PEMROSESAN PARALEL PADA NVIDIA CUDA

Muhammad Aminuddin
NIM: 12022025
Teknik Elektro - Universitas Suryadarma
Jl. Protokol Halim Perdanakusuma, Jakarta Timur 13660
Email: kodewap@gmail.com

Abstrak

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.

Kata Kunci : Nvidia, GPU, CPU, CUDA

1
I. PENDAHULUAN
1.1 Latar belakang
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.
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.
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
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
2
 gambar grafik perbandingan
CPU dengan GPU untuk
kemampuan Floating-point
Operations per Second.
Gambar 1.2. Floating-Point
Operations per second CPU dan
GPU
1.2 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.
1.3 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.
Pedoman Pembelajaran :
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
Pedoman Praktikum :
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
3
 4. Nvidia CUDA Memory dengan menggunakan
5. Nvidia CUDA API patokan yang telah telah
6. Nvidia CUDA Library ditentukan.
7. Nvidia CUDA 7. Keluaran berupa : pedoman,
Optimization slide dan rekomendasi
8. Tugas Rancang prasyarat.
8. Metode pengujian yang
2. Format untuk pedoman digunakan adalah uji Chi-
pembelajaran adalah sebagai Square, uji t dan uji z
berikut: sedangkan skala pengujian
1. Judul yang digunakan adalah skala
2. Tujuan likert.
3. Dasar Teori
4. Summary II. DASAR TEORI
5. Latihan Soal 2.1 Sejarah Nvidia CUDA
6. Daftar Pustaka
2006-Nvidia mengenalkan
Format untuk pedoman teknologi pemrosesan paralel
praktikum adalah sebagai berbasis General Purpose
berikut: Graphics Processing Unit
1. Judul (GPGPU) yaitu Compute Unified
2. Tujuan Device Architecture (CUDA).
3. Dasar Teori Nvidia bertujuan membuat
4. Contoh Program Graphics Processing unit (GPU)
5. Soal Praktikum tidak hanya digunakan untuk
6. Set Dosen mengolah aplikasi grafis tetapi
7. Daftar Pustaka juga dapat digunakan untuk
memproses aplikasi non-grafis.
3. Pembuatan program Nvidia GPU pada mulanya hanya
CUDA menggunakan Visual digunakan untuk rendering grafis
Studio 2008 dan Visual 2D maupun 3D, namun sekarang
Studio 2010. telah banyak aplikasi yang
4. Pengujian untuk mahasiswa memanfaatkan kinerja dari GPU
berjumlah 6 orang dengan untuk aplikasi perhitungan
prasyarat matakuliah matematika seperti MATLAB.
pemrosesan paralel. Pada awal perkembangan
5. Penilaian kemampuan komputer, CPU masih
mahasiswa rata-rata 70. memegang peranan penting
6. Standar penilaian dalam pemrosesan grafis namun
kemampuan mahasiswa setelah perkembangan grafis
yang makin meluas, kinerja CPU

4
menjadi menurun karena harus dihubungkan oleh Northbridge
melakukan rendering grafis. Pada pada motherboard yang
awal tahun 1980an dibuatlah berfungsi menjembatani CPU,
hardware khusus untuk mengolah DRAM, Southbridge dan PCI-
grafis yang terdiri dari Geometry Express.
unit, Rasterization unit dan
Fragment unit yang kemudian Nvidia CUDA terdiri dari
dinamakan GPU. beberapa komponen yaitu :

1. Unit pemrosesan di dalam

2.2 Arsitektur Nvidia CUDA
GPU.
Nvidia CUDA mempunyai 2. OS kernel - level yang
arsitektur berbasis General mendukung inisialisasi
Purpose Computing Graphics dan konfigurasi
Processing Units (GPGPU). hardware.
Nvidia CUDA dapat berjalan 3. User mode driver yang
dengan platform CPU berbasis menunjukkan device level
x86 dan x64 dari platform API.
manapun dan chipset 4. PTX instruction set
motherboard yang mendukung architecture (ISA) untuk
PCI-Express Bus. Gambar 2.1 komputasi paralel kernel
merupakan gambar arsitektur dan fungsi, kernel
komputer dengan Nvidia CUDA. merupakan potongan
program yang akan
Gambar 2.1 Arsitektur dieksekusi secara paralel
komputer dengan Nvidia oleh GPU.
CUDA
Saat ini Nvidia CUDA telah
mencapai 4 generasi arsitektur
yaitu :

