High Performance Computing (HPC) adalah pendekatan komputasi yang menggabungkan sumber daya komputasi seperti CPU, GPU, memori, penyimpanan, dan jaringan untuk menjalankan beban kerja yang membutuhkan daya komputasi sangat besar. Berbeda dengan komputer biasa yang mengandalkan satu sistem untuk menyelesaikan pekerjaan, HPC memanfaatkan komputasi paralel agar pekerjaan kompleks dapat dibagi menjadi beberapa bagian dan diproses secara bersamaan.

Teknologi ini banyak digunakan dalam penelitian ilmiah, rekayasa, simulasi, kecerdasan buatan (AI), analisis data berskala besar, pemodelan cuaca dan iklim, penemuan obat, hingga berbagai kebutuhan industri. HPC dapat dibangun menggunakan cluster yang terdiri dari banyak server atau node, superkomputer khusus, maupun infrastruktur berbasis cloud.

Kemampuan HPC menjadi semakin penting karena kebutuhan pemrosesan data dan kompleksitas aplikasi terus meningkat. Beberapa pekerjaan yang membutuhkan waktu sangat lama jika dijalankan pada komputer biasa dapat diselesaikan jauh lebih cepat dengan membagi pekerjaan tersebut ke banyak sumber daya komputasi.

Apa Itu High Performance Computing (HPC)?

High Performance Computing (HPC) adalah teknologi dan pendekatan komputasi yang menggunakan sumber daya komputasi secara paralel untuk menyelesaikan pekerjaan yang membutuhkan daya pemrosesan tinggi.

Pada dasarnya, HPC bukan sekadar komputer dengan spesifikasi tinggi. HPC merupakan sebuah sistem komputasi terintegrasi yang mencakup hardware, jaringan berkecepatan tinggi, penyimpanan, sistem operasi, scheduler, library, dan software yang dirancang agar berbagai sumber daya dapat bekerja secara terkoordinasi.

Dalam sebuah cluster HPC, server-server yang disebut node dihubungkan melalui jaringan sehingga dapat bekerja sebagai satu lingkungan komputasi. Beban kerja kemudian dibagi menjadi sejumlah tugas yang dapat diproses secara bersamaan. Google Cloud menjelaskan bahwa sistem HPC umumnya memiliki tiga komponen utama, yaitu compute, storage, dan networking.

Karena menggunakan pemrosesan paralel, HPC dapat menangani masalah yang terlalu besar, kompleks, atau membutuhkan waktu terlalu lama apabila dikerjakan menggunakan komputer standar.

Cara Kerja High Performance Computing (HPC)

Cara kerja HPC berpusat pada konsep parallel computing atau komputasi paralel. Sebuah pekerjaan besar dipecah menjadi beberapa bagian yang lebih kecil sehingga dapat diproses oleh banyak core, CPU, GPU, atau node secara bersamaan.

Sebagai gambaran sederhana, bayangkan sebuah penelitian membutuhkan pemrosesan satu juta data. Pada komputer biasa, seluruh data dapat diproses oleh satu sistem secara berurutan. Pada lingkungan HPC, pekerjaan tersebut dapat dibagi menjadi beberapa bagian. Node pertama memproses bagian tertentu, node kedua mengerjakan bagian lainnya, dan node berikutnya mengerjakan bagian yang berbeda pada waktu yang sama.

Setelah masing-masing proses selesai, hasilnya dikumpulkan dan digunakan untuk menghasilkan output akhir. Intel menjelaskan bahwa sistem HPC membagi workload menjadi tugas yang lebih kecil dan memberikan tugas tersebut kepada beberapa resource untuk diproses secara simultan. HPC dapat menggunakan pendekatan scale-up dalam satu sistem atau scale-out dengan mendistribusikan pekerjaan ke beberapa server.

