1. PERBANDINGAN WAKTU EKSEKUSI DAN
PENGGUNAAN MEMORI PADA PAKET GRAFIK
PYTHON UNTUK ANALISIS JARINGAN
WILDAN NADIYAL AHSAN
(20206052011)
2. LATAR BELAKANG
1. Penggunaan grafik semakin popular dalam penelitian
berbagai bidang
3. Perkembangan informasi dan teknologi yang semakin maju membuat banyak sekali para pengembang maupun peneliti untuk membuat
sebuah alat/pustaka (tools/packages) yang dapat mengolah grafik dengan baik. Tools tersebut tersedia secara online dan dapat digunakan oleh
siapapun. Dengan banyaknya tools/packages yang tersedia membuat pilihan yang cukup sulit untuk menentukan tools apa yang tepat
digunakan.
2. Kumpulan data jaringan besar semakin umum pada era big
data saat ini. maka dari itu diperlukan pemrosesan grafik
yang efisien dan efektif.
4. Studi ini berusaha menyediakan pengukuran kinerja berdasarkan waktu eksekusi dan penggunaan memori pada setiap grafik. Penelitian ini
membantu pengembang dan peneliti memilih alat grafik python terbaik untuk kebutuhan mereka
3. RUMUSAN MASALAH
1. Bagaimana perbandingan waktu eksekusi (execution
time) pada python graph packages?
_
2. Bagimana perbandingan penggunaan memori (memory
usage) pada python graph packages?
_
4. 3/30/2024 4
TUJUAN PENELITIAN
1. Mengetahui hasil perbandingan kinerja
(waktu eksekusi) menggunakan graph
packages yang telah ditentukan.
2. Mengetahui hasil perbandingan efisiensi (penggunaan
memori) menggunakan graph packages yang telah
ditentukan.
5. Timothy Lin (2019) “Benchmark of Popular Graph/Network Packages” tentang
pengukuran lima paket grafik igraph, networkx,graph-tool, snap dan networkit.
pengujian ini menggunakan 5 metrik perhitungan kecepatan yaitu: loading the
data, single source shorthest path, page rank, k-core decomposition dan
strongly connected components
Thiago Peixoto (2020) “Graph-Tool Performance Comparison” tentang
perbandingan kinerja antara graph-tool dan dua pustaka lainnya, yaitu Igraph
dan networkX, memperhatikan bahwa pustaka/paket grafik ini memiliki API
yang berbeda. Metode komparasi dalam penelitian ini melakukan pemanggilan
fungsi (function) selama beberapa kali.
Dhulipala et al. (2020) "The Graph Based Benchmark Suite (GBBS)."
peneltian ini menghadirkan Graph-Based Benchmarking Suite (GBBS).
Algoritma ini dikomparasikan dengan NetworkX. hasil pengujian membuktikan
bahwa algoritma GBBS lebih cepat dibandingkan dengan NetworkX dalam
simulasi single thread.
TINJAUAN PUSTAKA
6. Zhang, Zweigenbaum, and Yin. (2018) "Efficient Generation and Processing
of Word Co-Occurrence Networks Using Corpus2graph" mengemukakan
sebuah algoritma corpus2graph. Pustaka ini dapat bekerja dengan pustaka
grafik seperti networkX, igraph dan graph-tool sebagai front-end dalam
menyajikan data dan meningkatkan kecepatan pembuatan jaringan
Krasanakis et al.(2022) "Pygrank: A Python Package for Graph Node Ranking"
membuat sebuah python package yang diberi nama pygrank. Dengan
menggunakan pygrank dapat menguji dan mengevaluasi python graph
packages.
Sugiyama et al (2018) "Graphkernels: R and Python Packages for Graph
Comparison" menyajikan Graphkernel untuk menguji dan mengkomparasi
grafik. Graph kernel yang telah dibuat dapat menguji grafik R dan Python
Jian Wu et al (2019) "Graph-XLL: a Graph Library for Extra Large Graph
Analytics on a Single Machine" memperkenalkan Graph-XLL, sebuah graph
packgaes/libraries yang ditulis menggunakan Java. Didesain khusus untuk
dapat menyelesaikan dan menerima tekanan dari grafik yang sangat besar.
