengguna layanan virtual account di Indonesia. Untuk memudahkan proses survey digunakan metode sampling. Metode sampling yang digunakan adalah dengan menggunakan teknik cluster random sampling. Jumlah sampel yang digunakan adalah 200 responden. Teknik analisis data dilakukan secara deskriptif dan kuantitatif dengan pendekatan analisis faktor, dan metode regresi linier sederhana dan berganda. Berdasarkan analisis kuantitatif hasil penelitian menunjukkan bahwa variabel service quality, compliance, dan assurance berpengaruh secara signifikan terhadap kepuasan nasabah pengguna layanan virtual account perbankan syariah.

---

This research aims to know the influence of variable service quality, compliance, and assurance againts the users that use virtual account services based on CARTER model. The population in this research is all users of virtual account in Indonesia. To simplify the process of survey researchers used sampling method. The number of samples was 200 respondents. Technique of data analysis that used by researcher are descriptive and quantitative, with factor analysis, and simple and multiple liniear regression method. Based on the quantitative analysis, the result showed that variable service quality, compliance, and assurance influence significantly to customer satisfaction of the virtual account users at islamic banking."

"Saat ini sedang marak dibicarakan suatu teknologi yang menggabungkan beberapa sumber daya yang bekerja bersama-sama sehingga tampak seolah-olah merupakan satu single system, teknologi ini disebut cluster. Kebutuhan masyarakat akan informasi yang selalu up to date meningkatkan kebutuhan akan sistem yang memiliki availability tinggi. Hal ini semakin krusial karena masyarakat semakin haus akan informasi. Untuk itu dikembangkan suatu sistem yang disebut failover cluster yang memiliki tingkat availability tinggi. Skripsi ini membahas mengenai implementasi sistem failover virtual computer cluster dan analisa performanya dibandingkan dengan sistem yang tidak dicluster. Failover cluster dirancang untuk sebuah sistem dengan availability tinggi. Sistem ini diimplementasikan menggunakan Windows Server 2008 R2 x64 sebagai OS-nya dan Hyper-V sebagai platform simulasinya. Sistem failover virtual computer cluster ini terdiri atas tiga buah nodes berupa virtual machine dengan sebuah storage yang terhubung dengan ketiga nodes menggunakan iSCSI. Analisa performa dilakukan terhadap lima parameter benchmark berbeda yaitu processor arithmetic, .NET arithmetic, memory bandwidth, memory latency dan cache dan memori. Hasil benchmark performa system failover virtual computer cluster untuk kelima parameter ini tidak lebih baik dibandingkan dengan sistem yang tidak di-cluster, dimana terjadi penurunan rata-rata keseluruhan sebesar 41% untuk skenario pertama dan 54 % untuk skenario kedua. Namun dari segi availibility sistem failover virtual computer cluster ini lebih unggul dibandingkan sistem yang tidak di-cluster.

---

Now a day there is a technology that much discuss for its ability to combine some resource that work together so that it looks like a single system, this technology is called cluster. The public need of information that up to date increase the public need of system that is high availability. This even more crucial because public is getting thirsty of information.

This thesis discusses about the implementation of the failover virtual computer cluster system and analysis of its performance compared to system that is not part of a cluster. Failover cluster was designed for a high availability system. This failover virtual computer cluster system is implemented using Windows Server 2008 R2 x 64 as its operating system and Hyper-V as its virtualization platform. This failover virtual computer cluster system consists of three nodes that form by virtual machines with a storage that is connected to each nodes using iSCSI. Performance analysis carried out on five different parameters of benchmark they are, processor arithmetic, .NET arithmetic, memory bandwidth, memory latency, and cache and memory.

Failover virtual computer cluster system performance benchmark results for the fifth parameter is not better than the system that is not part of a cluster. The results show that there are decreases of performance about 41% for the first scenario and 54% for the second scenario. But in terms of system availability failover virtual computer cluster system is better than the system that is not part of a cluster."

