Terjemahan disediakan oleh mesin penerjemah. Jika konten terjemahan yang diberikan bertentangan dengan versi bahasa Inggris aslinya, utamakan versi bahasa Inggris.

# Daftar aturan profiler bawaan Debugger
<a name="debugger-built-in-profiler-rules"></a>

Gunakan aturan profiler bawaan Debugger yang disediakan oleh Amazon SageMaker Debugger dan analisis metrik yang dikumpulkan saat melatih model Anda. Aturan bawaan Debugger memantau berbagai kondisi umum yang sangat penting untuk keberhasilan menjalankan pekerjaan pelatihan yang berkinerja. Anda dapat memanggil aturan profiler bawaan menggunakan [Amazon SageMaker Python](https://sagemaker.readthedocs.io/en/stable) SDK atau operasi API tingkat rendah. SageMaker Tidak ada biaya tambahan untuk menggunakan aturan bawaan. Untuk informasi selengkapnya tentang penagihan, lihat halaman [ SageMaker Harga Amazon](https://aws.amazon.com/sagemaker/pricing/).

**catatan**  
Jumlah maksimum aturan profiler bawaan yang dapat Anda lampirkan ke pekerjaan pelatihan adalah 20. SageMaker Debugger sepenuhnya mengelola aturan bawaan dan menganalisis pekerjaan pelatihan Anda secara serempak.

**penting**  
Untuk menggunakan fitur Debugger baru, Anda perlu memutakhirkan SageMaker Python SDK dan pustaka klien. SMDebug Di kernel IPython, notebook Jupyter, JupyterLab atau lingkungan Anda, jalankan kode berikut untuk menginstal versi terbaru dari pustaka dan restart kernel.  

```
import sys
import IPython
!{sys.executable} -m pip install -U sagemaker smdebug
IPython.Application.instance().kernel.do_shutdown(True)
```

## Aturan profiler
<a name="debugger-built-in-profiler-rules-ProfilerRule"></a>

Aturan berikut adalah aturan bawaan Debugger yang dapat dipanggil menggunakan classmethod. `ProfilerRule.sagemaker`

Aturan bawaan debugger untuk membuat laporan pembuatan profil


| Lingkup Validitas | Aturan bawaan | 
| --- | --- | 
| Laporan Profil untuk setiap pekerjaan SageMaker pelatihan |  [See the AWS documentation website for more details](http://docs.aws.amazon.com/id_id/sagemaker/latest/dg/debugger-built-in-profiler-rules.html)  | 

Aturan bawaan debugger untuk membuat profil pemanfaatan sumber daya sistem perangkat keras (metrik sistem)


| Lingkup Validitas | Aturan bawaan | 
| --- | --- | 
| Aturan pemantauan sistem generik untuk pekerjaan SageMaker pelatihan apa pun |  [See the AWS documentation website for more details](http://docs.aws.amazon.com/id_id/sagemaker/latest/dg/debugger-built-in-profiler-rules.html)  | 

Aturan bawaan debugger untuk membuat profil metrik kerangka kerja


| Lingkup Validitas | Aturan bawaan | 
| --- | --- | 
| Aturan pembuatan profil untuk kerangka pembelajaran mendalam (TensorFlow dan) PyTorch |  [See the AWS documentation website for more details](http://docs.aws.amazon.com/id_id/sagemaker/latest/dg/debugger-built-in-profiler-rules.html)  | 

**Awas**  
Untuk mendukung [Amazon SageMaker Profiler](train-use-sagemaker-profiler.md), SageMaker AI Debugger menghentikan fitur pembuatan profil kerangka kerja mulai dari 2.11 dan 2.0. TensorFlow PyTorch Anda masih dapat menggunakan fitur ini di versi kerangka kerja sebelumnya dan SDKs sebagai berikut.   
SageMaker Python SDK <= v2.130.0
PyTorch >= v1.6.0, < v2.0
TensorFlow >= v2.3.1, < v2.11
Lihat juga [16 Maret 2023](debugger-release-notes.md#debugger-release-notes-20230315).

