PERBANDINGAN KINERJA PEMROSESAN PARALEL PADA PC DAN RASPBERRY PI UNTUK PENDETEKSIAN GULMA PADA LAHAN PERTANIAN MENGGUNAKAN FRAKTAL
MOHAMAD IQBAL SURIANSYAH
SEKOLAH PASCASARJANA INSTITUT PERTANIAN BOGOR BOGOR 2015
PERNYATAAN MENGENAI TESIS DAN SUMBER INFORMASI SERTA PELIMPAHAN HAK CIPTA Dengan ini saya menyatakan bahwa tesis berjudul Perbandingan Kinerja Pemrosesan Paralel Pada PC dan Raspberry Pi Untuk Pendeteksian Gulma Pada Lahan Pertanian Menggunakan Fraktal adalah benar karya saya dengan arahan dari komisi pembimbing dan belum diajukan dalam bentuk apapun kepada perguruan tinggi mana pun. Sumber informasi yang berasal atau dikutip dari karya yang diterbitkan maupun tidak diterbitkan dari penulis lain telah disebutkan dalam teks dan dicantumkan dalam Daftar Pustaka di bagian akhir tesis ini. Dengan ini saya melimpahkan hak cipta dari karya tulis saya kepada Institut Pertanian Bogor. Bogor, April 2015 Mohamad Iqbal Suriansyah NIM G651120171
RINGKASAN MOHAMAD IQBAL SURIANSYAH. Perbandingan Kinerja Pemrosesan Paralel Pada PC dan Raspberry Pi Untuk Pendeteksian Gulma Pada Lahan Pertanian. Dibimbing oleh HERU SUKOCO dan MOHAMAD SOLAHUDIN. Gulma merupakan tumbuhan pengganggu dan sebagai salah satu faktor biotik pesaing tanaman dalam pemanfaatan unsur hara, air, lahan dan cahaya matahari. Pada tahun 1995, gulma menyebabkan kehilangan hasil produksi padi di Asia sekitar 50 juta ton, dengan nilai kerugian lebih dari US$10 Miliar. Pada kasus lain angka persaingan gulma di Cina menyebabkan kehilangan produksi padi sebesar 10 juta ton setiap tahun. Sistem pengendalian gulma konvensional biasanya dilakukan dengan cara menyemprotkan herbisida secara seragam di seluruh lahan, hal tersebut dapat mengakibatkan penggunaan herbisida yang berlebihan yang akan menghasilkan limbah berupa residu kimia pada produk pertanian, emisi udara dan tanah. Penggunaan herbisida dapat dikurangi dengan melakukan penyemprotan pada bidang yang tepat, oleh sebab itu pertanian presisi sangat dibutuhkan untuk mengetahui tingkat vegetasi gulma dalam rangka pengendalian. Pertanian presisi merupakan aplikasi teknologi informasi pada sistem pengelolaan pertanian yang memungkinkan perlakuan teliti (precise treatment) rantai agribisnis dari hulu (on farm) sampai ke hilir (off farm). Identifikasi gulma secara langsung di lapangan sangat penting dilakukan untuk menentukan proses pengendalian yang efektif karena proses pengendalian gulma yang kurang tepat akan menyebabkan penggunaan herbisida yang berlebihan, inefisiensi biaya, waktu dan energy. Fokus utama penelitian ini adalah melakukan perbandingan kinerja komputasi paralel PC dan Raspberry Pi dalam mengimplementasikan algoritme filterisasi citra gulma dan algoritme dimensi fraktal untuk identifikasi jenis gulma. Ruang lingkup yang dilakukan pada penelitian ini adalah pengembangan metode pemograman sekuensial dan paralel menggunakan Raspberry pi dan PC untuk proses filterisasi pengolahan citra dan identifikasi jenis gulma menggunakan fraktal pada kegiatan pengendalian gulma masa pre emerge (pratanam). Metode penelitian yang dilakukan terdiri dari tiga bagian utama yaitu akuisisi citra, identifikasi jenis gulma dengan fraktal, dan proses paralelisasi identifikasi jenis gulma. Citra gulma diakusisi dengan menggunakan kamera