Secara sederhana, alurnya dapat digambarkan sebagai: Workload besar → pembagian tugas → pemrosesan paralel → sinkronisasi → penggabungan hasil

Namun, tidak semua pekerjaan dapat diparalelkan dengan tingkat efisiensi yang sama. Software harus dirancang atau dioptimalkan agar dapat memanfaatkan banyak resource secara efektif.

Apa Saja Komponen Utama High Performance Computing (HPC)?

Sistem HPC terdiri dari berbagai komponen yang saling berkaitan. Secara umum, komponen utamanya dapat dikelompokkan menjadi compute, network, dan storage, kemudian dilengkapi software untuk mengatur workload dan menjalankan aplikasi paralel.

1. Compute Node

Compute node adalah server yang digunakan untuk menjalankan pekerjaan komputasi. Sebuah node dapat memiliki banyak core CPU, RAM berkapasitas besar, serta akselerator seperti GPU. Jumlah dan jenis node disesuaikan dengan karakteristik workload. Aplikasi tertentu mungkin lebih membutuhkan CPU dan kapasitas memori besar, sedangkan aplikasi lainnya dapat memperoleh keuntungan signifikan dari GPU atau akselerator lainnya.

2. CPU

CPU tetap menjadi komponen penting dalam banyak sistem HPC. Prosesor dengan banyak core memungkinkan beberapa pekerjaan dijalankan secara paralel dalam satu node. Untuk workload tertentu, performa CPU, jumlah core, kapasitas cache, bandwidth memori, dan efisiensi komunikasi antar-core dapat memengaruhi performa aplikasi.

3. GPU dan Accelerator

GPU awalnya dikenal luas untuk pemrosesan grafis, tetapi arsitektur paralelnya juga cocok untuk berbagai jenis komputasi ilmiah, machine learning, dan workload lain yang dapat diparalelkan secara masif. Sistem HPC modern banyak menggunakan akselerator. Dalam daftar TOP500 edisi Juni 2026, tercatat 276 sistem menggunakan teknologi accelerator atau co-processor, menunjukkan pentingnya akselerator dalam sistem komputasi berkinerja tinggi.

4. Memory

Memori atau RAM digunakan untuk menyimpan data dan instruksi yang sedang diproses. Workload HPC tertentu dapat membutuhkan kapasitas memori sangat besar, sementara workload lainnya lebih sensitif terhadap bandwidth atau latensi memori. Karena itu, desain memori harus disesuaikan dengan karakteristik aplikasi.

5. High-Speed Network

Jaringan memiliki peran penting dalam HPC, terutama ketika aplikasi harus bertukar data antar-node. Jaringan berlatensi rendah dan bandwidth tinggi dapat membantu mengurangi waktu yang dibutuhkan untuk komunikasi antar-node. Pada sistem HPC berskala besar, interconnect khusus dapat digunakan untuk memenuhi kebutuhan komunikasi tersebut.

6. Storage

HPC dapat menghasilkan dan memproses data dalam jumlah sangat besar. Oleh karena itu, sistem membutuhkan storage yang mampu menyediakan kapasitas, throughput, dan akses data yang sesuai dengan kebutuhan workload. Storage dalam lingkungan HPC tidak hanya berfungsi menyimpan hasil akhir, tetapi juga dapat digunakan untuk menyediakan dataset yang akan diproses.

7. Scheduler dan Software

Dalam cluster HPC, software dibutuhkan untuk mengatur resource dan pekerjaan pengguna. Scheduler dapat menentukan kapan dan di mana suatu job dijalankan berdasarkan resource yang tersedia dan aturan yang diterapkan oleh cluster. Selain scheduler, lingkungan HPC biasanya membutuhkan compiler, library, runtime, tool monitoring, dan framework pemrograman paralel.

Apa Itu Cluster High Performance Computing (HPC)?

Cluster HPC adalah kumpulan komputer atau server yang saling terhubung dan bekerja bersama untuk menjalankan workload komputasi. Setiap komputer dalam cluster disebut node. Node dapat memiliki fungsi berbeda sesuai desain cluster. Google Cloud, misalnya, menjelaskan adanya controller node untuk layanan dan koordinasi, login atau interactive node untuk akses pengguna, serta compute node untuk menjalankan komputasi.