1. G80/G92
2. GT 200
3. Fermi
4. Kepler

GPU pada Nvidia CUDA

terdiri beberapa unit Streaming
Pada Gambar 2.1 Nvidia CUDA
Multiprocessors (SM)
dihubungkan melalui interface
Setiap SM terdiri dari
PCI-Express Bus yang
beberapa Streaming Processors
mendukung bandwidth sampai
(SP)/CUDA cores, Setiap
16 GB/s. PCI-Express

5
 arsitektur mempunyai jumlah transcendental seperti
SP/CUDA cores yang berbeda- sin,cos dan bilangan
beda. Gambar 2.2 adalah contoh kuadrat.
gambar SM pada arsitektur 2 Warp scheduler untuk
Fermi. penjadwalan 32 thread yang
Gambar 2.2 SM pada bekerja secara paralel.
arsitektur Fermi 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
Bagian yang terdapat pada setiap point, baik single precision
SM arsitektur Fermi adalah : maupun double precision.
Gambar 2.3 menunjukkan
32 CUDA core yang terdiri perbandingan kemampuan GPU
dari Arithmetic Logic Unit Nvidia CUDA dengan CPU.
(ALU) dan Floating Point
Unit (FPU). ALU pada Gambar 2.3 Perbandingan
arsitektur Fermi Kemampuan Floating-Point
mendukung sampai 32 bit CPU dengan GPU
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 Gambar 2.3 memperlihatkan
(SFU) yang berfungsi perbedaan yang sangat mencolok
mengeksekusi instruksi antara kemampuan GPU Nvidia

6
 CUDA dengan CPU. CPU
tercepat buatan Intel pada tahun
2011 yaitu 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 2.4
menunjukkan perbandingan
memory bandwidth antara GPU
Nvidia CUDA dengan CPU.
Gambar 2.5. Perbandingan Memory
Bandwidth CPU dengan GPU
Gambar 2.4 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.
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.
Gambar 2.6 diagram alir kerja
Nvidia CUDA.
7
Penjelasannya adalah sebagai Langkah skala likert
berikut: 1. Menentukan dan
memahami apa yang
1. Alur kerja yang pertama yaitu akan diukur.
CPU akan menyalin semua 2. Menyusun
data yang dibutuhkan GPU perancangan.
untuk eksekusi dari main
memory ke GPU memory
III. PERANCANGAN
onboard.
3.1 Pedoman Pembelajaran
2. Setelah semua data yang
Nvidia CUDA
dibutuhkan GPU untuk
Gambar 3.1 Diagram alir
proses eksekusi disalin. CPU
pedoman pembelajaran
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
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

8
3.2 Pedoman Praktikum memberikan masukan
Nvidia CUDA untuk memperbaiki
Gambar 3.2 Diagram alir pedoman.
Pedoman praktikum 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.
3.3 Rancangan Pengujian Pedoman
dinyatakan baik
Pengujian yang dilakukan
apabila tidak ada
melalui tahapan sebagai berikut:
perbedaan yang
3.3.1 Pengujian oleh dosen signifikan antara
Dosen akan mengoreksi kelompok yang
kekurangan di dalam terdiri dari
pedoman dan akan mahasiswa yang