digital untuk menangkap citra kondisi lahan pada panjang citra 102 cm dan lebar 136 cm dengan ukuran data maksimum 0,3 MB, diasumsikan ukuran tersebut sudah cukup teliti untuk melakukan proses filterisasi citra. Pengujian dilakukan terutama pada lahan yang belum dilakukan peyemprotan herbisida sebelum masa penanaman bibit (Pre Emerge), data citra adalah lahan pertanian yang belum ditanami tanaman pokok. Citra yang telah diambil kemudian dianalisis dengan OpenCV menggunakan parameter HSV (rataan RGB) untuk mengetahui komponen warna penyusunnya. Selanjutnya ditentukan parameter filterisasi yang diambil dari nilai v pada HSV untuk memisahkan latarbelakang citra dengan tanaman pokok secara biner (hitam-putih). Citra V yang telah dianalisis nilai binernya kemudian di pisahkan berdasarkan nilai 0 untuk hitam dan 255 untuk putih, data array piksel
yang menyimpan nilai biner dicatat kedalam matrik baris kemudian diolah menggunakan fraktal. Analisis dimensi fraktal dilakukan setelah proses filterisasi dengan cara melakukan fragmentasi terhadap citra yang telah difilterisasi kedalam bentuk persegi panjang berukuran s berupa data biner matrik, selanjutnya dihitung jumlah bujursangkar N(s) yang berisi warna putih dengan berbagai nilai (s). Pada penelitian ini dilakukan fragmentasi dengan nilai (s) = 10 sampai dengan nilai s = 100 dengan interval 10 piksel. Langkah berikutnya adalah memplot nilai log N(s) terhadap nilai log (1/s) untuk menentukan bentuk persamaan regresi linier π¦ = ππ₯ + π, dimana a adalah nilai fraktal. Penelitian ini menghasilkan waktu komputasi fraktal terbaik pada saat mengolah gambar dengan ukuran dimensi 128 x 128 piksel adalah sekitar 7 milidetik. Selain itu, rasio kecepatan rata-rata antara PC dan Raspberry Pi adalah 0,04 kali lebih cepat. Hasil analisis rasio komputasi paralel menggunakan CPU 2 Core mencapai 1,6, kemudian pada CPU 4 Core mencapai 3,2. Hasil ini menunjukan bahwa penambahan jumlah Core mempengaruhi waktu eksekusi paralel dimana speedup komputasi paralel meningkat seiring dengan penambahan jumlah Core. Analisis efisiensi menunjukkan bahwa penambahan dimensi citra menyebabkan nilai efisiensi menjadi konstan pada angka 0.81 untuk 2 Core dan 0.2 untuk 4 Core. Kenaikan nilai efisiensi dipengaruhi oleh peningkatan ukuran dimensi citra dan jumlah Core. Filterisasi dan paralel fraktal yang dilakukan pada Raspberry Pi jauh lebih murah dibandingkan dengan PC dilihat dari sisi biaya. Kata kunci: Fraktal, Komputasi Paralel, Raspberry Pi, Pertanian Presisi
SUMMARY MOHAMAD IQBAL SURIANSYAH. Comparative Performance Parallel Processing on the PC and the Raspberry Pi To Weed Detection On Agricultural Land using Fractals. Supervised by HERU SUKOCO and MOHAMAD SOLAHUDIN. Weeds are plant pests and as one of the competitors biotic factors in the utilization of plant nutrients, water, soil, and sunlight. In 1995, the weeds caused loss of rice production in Asia about 50 million tons, with total losses of more than US $ 10 billion. In other cases, the number of weed competition in China led a loss of rice production by 10 million tons per year. Conventional weed control system is usually done by spraying herbicides uniformly across the land. It can lead to excessive use of herbicides that will generate waste in the form of