**Untuk menggunakan aturan bawaan dengan nilai parameter default** - gunakan format konfigurasi berikut:

```
from sagemaker.debugger import Rule, ProfilerRule, rule_configs

rules = [
    ProfilerRule.sagemaker(rule_configs.{{BuiltInRuleName_1}}()),
    ProfilerRule.sagemaker(rule_configs.{{BuiltInRuleName_2}}()),
    ...
    ProfilerRule.sagemaker(rule_configs.{{BuiltInRuleName_n}}())
]
```

**Untuk menggunakan aturan bawaan dengan menyesuaikan nilai parameter** — gunakan format konfigurasi berikut:

```
from sagemaker.debugger import Rule, ProfilerRule, rule_configs

rules = [
    ProfilerRule.sagemaker(
        base_config=rule_configs.{{BuiltInRuleName}}(),
        rule_parameters={
                "{{key}}": "{{value}}"
        }
    )
]
```

Untuk menemukan kunci yang tersedia untuk `rule_parameters` parameter, lihat tabel deskripsi parameter.

Contoh kode konfigurasi aturan disediakan untuk setiap aturan bawaan di bawah tabel deskripsi parameter.
+ Untuk instruksi lengkap dan contoh penggunaan aturan bawaan Debugger, lihat. [Kode contoh aturan bawaan debugger](debugger-built-in-rules-example.md#debugger-deploy-built-in-rules)
+ Untuk instruksi lengkap tentang penggunaan aturan bawaan dengan operasi SageMaker API tingkat rendah, lihat[Konfigurasikan Debugger menggunakan API SageMaker](debugger-createtrainingjob-api.md).

## ProfilerReport
<a name="profiler-report"></a>

 ProfilerReport Aturan tersebut memanggil semua aturan bawaan untuk pemantauan dan pembuatan profil. Ini membuat laporan profil dan pembaruan saat aturan individual dipicu. Anda dapat mengunduh laporan pembuatan profil yang komprehensif saat pekerjaan pelatihan sedang berjalan atau setelah pekerjaan pelatihan selesai. Anda dapat menyesuaikan nilai parameter aturan untuk menyesuaikan sensitivitas aturan pemantauan dan pembuatan profil bawaan. Kode contoh berikut menunjukkan format dasar untuk menyesuaikan parameter aturan bawaan melalui ProfilerReport aturan.

```
rules=[
    ProfilerRule.sagemaker(
        rule_configs.ProfilerReport(
            {{<BuiltInRuleName>}}_{{<parameter_name>}} = {{value}}
        )
    )  
]
```

Jika Anda memicu ProfilerReport aturan ini tanpa parameter yang disesuaikan seperti yang ditunjukkan dalam kode contoh berikut, maka aturan akan memicu semua ProfilerReport aturan bawaan untuk memantau dan membuat profil dengan nilai parameter defaultnya.

```
rules=[ProfilerRule.sagemaker(rule_configs.ProfilerReport())]
```

Kode contoh berikut menunjukkan cara menentukan dan menyesuaikan `cpu_threshold` parameter CPUBottleneck aturan dan `threshold` parameter IOBottleneck aturan.

```
rules=[
    ProfilerRule.sagemaker(
        rule_configs.ProfilerReport(
            {{CPUBottleneck_cpu_threshold}} = {{90}},
            {{IOBottleneck_threshold}} = {{90}}
        )
    )  
]
```

Untuk menjelajahi apa yang ada dalam laporan profiler, lihat Laporan Profiling [SageMaker Debugger](https://docs.aws.amazon.com/sagemaker/latest/dg/debugger-profiling-report.html). Selain itu, karena aturan ini mengaktifkan semua aturan pembuatan profil, Anda juga dapat memeriksa status analisis aturan menggunakan [UI SageMaker Debugger di Eksperimen Studio](https://docs.aws.amazon.com/sagemaker/latest/dg/debugger-on-studio.html). SageMaker 

Deskripsi Parameter untuk Aturan OverallSystemUsage 


| Nama Parameter | Deskripsi | 
| --- | --- | 
| base\_trial | Nama pekerjaan pelatihan uji coba dasar. Parameter ini secara otomatis diatur ke pekerjaan pelatihan saat ini oleh Amazon SageMaker Debugger.<br />**Diperlukan**<br />Nilai valid: String | 
| <BuiltInRuleName>\_<parameter\_name> | Parameter yang dapat disesuaikan untuk menyesuaikan ambang batas aturan pemantauan dan pembuatan profil bawaan lainnya. <br />**Opsional**<br />Nilai default: `None` | 

