Paralelisasi Algoritme Pairwise Alignment dan Neighbor Joining pada Progressive Multiple Sequence Alignment

Abstract

Multiple sequence alignment (MSA) adalah permasalahan dasar dalam Bioinformatika yang bertujuan menjajarkan lebih dari dua sekuens biologi untuk menemukan kemiripan pada masing-masing sekuens. MSA digunakan dalam analisis phylogenetic, identifikasi motif pada keluarga protein dan pemodelan homologi tiga dimensi. Tantangan yang dihadapi dalam melakukan implementasi MSA adalah kompleksitas algoritme dan ukuran data sekuens yang besar. Progressive MSA ClustalW merupakan metode heuristic yang banyak digunakan untuk menyelesaikan masalah kompleksitas algoritme MSA. Beberapa penelitian membuktikan bahwa paralelisasi progressive MSA dapat meningkatkan kinerja dalam menghadapi ukuran data sekuens yang besar. Penelitian ini bertujuan melakukan paralelisasi algoritme pairwise alignment dan neighbor joining pada progressive MSA ClustalW menggunakan model pemrograman message passing, shared memory, dan gabungan keduanya. Perancangan program paralel dilakukan dengan empat tahap yaitu partitioning, communication, agglomeration dan mapping. Perancangan program paralel tersebut menghasilkan lima skenario implementasi untuk algoritme pairwise alignment dan satu skenario untuk algortime neighbor joining. Skenario tersebut antara lain pureMPI, pureOpenMP, ompInner, mpiOmpInner, dan mpiOmpOuter pada algoritme pairwise alignment serta skenario pureOpenMP pada algoritme neighbor joining. Skenario pureOpenMP menjadi skenario terbaik pada algoritme pairwise alignment dengan speedup hingga 12.20 kali menggunakan 20 prosesor. Skenario pureOpenMP pada algoritme neighbor joining menghasilkan speedup hingga 6.11 kali menggunakan 20 prosesor. Algoritme pairwise alignment dan neighbor joining memperoleh speedup terbaik menggunakan skenario pureOpenMP yang merupakan implementasi model pemrograman shared memory. Penggunaan skenario tersebut pada gabungan kedua algoritme diperoleh speedup hingga 12 kali menggunakan 20 prosesor. Paralelisasi kedua algoritme tersebut menggunakan skenario pureOpenMP berkontribusi untuk menjaga algoritme gabungan tetap kokoh pada data yang memiliki sekuens yang panjang dan jumlah sekuens yang banyak.