chemical residues in agricultural products, air emissions, and soil. Spraying the appropriate fields may reduce the use of herbicides. Therefore, precision farming is needed to determine the level of vegetation in order to control weeds. Precision farming is the application of information technology in agricultural management systems that allow rigorous treatment (precise treatment) agribusiness chain from upstream to downstream. Weed identification directly on the ground is critical to determine the effective control because the lack of proper weed control will cause excessive use of herbicides, inefficiencies cost, time, and energy. The primary focus of this study is to compare parallel computing performance between Raspberry Pi and Personal Computer (PC) in filtering algorithm and the fractal dimension algorithm for the identification of weed species. The scope of this research was done on the development of sequential and parallel programming methods using Raspberry Pi and PC for filtering process and the identification of weed species using fractal on weed control from preemerge. The research method consists of three main parts: data acquisition, identification of weed species with fractals, and parallelization process identification weed species. Weeds were acquired by using a digital camera to capture the condition of the land on the 102 cm and 136 cm with a maximum size of 0.3 MB of data. It is assumed that the size is enough precision to perform filtering process. Tests carried out mainly on land that has not been done spraying herbicide before planting period (Pre-Emerge), data is agricultural land fallow staple crops. The image was taken and analyzed by using the OpenCV HSV parameters (average RGB) to determine the color of its constituent components. Further, specified filter parameters are taken from the value of v at HSV to separate the background of the principal crops in binary (black and white). V value that has been analyzed its binary value then separated by a value of 0 for black and 255 for white. The pixel array that stores a binary value is recorded in the matrix of rows and then processed using fractals. Fractal dimension analysis performed fragmenting the image into a rectangular shape measuring (s) form of the binary data matrix. Then it calculated the number of squares N (s) that contains the color white (results filtration plant) with various values of s. In this research, the fragmentation of the value (s) = 10 to
the value of s = 100 with intervals of 10 pixels. The next step is to plot the value of log N (s) to the value of log (1 / s) to determine the form of the linear regression equation y = ax + b, where an in the equation is the value of the fractal. This research resulted in the best fractal computation time when processing dimensions of 128 x 128 pixels is about 7 milliseconds. In addition, the ratio of the average speed between the PC and the Raspberry Pi is 0.04 times faster. The results of the analysis of parallel computing using 2 CPU cores reach a ratio of 1.6, then use 4 CPU cores increases to reach a ratio of 3.2. These results indicate that the addition of Core affects the parallel execution time speedup of parallel computing that increases with increasing number of cores. The efficiency analysis showed the addition of dimensions that cause the value to be constant in the range between 0.81 for 2 Core and 0.2 for 4 Cores. The increase of efficiency value is influenced by the increase in the size of the image dimensions and number of cores. Filtration and fractal parallel done on Raspberry Pi is much cheaper than the PC in terms of cost. Keywords: Fractal, Parallel Computing, Raspberry Pi, Precision Farming