Cluster HPC dapat memiliki konfigurasi homogen atau heterogen. Pada cluster homogen, node memiliki karakteristik hardware yang relatif serupa. Sementara itu, cluster heterogen dapat menggabungkan jenis hardware berbeda, seperti CPU dan GPU, agar setiap workload dapat dijalankan pada resource yang paling sesuai.

Apa Perbedaan High Performance Computing (HPC) dan Supercomputer?

HPC dan supercomputer sering digunakan secara bergantian, tetapi keduanya tidak sepenuhnya memiliki arti yang sama. HPC merupakan konsep atau pendekatan untuk menyediakan dan menggunakan daya komputasi tinggi, sedangkan supercomputer biasanya merujuk pada sistem komputasi yang dirancang dengan kemampuan performa sangat tinggi dan sering digunakan untuk workload HPC.

Dengan kata lain, supercomputer dapat menjadi salah satu bentuk infrastruktur HPC, tetapi HPC juga dapat diwujudkan menggunakan cluster yang terdiri dari banyak server biasa dengan konfigurasi dan jaringan yang sesuai.

Aspek	HPC	Supercomputer
Pengertian	Pendekatan dan ekosistem komputasi berkinerja tinggi	Sistem komputer dengan performa komputasi sangat tinggi
Bentuk	Cluster, sistem khusus, cloud, atau hybrid	Umumnya sistem khusus berskala sangat besar
Komponen	CPU, GPU, storage, network, software, scheduler	Dapat menggunakan kombinasi CPU, GPU, memory, interconnect, dan storage berperforma tinggi
Penggunaan	Penelitian, simulasi, AI, analisis data, engineering	Workload komputasi ekstrem dan penelitian berskala besar
Hubungan	Mencakup berbagai bentuk infrastruktur	Salah satu bentuk sistem yang dapat digunakan untuk HPC

Apa Perbedaan HPC dan Cloud Computing?

HPC dan cloud computing juga bukan dua teknologi yang sepenuhnya berlawanan. HPC berfokus pada kebutuhan komputasi berkinerja tinggi dan workload yang dapat memanfaatkan pemrosesan paralel. Sementara cloud computing merupakan model penyediaan resource komputasi melalui layanan yang dapat dialokasikan sesuai kebutuhan.

HPC dapat dijalankan di cloud. Artinya, organisasi tidak selalu harus membangun seluruh cluster HPC secara fisik sendiri. Google Cloud menyebut HPC dapat dijalankan secara on-premises, cloud, maupun hybrid.

Aspek	HPC	Cloud Computing
Fokus	Performa dan workload komputasi intensif	Penyediaan resource IT sebagai layanan
Infrastruktur	Cluster, supercomputer, atau cloud HPC	Data center cloud dengan berbagai layanan
Skalabilitas	Dapat scale-up atau scale-out	Umumnya dirancang untuk provisioning dan scaling resource
Workload	Simulasi, scientific computing, AI, engineering	Web, database, aplikasi bisnis, analytics, AI, HPC, dan lainnya
Lokasi	On-premises, cloud, atau hybrid	Umumnya melalui infrastruktur penyedia cloud

Dengan demikian, cloud dapat menjadi media penyediaan infrastruktur HPC, bukan pengganti konsep HPC itu sendiri.

Apa Itu Komputasi Paralel dalam HPC?

Komputasi paralel adalah metode menjalankan beberapa bagian pekerjaan secara bersamaan menggunakan lebih dari satu resource komputasi. Konsep ini menjadi fondasi penting HPC. Tanpa paralelisasi, menambahkan banyak node atau core belum tentu memberikan peningkatan performa yang signifikan. Ada beberapa bentuk paralelisasi yang umum digunakan.