## BatchSize
<a name="batch-size-rule"></a>

 BatchSize Aturan ini membantu mendeteksi jika GPU kurang dimanfaatkan karena ukuran batch yang kecil. Untuk mendeteksi masalah ini, aturan ini memantau pemanfaatan CPU rata-rata, pemanfaatan GPU, dan pemanfaatan memori GPU. Jika pemanfaatan pada CPU, GPU, dan memori GPU rata-rata rendah, ini mungkin menunjukkan bahwa pekerjaan pelatihan dapat berjalan pada jenis instance yang lebih kecil atau dapat berjalan dengan ukuran batch yang lebih besar. Analisis ini tidak berfungsi untuk kerangka kerja yang mengalokasikan memori secara berlebihan. Namun, meningkatkan ukuran batch dapat menyebabkan kemacetan pemrosesan atau pemuatan data karena lebih banyak waktu pemrosesan data diperlukan di setiap iterasi.

Deskripsi Parameter untuk Aturan BatchSize 


| Nama Parameter | Deskripsi | 
| --- | --- | 
| base\_trial | Nama pekerjaan pelatihan uji coba dasar. Parameter ini secara otomatis diatur ke pekerjaan pelatihan saat ini oleh Amazon SageMaker Debugger.<br />**Diperlukan**<br />Nilai valid: String | 
| cpu\_threshold\_p95 | Mendefinisikan ambang batas untuk kuantil ke-95 pemanfaatan CPU dalam persentase.<br />**Opsional**<br />Nilai yang valid: Integer<br />Nilai default: `70` (dalam persentase) | 
| gpu\_threshold\_p95 | Mendefinisikan ambang batas untuk kuantil 95 pemanfaatan GPU dalam persentase.<br />**Opsional**<br />Nilai yang valid: Integer<br />Nilai default: `70` (dalam persentase) | 
| gpu\_memory\_threshold\_p95 | Mendefinisikan ambang batas untuk kuantil ke-95 pemanfaatan memori GPU dalam persentase.<br />**Opsional**<br />Nilai yang valid: Integer<br />Nilai default: `70` (dalam persentase) | 
| patience | Mendefinisikan jumlah titik data yang harus dilewati sampai aturan memulai evaluasi. Beberapa langkah pertama pekerjaan pelatihan biasanya menunjukkan volume proses data yang tinggi, jadi pertahankan aturan tetap sabar dan cegah agar tidak dipanggil terlalu cepat dengan sejumlah data profil tertentu yang Anda tentukan dengan parameter ini.<br />**Opsional**<br />Nilai yang valid: Integer<br />Nilai default: `100` | 
| window | Ukuran jendela untuk menghitung kuantil.<br />**Opsional**<br />Nilai yang valid: Integer<br />Nilai default: `500` | 
| scan\_interval\_us | Interval waktu file timeline dipindai.<br />**Opsional**<br />Nilai yang valid: Integer<br />Nilai default: `60000000` (dalam mikrodetik) | 

## CPUBottleneck
<a name="cpu-bottleneck"></a>

 CPUBottleneck Aturan ini membantu mendeteksi jika GPU kurang dimanfaatkan karena kemacetan CPU. Rule mengembalikan True jika jumlah bottleneck CPU melebihi ambang batas yang telah ditentukan.

Deskripsi Parameter untuk Aturan CPUBottleneck 


| Nama Parameter | Deskripsi | 
| --- | --- | 
| base\_trial | Nama pekerjaan pelatihan uji coba dasar. Parameter ini secara otomatis diatur ke pekerjaan pelatihan saat ini oleh Amazon SageMaker Debugger.<br />**Diperlukan**<br />Nilai valid: String | 
| threshold | Mendefinisikan ambang batas untuk proporsi waktu yang terhambat dengan total waktu pelatihan. Jika proporsi melebihi persentase yang ditentukan ke parameter ambang batas, aturan akan mengalihkan status aturan ke Benar.<br />**Opsional**<br />Nilai yang valid: Integer<br />Nilai default: `50` (dalam persentase) | 
| gpu\_threshold | Ambang batas yang mendefinisikan pemanfaatan GPU rendah.<br />**Opsional**<br />Nilai yang valid: Integer<br />Nilai default: `10` (dalam persentase) | 
| cpu\_threshold | Ambang batas yang mendefinisikan pemanfaatan CPU yang tinggi.<br />**Opsional**<br />Nilai yang valid: Integer<br />Nilai default: `90` (dalam persentase) | 
| patience | Mendefinisikan jumlah titik data yang harus dilewati sampai aturan memulai evaluasi. Beberapa langkah pertama pekerjaan pelatihan biasanya menunjukkan volume proses data yang tinggi, jadi pertahankan aturan tetap sabar dan cegah agar tidak dipanggil terlalu cepat dengan sejumlah data profil tertentu yang Anda tentukan dengan parameter ini.<br />**Opsional**<br />Nilai yang valid: Integer<br />Nilai default: `100` | 
| scan\_interval\_us | Interval waktu dengan mana file timeline dipindai.<br />**Opsional**<br />Nilai yang valid: Integer<br />Nilai default: `60000000` (dalam mikrodetik) | 