9
 memiliki ipk lebih pemrosesan paralel. Skala yang
dari sama dengan 3 digunakan dalam pembuatan
dengan kelompok kuesioner adalah skala likert,
yang terdiri dari skala likert terdiri dari lima
mahasiswa yang pilihan yaitu sangat setuju,
memiliki ipk kurang setuju, tidak pasti, tidak setuju
dari 3. dan sangat tidak setuju,
pernyataan tersebut diberi skor 5,
4, 3, 2 dan 1. Tetapi pada skripsi
IV. PENGUJIAN PEDOMAN ini hanya akan diberikan 4
pilihan yaitu sangat setuju,
4.1 Pengujian oleh Dosen setuju, tidak setuju dan sangat
Setiap pedoman yang telah tidak setuju, pilihan tidak pasti
selesai dikerjakan, pedoman akan dihilangkan sehingga pernyataan
diperiksa oleh dosen diberi skor 4, 3, 2 dan 1.
pembimbing. Dosen pembimbing Kuesioner untuk pedoman
akan memberi masukan dan pembelajaran dan pedoman
memeriksa kekurangan yang praktikum masing-masing diberi
terdapat pada pedoman, masukan pernyataan sejumlah 10
yang diterima yaitu: pernyataan.
1. Penambahan flowchart
pada pedoman praktikum. 10 Pernyataan kuisioner
2. Penambahan penjelasan pedoman belajar adalah sebagai
pada contoh program. berikut :
3. Perbaikan contoh 1. Judul topik pedoman
program. pembelajaran sesuai
dengan tujuan dan materi
4.2 Pengujian oleh Mahasiswa pedoman pembelajaran.
Pengujian oleh mahasiswa 2. Materi dalam pedoman
dilakukan dengan 2 cara yaitu pembelajaran sesuai
melalui kuesioner dan penilaian dengan tujuan pedoman
pedoman praktikum. Mahasiswa pembelajaran
yang mengisi kuesioner adalah 3. Contoh-contoh program
mahasiswa yang mengambil dalam pedoman dapat
kelas dasar pemrograman membantu memahami
sedangkan mahasiswa yang materi.
mengikuti pengujian penilaian 4. Kesesuaian contoh-
pedoman praktikum adalah contoh program dengan
mahasiswa yang telah materi.
mengambil matakuliah

10
 5. Kesesuaian ringkasan 5. Contoh-contoh program
dengan dengan materi. dapat membantu
6. Ringkasan dapat memahami dasar teori.
membantu mahasiswa 6. Contoh-contoh program
memahami materi. dapat membantu
7. Kesesuaian soal-soal membuat aplikasi.
latihan dengan materi. 7. Kesesuaian soal
8. Soal-soal latihan dapat praktikum dengan dasar
menguji pemahaman teori.
mahasiswa tentang 8. Kesesuaian soal
materi. praktikum dengan contoh
9. Pedoman pembelajaran program.
dapat diajarkan sesuai 9. Soal praktikum dapat
dengan alokasi jam selesai dikerjakan sesuai
kuliah. dengan alokasi jam
10. Format pedoman praktikum.
pembelajaran keseluruhan 10. Format pedoman
dapat membantu praktikum keseluruhan
mahasiswa memahami dapat membantu
materi. mahasiswa memahami
materi.

Pernyataan Kuesioner Pedoman Setelah kuesioner diisi oleh

Praktikum adalah sebagai berikut mahasiswa maka dilakukan uji
: hipotesis untuk mendapatkan
kesimpulan pengujian pedoman.
1. Materi dalam pedoman
praktikum sudah sesuai Langkah-langkah uji
dengan tujuan pedoman hipotesis
praktikum. :
2. Dasar teori dalam 1. Menentukan Ho dan H1
pedoman praktikum dapat Ho: responden tidak
membantu memahami puas dengan kualitas
materi. pedoman
3. Kesesuaian dasar teori H1: responden puas
pedoman praktikum dengan kualitas
dengan materi pedoman pedoman
kuliah. 2. Responden dapat
4. Contoh-contoh program dikatakan puas dengan
sesuai dengan dasar teori. kualitas pedoman