Parallelism dalam Satu Node

Sebuah aplikasi dapat menggunakan banyak core CPU dalam satu server. Model ini cocok untuk workload yang dapat dibagi menjadi beberapa thread atau proses.

Parallelism Antar-Node

Pekerjaan dapat didistribusikan ke beberapa server. Masing-masing node mengerjakan bagian tertentu dan berkomunikasi melalui jaringan.

Hybrid Parallelism

Aplikasi dapat menggabungkan beberapa pendekatan sekaligus, misalnya menggunakan MPI untuk komunikasi antar-proses atau antar-node dan OpenMP untuk paralelisasi thread di dalam node. MPI merupakan API standar yang populer untuk pemrosesan paralel di dalam maupun antar-node. MPI menggunakan proses terpisah yang berkomunikasi secara eksplisit melalui mekanisme message passing.

Teknologi Pemrograman yang Digunakan dalam HPC

Pengembangan aplikasi HPC membutuhkan software yang dapat memanfaatkan resource paralel secara efektif. Beberapa teknologi dan pendekatan yang umum digunakan antara lain:

1. MPI

Message Passing Interface (MPI) digunakan untuk komunikasi antar-proses dalam aplikasi paralel, termasuk komunikasi antar-node dalam cluster. MPI sangat umum digunakan dalam scientific computing dan aplikasi yang membutuhkan distribusi pekerjaan ke banyak node.

2. OpenMP

OpenMP digunakan untuk pemrograman paralel berbasis shared memory, terutama pada sistem multi-core. OpenMP dapat digunakan untuk membagi pekerjaan ke beberapa thread yang berjalan pada core berbeda dalam sebuah node.

3. CUDA dan Teknologi GPU

Untuk workload yang sesuai dengan karakteristik GPU, developer dapat menggunakan framework atau platform pemrograman GPU seperti CUDA. GPU sangat efektif untuk jenis perhitungan yang dapat diparalelkan dalam jumlah besar, meskipun tidak semua aplikasi mendapatkan peningkatan performa yang sama.

4. Hybrid MPI + OpenMP

Dalam cluster tertentu, MPI dapat digunakan untuk komunikasi antar-node, sedangkan OpenMP digunakan untuk memanfaatkan banyak core dalam masing-masing node. Pendekatan hybrid dapat membantu memanfaatkan arsitektur cluster secara lebih optimal, tergantung karakteristik aplikasi. Dokumentasi HPC GWDG juga menjelaskan penggunaan MPI bersama OpenMP sebagai pendekatan hybrid.

Apa Saja Contoh Penggunaan High Performance Computing (HPC)?

HPC digunakan pada berbagai bidang yang membutuhkan perhitungan besar atau pemrosesan data intensif.

1. Penelitian Ilmiah

Peneliti dapat menggunakan HPC untuk melakukan simulasi dan analisis yang membutuhkan resource komputasi besar. Contohnya adalah simulasi fisika, kimia, astronomi, dan berbagai penelitian ilmiah lainnya.

2. Pemodelan Cuaca dan Iklim

Model cuaca dan iklim melibatkan banyak variabel serta perhitungan numerik yang kompleks. HPC memungkinkan model tersebut dijalankan menggunakan resource komputasi yang jauh lebih besar dibandingkan komputer biasa.

3. Penemuan Obat

HPC dapat digunakan untuk berbagai proses komputasi dalam penelitian farmasi, termasuk simulasi molekuler dan analisis data dalam skala besar. AWS juga mencantumkan pemodelan iklim, penemuan obat, dan penelitian genom sebagai contoh workload yang dapat memanfaatkan HPC.

4. Genomik

Analisis genom dapat menghasilkan dataset dalam jumlah besar. HPC dapat membantu mempercepat proses analisis dengan memanfaatkan pemrosesan paralel.

5. Engineering

Bidang engineering menggunakan HPC untuk simulasi seperti Computational Fluid Dynamics (CFD), analisis struktur, desain produk, dan berbagai pemodelan numerik.