## GPUMemoryMeningkat
<a name="gpu-memory-increase"></a>

Aturan GPUMemory Peningkatan membantu mendeteksi peningkatan besar dalam penggunaan memori pada GPUs.

Deskripsi Parameter untuk Aturan GPUMemory Peningkatan


| Nama Parameter | Deskripsi | 
| --- | --- | 
| base\_trial | Nama pekerjaan pelatihan uji coba dasar. Parameter ini secara otomatis diatur ke pekerjaan pelatihan saat ini oleh Amazon SageMaker Debugger.<br />**Diperlukan**<br />Nilai valid: String | 
| increase | Mendefinisikan ambang batas untuk peningkatan memori absolut.<br />**Opsional**<br />Nilai yang valid: Integer<br />Nilai default: `10` (dalam persentase) | 
| patience | Mendefinisikan jumlah titik data yang harus dilewati sampai aturan memulai evaluasi. Beberapa langkah pertama pekerjaan pelatihan biasanya menunjukkan volume proses data yang tinggi, jadi pertahankan aturan tetap sabar dan cegah agar tidak dipanggil terlalu cepat dengan sejumlah data profil tertentu yang Anda tentukan dengan parameter ini.<br />**Opsional**<br />Nilai yang valid: Integer<br />Nilai default: `100` | 
| window | Ukuran jendela untuk menghitung kuantil.<br />**Opsional**<br />Nilai yang valid: Integer<br />Nilai default: `500` | 
| scan\_interval\_us | Interval waktu file timeline dipindai.<br />**Opsional**<br />Nilai yang valid: Integer<br />Nilai default: `60000000` (dalam mikrodetik) | 

## IOBottleneck
<a name="io-bottleneck"></a>

Aturan ini membantu mendeteksi apakah GPU kurang dimanfaatkan karena kemacetan data IO. Rule mengembalikan True jika jumlah bottleneck IO melebihi ambang batas yang telah ditentukan.

Deskripsi Parameter untuk Aturan IOBottleneck 


| Nama Parameter | Deskripsi | 
| --- | --- | 
| base\_trial | Nama pekerjaan pelatihan uji coba dasar. Parameter ini secara otomatis diatur ke pekerjaan pelatihan saat ini oleh Amazon SageMaker Debugger.<br />**Diperlukan**<br />Nilai valid: String | 
| threshold | Mendefinisikan ambang batas ketika Aturan untuk mengembalikan Benar.**Opsional**<br />Nilai yang valid: Integer<br />Nilai default: `50` (dalam persentase) | 
| gpu\_threshold | Ambang batas yang menentukan kapan GPU dianggap kurang dimanfaatkan.<br />**Opsional**<br />Nilai yang valid: Integer<br />Nilai default: `70` (dalam persentase) | 
| io\_threshold | Ambang batas yang menentukan waktu tunggu IO yang tinggi.**Opsional**<br />Nilai yang valid: Integer<br />Nilai default: `50` (dalam persentase) | 
| patience | Mendefinisikan jumlah titik data yang harus dilewati sampai aturan memulai evaluasi. Beberapa langkah pertama pekerjaan pelatihan biasanya menunjukkan volume proses data yang tinggi, jadi pertahankan aturan tetap sabar dan cegah agar tidak dipanggil terlalu cepat dengan sejumlah data profil tertentu yang Anda tentukan dengan parameter ini.**Opsional**<br />Nilai yang valid: Integer<br />Nilai default: `1000` | 
| scan\_interval\_us | Interval waktu file timeline dipindai.<br />**Opsional**<br />Nilai yang valid: Integer<br />Nilai default: `60000000` (dalam mikrodetik) | 