11
 apabila mengisi pembelajaran dan
kuesioner dengan skor responden puas terhadap
lebih dari sama dengan pedoman praktikum.
3. 3. Pengujian 6 topik
3. Responden dapat pedoman praktikum
dikatakan tidak puas melampaui standar rata-
dengan kualitas rata 70 untuk 5 topik
pedoman apabila praktikum, sedangkan 1
mengisi kuesioner topik masih
dengan skor kurang dari membutuhkan perbaikan
3. untuk melampaui standar
4. Menentukan = 0.05 rata-rata.
5. Menentukan derajat
bebas (db) = (k-1)(b-1) 5.2 Saran Pengembangan
=(5-1)(4-1) = 12 Beberapa saran yang penulis
6. Menentukan nilai dari dapat berikan untuk
tabel x2 pengembangan skripsi ini adalah
Tabel x2 = x2(, db) sebagai berikut:
maka didapat 21.02. 1. Meningkatkan jumlah
peserta untuk pengujian
V. KESIMPULAN DAN SARAN agar mendapatkan hasil
uji beda yang valid.
5.1 Kesimpulan 2. Menambah fasilitas VGA
Berdasarkan perancangan, Nvidia CUDA di BB-5
realisasi dan pengujian skripsi agar praktikum dapat
didapat beberapa kesimpulan berjalan dengan lancar
yaitu: dan jumlah peserta
1. Pemrosesan paralel dapat praktikum dapat
dilakukan pada Nvidia ditambah.
CUDA dan pemrosesan 3. Membuat aplikasi CUDA
paralel pada Nvidia dengan menggabungkan
CUDA dapat beberapa unit PC (Cluster
meningkatkan kinerja CUDA) dapat dilakukan
CPU dalam pemrosesan untuk pengembangan
data. aplikasi Nvidia CUDA.
2. Hasil uji hipotesis untuk 4. Apabila ingin melakukan
pedoman pembelajaran uji validalitas dan uji
dan pedoman praktikum reabilitas sebaiknya
yaitu responden tidak dengan cara
puas terhadap pedoman membandingkan dua

12
 kelompok mahasiswa erm=None pada 10 April
yang diberi perlakuan 2012.
berbeda. [5] Kirk David B., Hwu
Wen-mei W.,
Programming Massively
DAFTAR PUSTAKA Parallel Processors, MK,
[1] Benchmark reviews, 2010.
Nvidia GF 100 GPU [6] Mardalis, Metode
Fermi Architecture, Penelitian Suatu
diakses dalam Pendekatan Proposal,
http://benchmarkreviews. PT. Bumi Aksara,
com/index.php?option=co Jakarta, 2008.
m_content&task=view&i [7] Nvidia, NVIDIA CUDA
d=518&Itemid=72&limit Architecture Introduction
=1&limitstart=2 pada 22 & Overview, Nvidia,
Agustus 2012. 2009.
[2] Farber, Rob, CUDA [8] Nvidia, NVIDIA CUDA
Application Design And C Programming Guide
Development, MK, version 4, Nvidia, 2011.
2011. [9] Nvidia, NVIDIA
[3] Guru 3D, Geforce GTX CUDA C Programming
680 review, diakses Guide version 4.2,
dalam Nvidia, 2012.
http://www.guru3d.com/a [10] Nvidia, NVIDIA
rticles_pages/geforce_gtx Fermi Compute
_680_review,3.html pada Architecture, Nvidia.
22 Agustus 2012. [11] Nvidia, Tokyo
[4] Harvard, Harvard Institute of Technology
recognized by NVIDIA Selected as Japans First
as a CUDA Center of CUDA Center of
Excellence, dikases Excellence, diakses
dalam dalam
http://www.seas.harvard.e http://www.nvidia.com/o
du/news- bject/io_1270716327243
events/newsarchive/2009/ pada 10 April 2012.
harvard-recognized-by- [12] Sanders J., Kandrot
nvidia-as-a-cuda-center- E., CUDA By
of- Example, Addison-
excellencenvidia/?searcht Wesley, 2010.

13
[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).
[14] Toms hardware,
Nvidia Powering
Worlds 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/wi
ki/CUDA pada 8 Februari
2012.
[16] Wikipedia,
GDDR5, diakses dalam
http://en.wikipedia.org/wi
ki/GDDR5 pada 1 Mei
2012.
[17] Wikipedia, Graphics
processing unit, diakses
dalam
http://en.wikipedia.org/wi
ki/Graphics_processing_u
nit pada 1 Mei 2012.

14