"Penelitian ini menyelidiki integrasi Unreal Engine 5 dengan teknologi AI canggih, OpenAI dan ElevenLabs, untuk meningkatkan interaksi manusia-komputer melalui pembuatan gerakan berbasis aturan pada agen virtual. Penggunaan Unreal Engine 5 memungkinkan penciptaan lingkungan virtual beresolusi tinggi, yang sangat penting untuk interaksi agen yang realistis. Pengembangan sistem berbasis aturan sederhana yang mensintesis gerakan berdasarkan aturan yang telah ditentukan yang selaras dengan input yang diucapkan, dinilai dengan model lainnya. Sebuah studi komparatif, yang terinspirasi oleh Tantangan GENEA 2022, dilakukan untuk menilai efektivitas sistem yang diusulkan. Studi ini melibatkan studi pengguna di mana para partisipan menilai kemiripan manusia dan kesesuaian gerakan yang dihasilkan oleh sistem dengan model berbasis aturan, sistem model acak, model ground truth, dan model idle. Studi ini menggunakan model agen virtual yang sama untuk memastikan kondisi visual dan auditori yang konsisten di semua skenario pengujian. Temuan ini menunjukkan bahwa pembuatan gerakan berbasis aturan secara signifikan meningkatkan kealamian dan kontekstualitas interaksi agen virtual dibandingkan dengan 3 metode generasi gerakan lainnya. Hal ini mendukung potensi pendekatan terstruktur dalam menghasilkan interaksi yang lebih menarik dan realistis dalam lingkungan virtual. Penelitian ini diharapkan dapat memberikan kontribusi pada bidang desain agen virtual, dengan menekankan pentingnya mengintegrasikan teknik-teknik berbasis AI yang canggih untuk meningkatkan kualitas interaksi manusia-komputer.

---

This research investigates the integration of Unreal Engine 5 with advanced AI technologies, OpenAI and ElevenLabs, to enhance human-computer interaction through rule-based gesture generation on a virtual agent. Employing Unreal Engine 5 enables the creation of high-fidelity virtual environments, crucial for realistic agent interactions. The development of a simple rule-based system that synthesizes gestures based on predefined rules aligned with spoken inputs, is assessed against different models. A comparative study, inspired by the GENEA Challenge 2022, was conducted to evaluate the effectiveness of the proposed system. This involved a user study where participants rated the human likeness and appropriateness of gestures generated by rule-based, randomized systems, ground truth, and idle. The study utilized the same virtual agent model to ensure consistent visual and auditory conditions across all test scenarios. The findings demonstrated that rule-based gesture generation significantly enhances the perceived naturalness and contextuality of virtual agent interactions compared to the other 3 methods of gesture generation. This supports the potential of structured approaches in producing more engaging and realistic interactions in virtual environments. The research hopes to contribute to the field of virtual agent design, emphasizing the importance of integrating sophisticated AI-driven techniques to improve the quality of human-computer interaction."

"Pemanfaatan teknologi virtualisasi oleh operator telekomunikasi sudah bukan hal yang baru lagi karena teknologi virtualisasi terbukti memberikan efisiensi dalam menurunkan total cost ownership (TCO) pada pusat data yang besar dan kompleks. Meskipun demikian pemanfaatan teknologi virtualisasi dengan tugas dan fungsi yang berbeda dari sebelumnya, yaitu sebagai lingkungan simulasi infrastruktur teknologi informasi virtual akan mempengaruhi keputusan perilaku pengguna untuk mengadopsi dan memanfaatkan teknologi tersebut. Selain tiga faktor utama, yaitu perceived ease of use, perceived usefulness, dan behavior intention, model juga diperluas dengan menambahkan faktor computer self-efficacy dan task-technology fit sebagai variabel eksternal. Model ini juga diperluas dengan menambahkan commitment to system use sebagai faktor sosial yang mempengaruhi pengguna. Pengujian hipotesis dalam model penelitian ini menggunakan variance-based Partial Least Squares (PLS) dengan trimming model, dan terbukti hanya 6 hipotesis diterima dari total 14 hipotesis yang diajukan. Terdapat hubungan berikut yang terbukti signifikan yaitu: 1)computer self-efficacy dengan perceived ease of use, 2)task-technology fit dengan perceived ease of use, 3)identification dengan perceived ease of use, 4)perceived ease of use dengan perceived usefullness, 5)perceived ease of use dengan behavioral intention, 6)perceived usefullness dengan behavioral intention.