## LoadBalancing
<a name="load-balancing"></a>

 LoadBalancing Aturan ini membantu mendeteksi masalah dalam penyeimbangan beban kerja di antara beberapa masalah. GPUs

Deskripsi Parameter untuk Aturan LoadBalancing 


| Nama Parameter | Deskripsi | 
| --- | --- | 
| base\_trial | Nama pekerjaan pelatihan uji coba dasar. Parameter ini secara otomatis diatur ke pekerjaan pelatihan saat ini oleh Amazon SageMaker Debugger.<br />**Diperlukan**<br />Nilai valid: String | 
| threshold | Mendefinisikan persentase beban kerja.<br />**Opsional**<br />Nilai yang valid: Integer<br />Nilai default: `0.5` (proporsi tanpa unit) | 
| patience | Mendefinisikan jumlah titik data yang harus dilewati sampai aturan memulai evaluasi. Beberapa langkah pertama pekerjaan pelatihan biasanya menunjukkan volume proses data yang tinggi, jadi pertahankan aturan tetap sabar dan cegah agar tidak dipanggil terlalu cepat dengan sejumlah data profil tertentu yang Anda tentukan dengan parameter ini.<br />**Opsional**<br />Nilai yang valid: Integer<br />Nilai default: `10` | 
| scan\_interval\_us | Interval waktu file timeline dipindai.<br />**Opsional**<br />Nilai yang valid: Integer<br />Nilai default: `60000000` (dalam mikrodetik) | 

## Rendah GPUUtilization
<a name="low-gpu-utilization"></a>

GPUUtilization Aturan Rendah membantu mendeteksi apakah pemanfaatan GPU rendah atau mengalami fluktuasi. Ini diperiksa untuk setiap GPU pada setiap pekerja. Aturan mengembalikan True jika kuantil ke-95 di bawah threshold\_p95 yang menunjukkan kurang dimanfaatkan. Aturan mengembalikan true jika kuantil ke-95 di atas threshold\_p95 dan kuantil ke-5 di bawah threshold\_p5 yang menunjukkan fluktuasi.

Deskripsi Parameter untuk Aturan Rendah GPUUtilization 


| Nama Parameter | Deskripsi | 
| --- | --- | 
| base\_trial | Nama pekerjaan pelatihan uji coba dasar. Parameter ini secara otomatis diatur ke pekerjaan pelatihan saat ini oleh Amazon SageMaker Debugger.<br />**Diperlukan**<br />Nilai valid: String | 
| threshold\_p95 | Ambang batas untuk kuantil ke-95 di bawah mana GPU dianggap kurang dimanfaatkan.<br />**Opsional**<br />Nilai yang valid: Integer<br />Nilai default: `70` (dalam persentase) | 
| threshold\_p5 | Ambang batas untuk kuantil ke-5. Default adalah 10 persen.**Opsional**<br />Nilai yang valid: Integer<br />Nilai default: `10` (dalam persentase) | 
| patience | Mendefinisikan jumlah titik data yang harus dilewati sampai aturan memulai evaluasi. Beberapa langkah pertama pekerjaan pelatihan biasanya menunjukkan volume proses data yang tinggi, jadi pertahankan aturan tetap sabar dan cegah agar tidak dipanggil terlalu cepat dengan sejumlah data profil tertentu yang Anda tentukan dengan parameter ini.<br />**Opsional**<br />Nilai yang valid: Integer<br />Nilai default: `1000` | 
| window | Ukuran jendela untuk menghitung kuantil.<br />**Opsional**<br />Nilai yang valid: Integer<br />Nilai default: `500` | 
| scan\_interval\_us | Interval waktu file timeline dipindai.<br />**Opsional**<br />Nilai yang valid: Integer<br />Nilai default: `60000000` (dalam mikrodetik) | 

## OverallSystemUsage
<a name="overall-system-usage"></a>

 OverallSystemUsage Aturan ini mengukur penggunaan sistem secara keseluruhan per node pekerja. Aturan saat ini hanya mengumpulkan nilai per node dan menghitung persentilnya.