Β© Hak Cipta Milik IPB, Tahun 2015 Hak Cipta Dilindungi Undang-Undang Dilarang mengutip sebagian atau seluruh karya tulis ini tanpa mencantumkan atau menyebutkan sumbernya. Pengutipan hanya untuk kepentingan pendidikan, penelitian, penulisan karya ilmiah, penyusunan laporan, penulisan kritik, atau tinjauan suatu masalah; dan pengutipan tersebut tidak merugikan kepentingan IPB Dilarang mengumumkan dan memperbanyak sebagian atau seluruh karya tulis ini dalam bentuk apa pun tanpa izin IPB
PERBANDINGAN KINERJA PEMROSESAN PARALEL PADA PC DAN RASPBERRY PI UNTUK PENDETEKSIAN GULMA PADA LAHAN PERTANIAN MENGGUNAKAN FRAKTAL
MOHAMAD IQBAL SURIANSYAH
Tesis Sebagai salah satu syarat untuk memperoleh gelar Magister Komputer pada Program Studi Ilmu Komputer
SEKOLAH PASCASARJANA INSTITUT PERTANIAN BOGOR BOGOR 2015
Penguji Luar Komisi pada Ujian Tesis :
Dr Ir Sri Wahjuni, MT
Judul Tesis : Perbandingan Kinerja Pemrosesan Paralel Pada PC dan Raspberry Pi Untuk Pendeteksian Gulma Pada Lahan Pertanian Menggunakan Fraktal Nama : Mohamad Iqbal Suriansyah NIM : G651120171 Disetujui oleh Komisi Pembimbing
DrEng Heru Sukoco, SSi MT Ketua
Dr Ir Mohamad Solahudin, M.Si Anggota
Diketahui oleh
Ketua Program Studi Ilmu Komputer
Dekan Sekolah Pascasarjana
DrEng Wisnu Ananta Kusuma, ST MT
Dr Ir Dahrul Syah, MScAgr
Tanggal Ujian: 29 Januari 2015
Tanggal Lulus:
PRAKATA Puji dan syukur penulis panjatkan kepada Allah subhanahu wa taβala atas segala karunia-Nya sehingga karya ilmiah ini berhasil diselesaikan. Tema yang dipilih dalam penelitian yang dilaksanakan sejak bulan Maret 2014 ini adalah fraktal, dengan judul Perbandingan Kinerja Pemrosesan Paralel Pada PC dan Raspberry Pi Untuk Pendeteksian Gulma Pada Lahan Pertanian Menggunakan Fraktal. Terima kasih penulis ucapkan kepada Bapak DrEng Heru Sukoco, S.Si MT dan Bapak Dr Ir Mohamad Solahudin, M.Si selaku pembimbing, serta Bapak Prof Dr Kudang Boroseminar yang telah banyak memberi nasehat dan saran. Di samping itu, penghargaan penulis sampaikan kepada Sdr. Andi Chairunnas, S.Kom, M.Pd, Sdr. Ramdan Satra, M.Kom, Sdr. Supriyanto, M.Kom, dan rekanrekan NCC MKom 14 yang telah membantu selama pengumpulan data dan teman diskusi penulis dalam menyelesaikan tesis ini. Ungkapan terima kasih juga disampaikan kepada istri tercinta Leli Solihat, S.Si, ayah, ibu, serta seluruh keluarga atas segala doa dan curahan kasih sayangnya. Di samping itu, penghargaan penulis sampaikan kepada Direktorat Jenderal Pendidikan Tinggi (DIKTI) melalui BPPS Tahun 2012 atas pemberian fasilitas baik pembiayaan maupun sarana prasarana selama penyusunan studi dan karya ilmiah ini. Ungkapan terima kasih juga disampaikan kepada pengelola pascasarjana, seluruh dosen dan staf akademik Fakultas Matematika dan Ilmu Pengetahuan Alam (MIPA) khususnya Departemen Ilmu Komputer Institut Pertanian Bogor. Semoga karya ilmiah ini bermanfaat.