6. Artificial Intelligence dan Machine Learning

HPC semakin banyak digunakan untuk workload AI dan machine learning yang membutuhkan GPU atau akselerator dalam jumlah besar. Namun, perlu dibedakan bahwa HPC tidak sama dengan AI. HPC adalah pendekatan/infrastruktur untuk menjalankan workload komputasi intensif, sedangkan AI merupakan bidang dan jenis aplikasi yang dapat menggunakan HPC sebagai infrastrukturnya.

7. Analisis Data Berskala Besar

HPC dapat membantu memproses dataset besar ketika kebutuhan komputasinya terlalu tinggi untuk satu server atau workstation.

Manfaat High Performance Computing (HPC)

Penggunaan HPC memberikan sejumlah manfaat bagi organisasi dan peneliti, terutama ketika workload memiliki tingkat kompleksitas tinggi.

Mempercepat Waktu Pemrosesan
Dengan membagi pekerjaan ke banyak resource, waktu yang dibutuhkan untuk menyelesaikan workload tertentu dapat dikurangi secara signifikan.

Menangani Masalah yang Kompleks
HPC memungkinkan peneliti dan perusahaan mengerjakan permasalahan yang terlalu besar atau membutuhkan waktu terlalu lama jika diproses pada sistem standar.

Mendukung Simulasi Skala Besar
Simulasi yang kompleks dapat dijalankan dengan resolusi atau skala yang lebih besar karena tersedia resource komputasi yang lebih banyak.

Meningkatkan Kapasitas Eksperimen
Dalam penelitian, waktu komputasi yang lebih singkat memungkinkan peneliti menjalankan lebih banyak eksperimen atau menguji lebih banyak skenario.

Mendukung Inovasi
HPC dapat membantu organisasi melakukan pemodelan, simulasi, analisis, dan eksperimen yang mendukung pengembangan produk atau penelitian baru.

Apa Kekurangan High Performance Computing (HPC)?

Walaupun menawarkan performa tinggi, HPC juga memiliki tantangan.

Biaya Infrastruktur
Membangun cluster HPC sendiri membutuhkan investasi hardware, jaringan, storage, fasilitas data center, serta sistem pendinginan dan kelistrikan.

Kompleksitas Pengelolaan
Cluster yang terdiri dari banyak node membutuhkan administrasi dan monitoring yang lebih kompleks dibandingkan server tunggal.

Konsumsi Energi
Sistem HPC dengan jumlah processor dan accelerator yang sangat besar dapat membutuhkan daya listrik serta sistem pendinginan yang signifikan.

Tidak Semua Aplikasi Cocok
Tidak semua aplikasi dapat memperoleh peningkatan performa yang besar dari paralelisasi. Jika bagian tertentu dari program harus dijalankan secara serial, peningkatan jumlah core tidak otomatis menghasilkan peningkatan performa yang sebanding.

Membutuhkan Software yang Dioptimalkan
Aplikasi perlu dirancang atau dioptimalkan agar dapat menggunakan resource secara efektif. Hardware yang sangat cepat tidak akan memberikan manfaat maksimal jika software tidak mampu memanfaatkannya.

Bagaimana Performa High Performance Computing (HPC) Diukur?

Performa sistem HPC sering dinyatakan menggunakan FLOPS (Floating-Point Operations Per Second), yaitu jumlah operasi floating-point yang dapat dilakukan dalam satu detik. Satuan yang digunakan dapat berupa:

GFLOPS = gigaflops
TFLOPS = teraflops
PFLOPS = petaflops
EFLOPS = exaflops

Dalam konteks supercomputer, performa sering dievaluasi menggunakan benchmark tertentu. TOP500, misalnya, menggunakan benchmark High Performance Linpack (HPL) dalam pemeringkatan sistemnya. Pada edisi Juni 2026, sistem LineShine berada di posisi pertama dengan hasil HPL sebesar 2,198.40 PFLOPS atau sekitar 2.198 EFLOPS.