---

Applied virtual technology is not uncommon system in the telecommunication operator since this technology has been used long time ago and shows highly efficiency in term of data center operational costs and as well able to decrease the total cost ownership (TCO) which is usually high and complex. However, the use of virtualization technology with different tasks and functions as virtual infrastructure simulation environment will be influencing user behavior decision to adopt and to utilize virtualization as the target technology. In addition to the primary three indigenous factors: perceived ease of use, perceived usefulness, and behavior intention, the model was also extended with computer self-efficacy and the task-technology fit constructs as external variables. The model was also expanded with commitment system of use to assess the degree to which social influences affect user. Data were collected using a survey questionnaire while the hypothesized relationships in the research model were tested employing the variance-based Partial Least Squares (PLS) with trimming model technique. This study showed there were only 6 of 14 hipothesis were significant accepted. Here below were the corelation was proof to be statisticaly significant: 1)computer self-efficacy and perceived ease of use, 2)task-technology fit and perceived ease of use, 3)identification and perceived ease of use, 4)perceived ease of use and perceived usefullness, 5)perceived ease of use and behavioral intention, 6)perceived usefullness and behavioral intention."

"Cloud Computing menyediakan akses mudah ke berbagai sumber daya melalui jaringan internet, dengan jangkauan jaringan yang luas, kemampuan elastisitas yang cepat, dan layanan yang dapat diukur. Dalam penelitian ini, digunakan Cloud Management Platform Apache CloudStack untuk membangun sistem Cloud sendiri. Sistem ini menggunakan sistem operasi Ubuntu dan hypervisor KVM (Kernel-based Virtual Machine) untuk menguji performa dan optimalisasi konfigurasi hypervisor dalam menjalankan tugas-tugas komputasi tertentu. Penelitian ini bertujuan untuk menganalisis apakah konfigurasi default dari hypervisor KVM sudah optimal dan bagaimana konfigurasi hypervisor KVM dapat meningkatkan performa dalam menjalankan tugas komputasi seperti kompresi video, enkripsi, dekripsi, dan validasi integritas data. Metode yang digunakan melibatkan pengujian performa hypervisor KVM dengan melakukan berbagai tugas komputasi dan mengukur waktu yang diperlukan untuk menyelesaikan tugas-tugas tersebut. Hasil pengujian menunjukkan bahwa konfigurasi hypervisor dengan menambahkan flag tertentu seperti SSSE3, SSE4.1, SSE4.2, SSE4a, dan AES dapat meningkatkan performa komputasi secara signifikan. Kesimpulan dari penelitian ini adalah bahwa konfigurasi default hypervisor KVM bersifat minimal dan perlu dilakukan konfigurasi untuk mencapai performa optimal. Konfigurasi hypervisor yang tepat dapat mempercepat kompresi video hingga 2.4 kali, validasi integritas data hingga 7.56 kali, enkripsi AES hingga 2.1 kali, dan dekripsi AES hingga 2.68 kali dibandingkan dengan konfigurasi default. Penelitian ini diharapkan memberikan kontribusi akademis dalam bidang optimalisasi infrastruktur cloud.

---

Cloud Computing provides easy access to various resources over the internet, with a wide network reach, fast elasticity capabilities, and measurable services. In this research, the Apache CloudStack Cloud Management Platform is utilized to build a Cloud system. This system uses the Ubuntu operating system and KVM (Kernel-based Virtual Machine) hypervisor to test performance and optimize the hypervisor configuration for specific computing tasks. The aim of this research is to analyze whether the default configuration of the KVM hypervisor is optimal and how configuration the KVM hypervisor can enhance performance in executing computing tasks such as video compression, encryption, decryption, and data integrity validation. The methodology involves performance testing of the KVM hypervisor by executing various computing tasks and measuring the time taken to complete these tasks. The test results indicate that configuring the hypervisor by adding specific flags such as SSSE3, SSE4.1, SSE4.2, SSE4a, and AES can significantly improve computational performance. The conclusion drawn from this research is that the default configuration of the KVM hypervisor is minimal and requires configuration to achieve optimal performance. Proper hypervisor configuration can accelerate video compression by up to 2.4 times, data integrity validation by up to 7.56 times, AES encryption by up to 2.1 times, and AES decryption by up to 2.68 times compared to the default configuration. This research is expected to make an academic contribution in the field of cloud infrastructure optimization."