Bogor, April 2015 Mohamad Iqbal Suriansyah
DAFTAR ISI DAFTAR TABEL
xi
DAFTAR GAMBAR
xi
DAFTAR LAMPIRAN
xii
1 PENDAHULUAN
1
Latar Belakang Tujuan Penelitian Manfaat Penelitian Ruang Lingkup Penelitian 2 TINJAUAN PUSTAKA
1 2 2 2 2
Pertanian Presisi Gulma Pemrosesan Paralel Pemograman Paralel Analisa Dimensi Fraktal Raspberry Pi 3 METODE PENELITIAN
2 3 3 4 5 5 6
Tempat dan Waktu Penelitian Komponen Instrumentasi Penelitian Tahapan Pelaksanaan Penelitian Akuisisi Citra Praproses Filresisasi Citra Analisa Dimensi Fraktal Analisis dan Evaluasi Analisis Komputasi Paralel 4 HASIL DAN PEMBAHASAN
6 6 7 7 7 9 11 11 11
Praproses Filterisasi Citra Analisis Dimensi Fraktal Analisis Komputasi Paralel Perbandingan Secara Umum SIMPULAN
11 12 13 15 15
SARAN
16
DAFTAR PUSTAKA LAMPIRAN RIWAYAT HIDUP
16 18 21
DAFTAR TABEL 1 2 3 4 5 6 7 8
Spesifikasi teknis Raspberry Pi tipe B (raspberrypi.org) Perangkat keras penelitian Dimensi citra Ujicoba filterisasi citra pada Raspberry Pi Ujicoba filterisasi citra pada PC Waktu rata-rata praproses filterisasi citra pada Raspberry Pi dan PC Komputasi fraktal pada Raspberry Pi dan PC Komputasi fraktal pada CPU 2 dan 4 Core
6 6 7 11 12 12 13 13
DAFTAR GAMBAR 1 2 3 4 5 6 7 8 9
Tahapan Foster's Methodology Struktur Raspberry Pi tipe B (raspberrypi.org) Tahapan penelitian Proses filterisasi citra gulma menjadi data biner Proses analisis dimensi fraktal Komputasi praproses filterisasi citra pada Raspberry Pi dan PC Waktu komputasi fraktal pada Raspberry Pi dan PC Speed up komputasi paralel Efisiensi penggunaan prosesor terhadap dimensi citra
4 5 7 8 10 12 13 14 15
DAFTAR LAMPIRAN 1 2 3 4
Hasil pengujian praproses filterisasi Hasil pengujian fraktal sekuensial Hasil pengujian fraktal paralel 2 Core Hasil pengujian fraktal paralel 4 Core
19 19 20 20
1
1 PENDAHULUAN Latar Belakang Gulma merupakan tumbuhan pengganggu dan sebagai salah satu faktor biotik pesaing tanaman dalam pemanfaatan unsur hara, air, lahan dan cahaya matahari (Pane 2009). Pada tahun 1995, gulma menyebabkan kehilangan hasil produksi padi di Asia sekitar 50 juta ton, dengan nilai kerugian lebih dari US$10 Miliar (World Bank 1996). Pada kasus lain angka persaingan gulma di Cina menyebabkan kehilangan produksi padi sebesar 10 juta ton setiap tahun (Labrada 2003). Penurunan hasil produksi tanaman yang diakibatkan oleh gulma di Indonesia diperkirakan mencapai 10-20% (Dwiguntoro 2008). Identifikasi gulma di lapangan sangat penting dilakukan untuk menentukan proses pengendalian secara efektif. Proses identifikasi pengendalian gulma yang kurang tepat akan menyebabkan penggunaan herbisida tidak tepat, inefisiensi biaya, waktu dan energi (Solahudin et al. 2010). Sistem pengendalian gulma konvensional biasanya dilakukan dengan menyemprotkan herbisida secara seragam di seluruh lahan (Kargar 2013). Hal tersebut dapat mengakibatkan penggunaan herbisida yang berlebihan, menghasilkan limbah, residu kimia dalam makanan, emisi udara dan tanah (Hong 2012). Ketergantungan terhadap bahan kimia juga berpotensi merugikan kesehatan manusia (Pimentel 1991) dan lingkungan (Leach 2008). Penggunaan herbisida dapat dikurangi dengan penyemprotan pada bidang yang tepat, jika tingkat kepadatan dan jenis gulma teridentifikasi dengan benar (Solahudin et al. 2010), oleh sebab itu pertanian presisi sangat dibutuhkan untuk mengetahui tingkat vegetasi gulma dalam rangka pengendalian sesuai dengan kondisi dan keperluan tanaman berdasarkan karakteristik spesifik lahan (McBratney 1997). Pertanian presisi merupakan aplikasi teknologi