Deskripsi Parameter untuk Aturan OverallSystemUsage 


| Nama Parameter | Deskripsi | 
| --- | --- | 
| base\_trial | Nama pekerjaan pelatihan uji coba dasar. Parameter ini secara otomatis diatur ke pekerjaan pelatihan saat ini oleh Amazon SageMaker Debugger.<br />**Diperlukan**<br />Nilai valid: String | 
| scan\_interval\_us | Interval waktu untuk memindai file timeline.<br />**Opsional**<br />Nilai yang valid: Integer<br />Nilai default: `60000000` (dalam mikrodetik) | 

## MaxInitializationTime
<a name="max-initialization-time"></a>

 MaxInitializationTime Aturan membantu mendeteksi jika inisialisasi pelatihan memakan terlalu banyak waktu. Aturan menunggu sampai langkah pertama tersedia.

Deskripsi Parameter untuk Aturan MaxInitializationTime 


| Nama Parameter | Deskripsi | 
| --- | --- | 
| base\_trial | Nama pekerjaan pelatihan uji coba dasar. Parameter ini secara otomatis diatur ke pekerjaan pelatihan saat ini oleh Amazon SageMaker Debugger.<br />**Diperlukan**<br />Nilai valid: String | 
| threshold | Mendefinisikan ambang batas dalam hitungan menit untuk menunggu langkah pertama tersedia.<br />**Opsional**<br />Nilai yang valid: Integer<br />Nilai default: `20` (dalam hitungan menit) | 
| scan\_interval\_us | Interval waktu dengan mana file timeline dipindai.<br />**Opsional**<br />Nilai yang valid: Integer<br />Nilai default: `60000000` (dalam mikrodetik) | 

## OverallFrameworkMetrics
<a name="overall-framework-metrics"></a>

 OverallFrameworkMetrics Aturan ini merangkum waktu yang dihabiskan untuk metrik kerangka kerja, seperti pass maju dan mundur, dan pemuatan data.

Deskripsi Parameter untuk Aturan OverallFrameworkMetrics 


| Nama Parameter | Deskripsi | 
| --- | --- | 
| base\_trial | Nama pekerjaan pelatihan uji coba dasar. Parameter ini secara otomatis diatur ke pekerjaan pelatihan saat ini oleh Amazon SageMaker Debugger.<br />**Diperlukan**<br />Nilai valid: String | 
| scan\_interval\_us | Interval waktu untuk memindai file timeline.<br />**Opsional**<br />Nilai yang valid: Integer<br />Nilai default: `60000000` (dalam mikrodetik) | 

## StepOutlier
<a name="step-outlier"></a>

 StepOutlier Aturan ini membantu mendeteksi outlier dalam durasi langkah. Aturan ini kembali `True` jika ada outlier dengan durasi langkah lebih besar dari `stddev` sigma dari seluruh durasi langkah dalam rentang waktu.

Deskripsi Parameter untuk Aturan StepOutlier 


| Nama Parameter | Deskripsi | 
| --- | --- | 
| base\_trial | Nama pekerjaan pelatihan uji coba dasar. Parameter ini secara otomatis diatur ke pekerjaan pelatihan saat ini oleh Amazon SageMaker Debugger.<br />**Diperlukan**<br />Nilai valid: String | 
| stddev | Mendefinisikan faktor yang digunakan untuk mengalikan standar deviasi. Misalnya, aturan dipanggil secara default ketika durasi langkah lebih besar atau lebih kecil dari 5 kali standar deviasi. <br />**Opsional**<br />Nilai yang valid: Integer<br />Nilai default: `5` (dalam hitungan menit) | 
| mode | Mode di mana langkah-langkah telah disimpan dan Aturan mana yang harus dijalankan. Per aturan default akan berjalan pada langkah-langkah dari fase EVAL dan TRAIN**Opsional**<br />Nilai yang valid: Integer<br />Nilai default: `5` (dalam hitungan menit) | 
| n\_outliers | Berapa banyak outlier yang harus diabaikan sebelum aturan mengembalikan True**Opsional**<br />Nilai yang valid: Integer<br />Nilai default: `10` | 
| scan\_interval\_us | Interval waktu dengan mana file timeline dipindai.<br />**Opsional**<br />Nilai yang valid: Integer<br />Nilai default: `60000000` (dalam mikrodetik) |