"ABSTRAKDalam aplikasi pengolahan citra sering digunakan Fast Fourier Transform (M). Tujuan dari penggunakan FFT ini adalah agar citra yang akan diolah, di transformasikan ke dalam daerah frekuensi, sehingga dapat dilewatkan dalam filter. Transformasi yang digunakan pada aplikasi pengolahan citra ini adalah FFT 2 Dimensi. Dibutuhkan waktu yang agak lama untuk melakukan transformasi citra, terutama untuk ukuran citra yang besar seperti 256 x 256 dan 512 x 512. Semakin besar ukuran citra yang ditransformasikan semakin banyak komputasi yang dilakukan, sehingga waktu yang dibutuhkan akan semakin lama. Untuk mempersingkat waktu maka digunakan pemrograman paralel. Algoritma dari aplikasi pengolahan citra ini dibagi menjadi 3 bagian : Transformasi Fourier 2D, Filterisasi, dan Invers Transformasi Fourier 2D. Program paralel ini akan di coba untuk dimplementasikan dan diukur pada jaringan komputer berbasis PVM yang terdapat di PAU Universitas Indonesia. Akan dibandingkan waktu komputasi pada keadaan serial dari paralel dengan menggunakan beberapa prosesor. Sehingga nampak jelas adanya penambahan percepatan komputasi pada pemrograman paralel. Dengan melihat penambahan percepatan komputasi akan terlihat efektifitas dari pemaralelan program nampak lebih efektif apabila dibandingkan dengan program serial, selanjutnya bisa di analisa faktor apa saja yang membuat percepatan komputasi pada program paralel tidak optimal."

"ABSTRAKDalam proses pengelolaan dan layanan pemberitaan sebagai salah salah satufungsi yang dijalankan oleh Pusat Komunikasi (Puskom) pada Kementerian LuarNegeri RI (Kemlu), penggunaan teknologi informasi sendiri peranannya menjadisangat penting mengingat pelayanan penyampaian informasi yang disampaikanmembutuhkan kecepatan, ketepatan, dan keamanan.Untuk pengelolaan data dan informasi layanan pemberitaan, sejak tahun 2011,Puskom di Kemlu Pusat dan Unit Komunikasi di seluruh Perwakilan RI di luarnegeri telah menggunakan aplikasi Agenda Online, yaitu aplikasi pengagendaanberita berbasis web yang dikembangkan oleh Puskom sendiri.Setelah diimplementasikannya aplikasi Agenda Online timbul beberapapermasalahan seperti ketidaklengkapan detail data agenda yang dimasukkan kedalam aplikasi Agenda Online oleh pengguna aplikasi, dan keluhan dari penggunatentang performa aplikasi.Untuk itu, dilakukan analisis terhadap faktor-faktor yang mungkin menjadipendorong kepuasan pengguna aplikasi Agenda Online. Penelitian inimenggunakan beberapa variabel model keberhasilan sistem informasi (DeLonedan McLean, 2003) untuk melihat faktor-faktor pendorong dari aspek teknologi,serta beberapa variabel dari UTAUT (Venkatesh, 2003) yang merupakan hasilpengembangan model TAM (Davis, 1986) sebagai tinjauan dari aspek manusia.Hasil pengujian hipotesis memperlihatkan bahwa faktor yang memberikanpengaruh secara signifikan terhadap kepuasan pengguna dalampengimplementasian aplikasi Agenda Online adalah : (1) faktor informationquality memberikan pengaruh positif terhadap information satisfaction (2) faktorsystem quality memberikan pengaruh positif terhadap system satisfaction; (3)faktor information satisfaction berpengaruh positif terhadap performanceexpectancy; (4) faktor system satisfaction memberikan pengaruh positif terhadapeffort expectancy; (5) faktor performance expectancy memberikan pengaruhpositif terhadap user satisfaction; (6) faktor facilitating condition jugamemberikan pengaruh yang positif terhadap user satisfaction.

---

ABSTRACTIn the process of mail management and services as one of the functions carried outby the Communication Center at the Ministry of Foreign Affairs, the use ofinformation technology itself becomes a very important role considering thedelivery of information services delivered requires speed, accuracy, and security.Since 2011, the Communication Center at the Ministry of Foreign Affairs and theCommunication Unit throughout all of Representatives of Republic of Indonesiaabroad have used Agenda Online applicationsto aid the management ofinformation and data for mailing services. Agenda Online is a letter recordingapplication based on web and developed by Communication Center.After the implementation of Agenda Online applications arise several problemssuch as the incompleteness of the data input by the user, and user complaintsabout application performance.To that end, an analysis of the factors that may beboosting the satisfaction of Agenda Online user is conducted. This study uses thebasic model of information system success (DeLone and McLean, 2003)to findthe boosting factors from the aspect of technology, this study also uses severalvariables of UTAUT (Venkatesh, 2003) which is the result of the development ofthe TAM model (Davis, 1986) as the factors from the people aspect. This researchmakes the study of user satisfaction as the dependent variable with the boostingfactors from the aspect of technology and the aspects of people.Hypothesis testing are shown factors that significantly influence the AgendaOnline's user satisfaction are : (1) information quality factors positively influencesystem satisfaction, (2) system quality factors have a positive influence on systemsatisfaction, (3) information satisfaction positively influence performanceexpectancy; (4) system satisfaction positively influence effort expectancy; (5)performance expectancy positively user satisfaction; (6) facilitating conditionpositively influence user satisfaction"