Graph-XLL juga mempunya keunggulan dari kedua library igraph R dan
NetworkX python
7. Membahas tentang komparasi berbagai paket grafik
Merupakan penelitian eksperimental dengan pendekatan kuantitatif.
Datasets dan studi kasus yang digunakan juga berbeda dengan penelitian-
penelitian sebelumnya.
Menambah paket grafik yang jarang diteliti yaitu RustworkX.
TINJAUAN PUSTAKA
PERSAMAAN :
PERBEDAAN :
8. LANDASAN TEORI
TEORI GRAF
Landasan teori adalah konsep sistematis atau tertata rapi yang
menjadi dasar dalam penelitian ilmiah. Landasan teori juga
berfungsi sebagai kerangka teori untuk menyelesaikan pekerjaan
penelitian
ANALISIS JARINGAN TEKS PYTHON GRAPH PACKAGE PYTHON GRAPH PACKAGE
WAKTU EKSEKUSI
(EXECUTION TIME) &
PENGGUNAAN MEMORI
MEAN, STANDARD
DEVIASI & MARGIN OF
ERROR
UJI T BERPASANGAN, UJI
WILCOXON, EFFECT SIZE
& STATISTICAL POWER
BOXPLOT
9. Metode penelitian yang
digunakan dalam penelitian
ini adalah metode
eksperimental kuantitatif
deskriptif
Penelitian ini menggunakan
dataset yang diambil dari
website “scopus.com”.
Dataset ini diperoleh dengan
cara pencarian dengan kata
kunci “network analysis”.
IMPLEMENTASI ANALISIS
JARINGAN TEKS
ANALISIS HASIL
METODE PENELITIAN
METODE
PENGUMPULAN
DATA
Analisis co-occurance adalah
alat analisis teks yang ampuh
dan dapat memberikan
informasi berharga tentang
hubungan antara kata dan
topik dalam sebuah teks.
Pendekatan kuantitatif untuk
analisis statistik menggunakan
uji normalitas, uji t dan uji
wilcoxon menguji data secara
statistik yang dikumpulkan dari
hasil eksperimen untuk menarik
kesimpulan.
10. Lorem ipsum dolor sit amet,
animal conceptam te his,
legimus inimicus dissentiet
at sed
HASIL PENELITIAN
11. Lorem ipsum dolor sit amet,
animal conceptam te his,
legimus inimicus dissentiet
at sed
HASIL PENELITIAN
12. KESIMPULAN DAN SARAN
Berdasarkan percobaan terhadap enam paket graph Python, dengan menggunakan dataset sebanyak
10.000 judul artikel yang diambil dari jurnal-jurnal akademis yang terindeks Scopus yang diulang sebanyak 35 kali,
dapat disimpulkan bahwa urutan performa berdasarkan waktu eksekusi (dari yang tercepat ke yang paling lambat)
adalah: 1. Snap, 2. Graph-tool dan Rustworkx (seri), 3. Networkit dan Igraph (seri), dan 4. NetworkX (seri). NetworkX.
KESIMPULAN
Sementara itu, urutan efisiensi berdasarkan penggunaan memori (dari yang paling efisien hingga yang
paling tidak efisien) adalah: 1. graph-tool 2. snap 3. rustworkx dan igraph (terikat) 4. networkX 5. Networkit.
Ada korelasi moderat dan positif antara waktu eksekusi dan penggunaan memori. Selain itu, terdapat
hubungan yang sangat kuat dan positif antara memori saat ini dan penggunaan memori puncak.
13. KESIMPULAN DAN SARAN
Penelitian ini masih menggunakan data yang kecil, maka dari itu diperlukan penelitan lanjutan untuk
mendapatkan sampel pengujian dan datasets yang lebih besar.
SARAN
Disarankan untuk penelitian selanjutnya untuk mengembangkan studi kasus yang jauh lebih kompleks
untuk menguji paket grafik python, dalam beberapa kasus hasil mungkin akan berbeda.
Komparasi paket grafik masih terbatas hanya untuk paket grafik dalam pustaka Python, untuk memperluas
kajian dan keilmuan maka disarankan untuk penelitian selanjutnya untuk juga menguji berbagai paket grafik dalam
bahasa pemrograman yang lain.