informasi pada sistem pengelolaan pertanian yang memungkinkan perlakuan teliti (precise treatment) rantai agribisnis dari hulu (on farm) sampai ke hilir (off farm) (Seminar 2011) yang bertujuan untuk meningkatan efisiensi pengelolaan pertanian (Blackmore 1994), menjaga kualitas lingkungan (Kuhar 1997) dan meningkatan produktivitas pertanian (Shibusawa 2001). Pada pertanian presisi computer vision merupakan salah satu aplikasi yang dapat digunakan untuk meningkatkan efisiensi pengelolaan pertanian terutama pada proses identifikasi dan klasifikasi tanaman (Steward 1998). Kompleksitas pada tanaman gulma sangat tinggi dikarenakan ketidakteraturan pertumbuhannya, salah satu cara yang menarik untuk memperkirakan kompleksitas gulma adalah menggunakan fraktal oleh Arnaud E (1992), Polvere et al. (2000), dan Florindo (2011). Analisis kepadatan gulma dapat dilakukan menggunakan komputasi paralel berupa komputer dengan beberapa processor (Solahudin et al. 2010). Pada penelitian sebelumnya telah dilakukan pemrosesan citra dan analisis kepadatan gulma dengan fraktal berbasis komputasi paralel pipeline yaitu masih menggunakan satu PC (Personal Computer) (Solahudin 2013). Dalam komputasi paralel berbasis desktop, pemrosesan citra gulma langsung di lapangan masih sulit untuk dilakukan karena membutuhkan tempat luas dan penggunaan daya listrik yang besar. Perkembangan komputer Raspberry Pi telah membuka peluang besar pada sistem komputasi
2 untuk diterapkan pada sejumlah area penelitian (Ali et al. 2013) dan dapat dilakukan langsung di lapangan karena ukuran yang kecil dan konsumsi listrik yang rendah. Dengan melihat penelitian yang telah dilakukan sebelumnya maka dalam penelitian ini ditawarkan penggunaan komputansi paralel Raspberry Pi untuk mendeteksi citra gulma pada lahan pertanian dengan mudah, karena berukuran kecil dan memiliki konsumsi listrik yang rendah serta secara fungsional dapat menggantikan proses komputasi PC (Personal Computer). Diharapkan proses identifikasi tanaman gulma dapat dilakukan lebih cepat untuk mempercepat waktu komputasi. Tujuan Penelitian Penelitian ini bertujuan untuk melakukan perbandingan kinerja komputasi paralel PC dan Raspberry Pi dalam mengimplementasikan algoritme filterisasi citra gulma dan algoritme dimensi fraktal untuk identifikasi jenis gulma. Manfaat Penelitian Memberikan informasi identifikasi jenis gulma dari hasil komputasi filterisasi dan fraktal secara sekuensial maupun paralel berbasiskan raspberry pi dan PC. Ruang Lingkup Penelitian Pengembangan metode pemograman sekuensial dan paralel menggunakan Raspberry pi dan PC untuk proses filterisasi pengolahan citra dan identifikasi jenis gulma menggunakan fraktal pada kegiatan pengendalian gulma masa pre emerge (pratanam).
2 TINJAUAN PUSTAKA Pertanian Presisi Pertanian presisi adalah pengelolaan setiap masukan dalam proses produksi tanaman seperti pupuk, kapur, herbisida, insektisida, bibit, dan lain-lain pada suatu tempat tertentu untuk mengurangi pemborosan, meningkatkan keuntungan, dan menjaga kualitas lingkungan (Kuhar 1997). Pelaksanaan pertanian presisi merupakan suatu siklus yang berkesinambungan dari tahap perencanaan (planning season), tahap pertumbuhan (growing season), dan tahap pemanenan (harvesting season) (Solahudin 2013). Teknologi pertanian presisi yang sudah tersedia diantaranya untuk pengujian tanah (soil testing), pengolahan tanah (tillage), penanaman (planting), pemupukan (fertilizing), pemberantasan gulma (spraying), pemanduan tanaman (crop scouting), dan pemanenan (harvesting).