"Penelitian ini menganalisis dampak dari penggunaan Virtual Machine (VM), container, dan bare-metal terhadap performa Graphics Processing Unit (GPU) dengan memanfaatkan VM pada OpenStack Nova, container pada OpenStack Zun, dan bare-metal pada OpenStack Ironic. Metode virtualisasi GPU yang digunakan pada penelitian ini adalah GPU passthrough. Pengukuran performa GPU dilakukan dengan menggunakan aplikasi Glmark2 untuk menguji performa graphic rendering, Phoronix NAMD untuk menguji performa simulasi molekuler, dan Phoronix PyTorch untuk menguji performa training model. Hasil analisis menunjukkan bahwa penggunaan VM pada OpenStack Nova mengakibatkan penurunan performa GPU sebesar 15.5% pada Glmark2, 44.0% pada Phoronix NAMD, dan 8.4% pada Phoronix PyTorch. Penggunaan container pada Open Stack Zun mengakibatkan penurunan performa GPU sebesar 5.8% pada Glmark2 dan 19.7% pada Phoronix NAMD, tetapi tak ada perbedaan signifikan pada Phoronix PyTorch jika dibandingkan dengan physical machine (α = 0.05). Penggunaan bare-metal pada OpenStack Ironic mengakibatkan penurunan performa sebesar 1.5% pada Phoronix NAMD dan peningkatan tak signifikan sebesar -6.2% pada Phoronix PyTorch. Pengujian Glmark2 pada OpenStack Ironic dengan perlakuan yang sama seperti benchmark lainnya menunjukkan adanya penurunan performa sebesar 8.7%. Namun, perlakuan khusus pada Glmark2 OpenStack Ironic menunjukkan peningkatan performa sebesar -1.0% pada resolusi 1920x1080 jika dibandingkan dengan physical machine. Perlakuan khusus ini berupa menjalankan dummy Glmark2 dengan resolusi yang sangat rendah dan Glmark2 utama secara bersamaan. Berdasarkan hasil penelitian, dapat disimpulkan bahwa urutan computing resource dengan penurunan performa GPU yang paling minimal adalah penggunaan bare-metal OpenStack Ironic, diikuti dengan penggunaan container OpenStack Zun, dan diikuti dengan penggunaan VM OpenStack Nova.

---

This research analyzes the effects of Virtual Machine (VM), containers, and bare-metal usage on Graphics Processing Unit (GPU) performance, using VMs provided by OpenStack Nova, containers provided by OpenStack Zun, and bare-metal provided by OpenStack Ironic. The GPU virtualization method employed in this paper is GPU passthrough. GPU performance is measured using multiple benchmark applications, those being Glmark2 to measure graphic rendering performance, Phoronix NAMD to measure molecular simulation performance, and Phoronix PyTorch to measure training model performance. The results of our analysis shows that the usage of OpenStack Nova’s VMs causes GPU performance slowdown of up to 15.5% on Glmark2, 44.0% on Phoronix NAMD and 8.4% on Phoronix PyTorch. Using OpenStack Zun’s containers also causes GPU performance slowdowns of up to 5.8% on Glmark2 and 19.7% on Phoronix NAMD, with no significant changes on GPU performance with Phoronix PyTorch compared to the physical machine (α = 0.05). In contrast, using OpenStack Ironic’s bare-metal causes GPU performance slowdown of 1.5% on Phoronix NAMD and an insignificant increase in performance on Phoronix PyTorch by 6.2%. Meanwhile the results of the Glmark2 benchmark on OpenStack Ironic following the normal procedures shows GPU performance slowdown of up to 8.7%. However, the same Glmark2 OpenStack Ironic benchmark with a special procedure shows an increase in GPU performance of up to 1.0% on the 1920x1080 resolution compared to the physical machine. This special procedure involves running a dummy Glmark2 process with a tiny resolution in parallel with the main Glmark2 process. Based on the results, we can conclude that the hierarchy of computing resources in terms of minimal GPU performance slowdown starts with the usage of OpenStack Ironic’s bare-metal, followed by the usage of OpenStack Zun’s containers, and lastly the usage of OpenStack Nova’s VMs."