Perlu dipahami bahwa angka FLOPS bukan satu-satunya ukuran yang menentukan performa aplikasi nyata. Performa aktual juga dipengaruhi oleh bandwidth memori, latensi jaringan, storage, efisiensi software, komunikasi antar-node, serta karakteristik workload.

Selain HPL, TOP500 juga mencantumkan hasil HPCG (High Performance Conjugate Gradient). Benchmark tersebut dapat memberikan perspektif berbeda mengenai performa sistem pada jenis operasi yang tidak identik dengan workload HPL.

HPC Scale-Up dan Scale-Out

HPC dapat menggunakan dua pendekatan utama dalam meningkatkan kemampuan komputasi.

Pendekatan	Penjelasan	Contoh
Scale-Up	Meningkatkan kemampuan dalam satu sistem	Menambah core CPU, RAM, atau accelerator pada server
Scale-Out	Menambahkan lebih banyak sistem/node	Menambah server ke dalam cluster HPC

Scale-up dapat bermanfaat ketika workload dapat dijalankan secara efektif dalam satu sistem besar. Scale-out menjadi penting ketika aplikasi dapat didistribusikan ke banyak node. Intel menjelaskan bahwa scale-up memecah pekerjaan di dalam satu sistem, sedangkan scale-out mendistribusikan bagian pekerjaan ke beberapa server.

HPC On-Premises vs HPC di Cloud

Organisasi dapat memilih membangun HPC sendiri atau menggunakan resource cloud.

Aspek	HPC On-Premises	HPC Cloud
Infrastruktur	Dimiliki dan dikelola sendiri	Disediakan penyedia cloud
Investasi awal	Relatif tinggi	Dapat dimulai tanpa membeli seluruh hardware
Kontrol	Sangat tinggi	Bergantung pada layanan cloud
Skalabilitas	Bergantung kapasitas cluster	Dapat menambah resource sesuai layanan
Pemeliharaan hardware	Menjadi tanggung jawab organisasi	Ditangani penyedia cloud
Cocok untuk	Workload stabil dan kebutuhan kontrol tinggi	Workload yang membutuhkan fleksibilitas dan kapasitas sesuai permintaan

Cloud HPC dapat menjadi pilihan ketika organisasi membutuhkan resource komputasi besar tanpa harus membangun seluruh infrastruktur secara fisik. Namun, biaya cloud tetap perlu dihitung berdasarkan compute, storage, network, durasi penggunaan, dan kebutuhan lainnya.

Apakah HPC Sama dengan Cloud Computing, AI, dan Big Data?

HPC sering muncul bersamaan dengan cloud, AI, dan big data sehingga mudah menimbulkan kesalahpahaman.

Teknologi/Konsep	Fokus Utama
HPC	Menjalankan workload komputasi intensif dengan resource paralel
Cloud Computing	Menyediakan resource dan layanan komputasi melalui model cloud
AI	Mengembangkan sistem yang melakukan tugas berbasis kecerdasan buatan
Big Data	Mengelola dan menganalisis data dalam skala besar
Supercomputer	Sistem komputasi dengan performa sangat tinggi

Kelima konsep tersebut dapat saling berhubungan. Misalnya, sebuah perusahaan dapat menjalankan model AI berskala besar menggunakan GPU pada cluster HPC yang infrastrukturnya disediakan melalui cloud.

Mengapa HPC Semakin Penting?

Kebutuhan terhadap HPC meningkat seiring bertambahnya ukuran dataset, kompleksitas model, dan kebutuhan simulasi. Intel menyebut meningkatnya data serta aplikasi yang intensif data dan didukung AI sebagai salah satu faktor yang mendorong kebutuhan terhadap high performance computing.