"Penelitian ini menganalisis dampak dari penggunaan Virtual Machine (VM), container, dan bare-metal terhadap performa Graphics Processing Unit (GPU) dengan memanfaatkan VM pada OpenStack Nova, container pada OpenStack Zun, dan bare-metal pada OpenStack Ironic. Metode virtualisasi GPU yang digunakan pada penelitian ini adalah GPU passthrough. Pengukuran performa GPU dilakukan dengan menggunakan aplikasi Glmark2 untuk menguji performa graphic rendering, Phoronix NAMD untuk menguji performa simulasi molekuler, dan Phoronix PyTorch untuk menguji performa training model. Hasil analisis menunjukkan bahwa penggunaan VM pada OpenStack Nova mengakibatkan penurunan performa GPU sebesar 15.5% pada Glmark2, 44.0% pada Phoronix NAMD, dan 8.4% pada Phoronix PyTorch. Penggunaan container pada Open Stack Zun mengakibatkan penurunan performa GPU sebesar 5.8% pada Glmark2 dan 19.7% pada Phoronix NAMD, tetapi tak ada perbedaan signifikan pada Phoronix PyTorch jika dibandingkan dengan physical machine (α = 0.05). Penggunaan bare-metal pada OpenStack Ironic mengakibatkan penurunan performa sebesar 1.5% pada Phoronix NAMD dan peningkatan tak signifikan sebesar -6.2% pada Phoronix PyTorch. Pengujian Glmark2 pada OpenStack Ironic dengan perlakuan yang sama seperti benchmark lainnya menunjukkan adanya penurunan performa sebesar 8.7%. Namun, perlakuan khusus pada Glmark2 OpenStack Ironic menunjukkan peningkatan performa sebesar -1.0% pada resolusi 1920x1080 jika dibandingkan dengan physical machine. Perlakuan khusus ini berupa menjalankan dummy Glmark2 dengan resolusi yang sangat rendah dan Glmark2 utama secara bersamaan. Berdasarkan hasil penelitian, dapat disimpulkan bahwa urutan computing resource dengan penurunan performa GPU yang paling minimal adalah penggunaan bare-metal OpenStack Ironic, diikuti dengan penggunaan container OpenStack Zun, dan diikuti dengan penggunaan VM OpenStack Nova.

---

This research analyzes the effects of Virtual Machine (VM), containers, and bare-metal usage on Graphics Processing Unit (GPU) performance, using VMs provided by OpenStack Nova, containers provided by OpenStack Zun, and bare-metal provided by OpenStack Ironic. The GPU virtualization method employed in this paper is GPU passthrough. GPU performance is measured using multiple benchmark applications, those being Glmark2 to measure graphic rendering performance, Phoronix NAMD to measure molecular simulation performance, and Phoronix PyTorch to measure training model performance. The results of our analysis shows that the usage of OpenStack Nova’s VMs causes GPU performance slowdown of up to 15.5% on Glmark2, 44.0% on Phoronix NAMD and 8.4% on Phoronix PyTorch. Using OpenStack Zun’s containers also causes GPU performance slowdowns of up to 5.8% on Glmark2 and 19.7% on Phoronix NAMD, with no significant changes on GPU performance with Phoronix PyTorch compared to the physical machine (α = 0.05). In contrast, using OpenStack Ironic’s bare-metal causes GPU performance slowdown of 1.5% on Phoronix NAMD and an insignificant increase in performance on Phoronix PyTorch by 6.2%. Meanwhile the results of the Glmark2 benchmark on OpenStack Ironic following the normal procedures shows GPU performance slowdown of up to 8.7%. However, the same Glmark2 OpenStack Ironic benchmark with a special procedure shows an increase in GPU performance of up to 1.0% on the 1920x1080 resolution compared to the physical machine. This special procedure involves running a dummy Glmark2 process with a tiny resolution in parallel with the main Glmark2 process. Based on the results, we can conclude that the hierarchy of computing resources in terms of minimal GPU performance slowdown starts with the usage of OpenStack Ironic’s bare-metal, followed by the usage of OpenStack Zun’s containers, and lastly the usage of OpenStack Nova’s VMs."

"Penelitian ini menganalisis dampak dari penggunaan Virtual Machine (VM), container, dan bare-metal terhadap performa Graphics Processing Unit (GPU) dengan memanfaatkan VM pada OpenStack Nova, container pada OpenStack Zun, dan bare-metal pada OpenStack Ironic. Metode virtualisasi GPU yang digunakan pada penelitian ini adalah GPU passthrough. Pengukuran performa GPU dilakukan dengan menggunakan aplikasi Glmark2 untuk menguji performa graphic rendering, Phoronix NAMD untuk menguji performa simulasi molekuler, dan Phoronix PyTorch untuk menguji performa training model. Hasil analisis menunjukkan bahwa penggunaan VM pada OpenStack Nova mengakibatkan penurunan performa GPU sebesar 15.5% pada Glmark2, 44.0% pada Phoronix NAMD, dan 8.4% pada Phoronix PyTorch. Penggunaan container pada Open Stack Zun mengakibatkan penurunan performa GPU sebesar 5.8% pada Glmark2 dan 19.7% pada Phoronix NAMD, tetapi tak ada perbedaan signifikan pada Phoronix PyTorch jika dibandingkan dengan physical machine (α = 0.05). Penggunaan bare-metal pada OpenStack Ironic mengakibatkan penurunan performa sebesar 1.5% pada Phoronix NAMD dan peningkatan tak signifikan sebesar -6.2% pada Phoronix PyTorch. Pengujian Glmark2 pada OpenStack Ironic dengan perlakuan yang sama seperti benchmark lainnya menunjukkan adanya penurunan performa sebesar 8.7%. Namun, perlakuan khusus pada Glmark2 OpenStack Ironic menunjukkan peningkatan performa sebesar -1.0% pada resolusi 1920x1080 jika dibandingkan dengan physical machine. Perlakuan khusus ini berupa menjalankan dummy Glmark2 dengan resolusi yang sangat rendah dan Glmark2 utama secara bersamaan. Berdasarkan hasil penelitian, dapat disimpulkan bahwa urutan computing resource dengan penurunan performa GPU yang paling minimal adalah penggunaan bare-metal OpenStack Ironic, diikuti dengan penggunaan container OpenStack Zun, dan diikuti dengan penggunaan VM OpenStack Nova.

---

This research analyzes the effects of Virtual Machine (VM), containers, and bare-metal usage on Graphics Processing Unit (GPU) performance, using VMs provided by OpenStack Nova, containers provided by OpenStack Zun, and bare-metal provided by OpenStack Ironic. The GPU virtualization method employed in this paper is GPU passthrough. GPU performance is measured using multiple benchmark applications, those being Glmark2 to measure graphic rendering performance, Phoronix NAMD to measure molecular simulation performance, and Phoronix PyTorch to measure training model performance. The results of our analysis shows that the usage of OpenStack Nova’s VMs causes GPU performance slowdown of up to 15.5% on Glmark2, 44.0% on Phoronix NAMD and 8.4% on Phoronix PyTorch. Using OpenStack Zun’s containers also causes GPU performance slowdowns of up to 5.8% on Glmark2 and 19.7% on Phoronix NAMD, with no significant changes on GPU performance with Phoronix PyTorch compared to the physical machine (α = 0.05). In contrast, using OpenStack Ironic’s bare-metal causes GPU performance slowdown of 1.5% on Phoronix NAMD and an insignificant increase in performance on Phoronix PyTorch by 6.2%. Meanwhile the results of the Glmark2 benchmark on OpenStack Ironic following the normal procedures shows GPU performance slowdown of up to 8.7%. However, the same Glmark2 OpenStack Ironic benchmark with a special procedure shows an increase in GPU performance of up to 1.0% on the 1920x1080 resolution compared to the physical machine. This special procedure involves running a dummy Glmark2 process with a tiny resolution in parallel with the main Glmark2 process. Based on the results, we can conclude that the hierarchy of computing resources in terms of minimal GPU performance slowdown starts with the usage of OpenStack Ironic’s bare-metal, followed by the usage of OpenStack Zun’s containers, and lastly the usage of OpenStack Nova’s VMs."