Perkembangan sistem supercomputer juga menunjukkan skala komputasi yang terus meningkat. Dalam daftar TOP500 Juni 2026, sejumlah sistem telah mencapai tingkat exascale berdasarkan hasil HPL, termasuk LineShine, El Capitan, Frontier, Aurora, dan JUPITER Booster yang tercantum di jajaran teratas daftar tersebut.

Perkembangan tersebut menunjukkan bahwa HPC bukan hanya digunakan untuk penelitian tradisional, tetapi juga semakin berkaitan dengan AI, simulasi kompleks, analisis data, dan kebutuhan industri.

Kapan Perusahaan Membutuhkan HPC?

Tidak semua perusahaan membutuhkan HPC. Infrastruktur ini biasanya relevan ketika workload memiliki karakteristik seperti:

Membutuhkan daya komputasi sangat besar.
Memproses dataset berukuran besar.
Memiliki algoritma yang dapat diparalelkan.
Membutuhkan hasil simulasi dalam waktu lebih singkat.
Menjalankan machine learning atau AI berskala besar.
Melakukan simulasi engineering atau scientific computing.
Membutuhkan banyak eksperimen komputasi dalam waktu relatif singkat.

Untuk aplikasi website, database sederhana, email, atau sistem bisnis standar, server biasa atau cloud computing konvensional sering kali sudah memadai. HPC menjadi lebih relevan ketika kebutuhan komputasi sudah melampaui kemampuan infrastruktur tersebut.

Tantangan dalam Implementasi HPC

Implementasi HPC membutuhkan perencanaan yang matang. Salah satu tantangan utama adalah menentukan arsitektur yang sesuai dengan workload. Cluster dengan banyak CPU belum tentu optimal untuk aplikasi yang lebih cocok dijalankan menggunakan GPU. Sebaliknya, menggunakan banyak GPU juga tidak selalu efisien jika aplikasi tidak dapat memanfaatkan paralelisme GPU.

Selain hardware, software optimization juga sangat penting. Aplikasi harus mampu memanfaatkan CPU, GPU, memory, network, dan storage secara efektif. Komunikasi antar-node juga menjadi faktor penting. Pada aplikasi yang sering bertukar data antar-node, latency jaringan dapat menjadi bottleneck yang mengurangi keuntungan dari penambahan node.

Karena itu, desain HPC harus mempertimbangkan workload secara menyeluruh, bukan hanya mengejar jumlah core atau angka FLOPS yang besar.

Kesimpulan

High Performance Computing (HPC) adalah pendekatan komputasi yang menggabungkan berbagai sumber daya seperti CPU, GPU, memory, storage, dan jaringan untuk menyelesaikan workload berintensitas komputasi tinggi secara efisien. Salah satu karakteristik utamanya adalah penggunaan komputasi paralel, yaitu membagi pekerjaan menjadi bagian-bagian yang dapat diproses secara bersamaan.

HPC dapat diwujudkan dalam bentuk cluster, supercomputer, infrastruktur cloud, maupun kombinasi on-premises dan cloud. Teknologi ini banyak digunakan untuk penelitian ilmiah, simulasi engineering, pemodelan cuaca dan iklim, genomik, penemuan obat, analisis data, serta AI dan machine learning berskala besar.

Meskipun menawarkan performa tinggi, HPC bukan sekadar menggunakan server dengan spesifikasi besar. Keberhasilannya bergantung pada kombinasi hardware, jaringan, storage, software, algoritma paralel, scheduler, dan optimasi aplikasi. Karena itu, penerapan HPC perlu disesuaikan dengan karakteristik workload dan kebutuhan organisasi.

Bagi Anda yang ingin mempelajari lebih banyak mengenai server, cloud computing, hosting, jaringan, teknologi, dan infrastruktur digital, Blog Hosteko dapat menjadi salah satu referensi untuk memperluas wawasan seputar teknologi. Pemahaman mengenai HPC juga dapat menjadi dasar untuk mengenal lebih jauh topik seperti cloud computing, server, GPU computing, virtualisasi, container, AI infrastructure, dan teknologi data center.