3 Gulma Gulma adalah tumbuhan penganggu (bukan tumbuhan yang sengaja dibudidayakan) yang tumbuh pada lahan tanaman budidaya atau tumbuhan yang tumbuh disekitar tanaman pokok (tanaman yang sengaja ditanam) atau semua tumbuhan yang tumbuh pada tempat (area) yang tidak diinginkan oleh si penanam sehingga kehadirannya dapat merugikan tanaman lain yang ada di dekat atau disekitar tanaman pokok tersebut (Martin, 2006). Gulma merupakan tumbuhan yang mempunyai sifat dan ciri khas tertentu, yang umumnya berbeda dengan tanaman pokok atau tanaman budidaya. Sifat-sifat dari gulma tersebut antara lain : gulma mudah tumbuh pada setiap tempat atau daerah yang berbeda-beda, mulai dari tempat yang miskin nutrisi tanah sampai tempat yang kaya nutrisi. Gulma juga dapat bertahan hidup dan tumbuh pada daerah kering sampai daerah yang lembab (Solahudin 2013) Pemrosesan Paralel Pemrosesan paralel dapat dikatakan sebagai penggunaan mesin komputer paralel untuk memecahkan satu unit problem komputasi dengan tujuan untuk mempersingkat waktu pengolahan. Proses paralelisasi dilakukan dengan cara membagi data ke beberapa memori terdistribusi dimana bagian-bagian citra akan difilterisasi secara paralel. Tiap-tiap prosesor melakukan komputasi sesuai dengan tugas yang telah ditentukan (Purbasari 2002). Berdasarkan jumlah aliran instruksi dan aliran datanya, komputer digital dikelompokan menjadi empat golongan besar (Quinn 2003) yang dapat dikategorikan sebagai berikut : 1. Komputer SISD (Single Instruction stream-Single Data stream) Pada komputer jenis ini semua instruksi dikerjakan secara berurutan satu demi satu, tetapi juga dimungkinkan adanya overlapping dalam eksekusi setiap bagian instruksi (pipelining). Pada umumnya komputer SISD berupa komputer yang terdiri atas satu buah pemroses (single processor). Namun komputer SISD juga memungkinkan memiliki lebih dari satu unit fungsional (modul memori, unit pemroses, dan lain-lain), selama seluruh unit fungsional tersebut berada dalam kendali sebuah unit pengendali. 2. Komputer SIMD (Single Instruction stream-Multiple Data stream) Pada komputer SIMD terdapat lebih dari satu elemen pemrosesan yang dikendalikan oleh sebuah unit pengendali yang sama. Seluruh elemen pemrosesan menerima dan menjalankan instruksi yang sama yang dikirimkan unit pengendali, namun melakukan operasi terhadap himpunan data yang berbeda yang berasal dari aliran data yang berbeda pula. 3. Komputer MISD (Multiple Instruction stream-Single Data stream) Komputer jenis ini memiliki sejumlah unit pemroses yang masing-masing menerima dan mengoperasikan instruksi yang berbeda terhadap aliran data yang sama, karena setiap unit pemroses memiliki unit pengendali yang berbeda. Keluaran dari satu pemroses menjadi masukan bagi pemroses berikutnya. Belum ada perwujudan nyata dari komputer jenis ini kecuali dalam bentuk prototipe untuk penelitian.
4 4. Komputer MIMD (Multiple Instruction stream-Multiple Data stream) Pada sistem komputer MIMD murni terdapat interaksi di antara beberapa pemroses. Hal ini disebabkan seluruh aliran dari dan ke memori berasal dari space data yang sama bagi semua pemroses. Komputer MIMD bersifat tightly coupled jika tingkat interaksi antara pemroses tinggi, dan disebut loosely coupled jika tingkat interaksi antara pemroses rendah. Pemograman Paralel Pemrograman paralel adalah teknik pemrograman yang memungkinkan seorang programmer dapat membagi tugas yang sama atau berbeda kepada komputer-komputer yang terlibat guna menyelesaikan sesuai tugas yang diberikan secara bersamaan (Quinn 2003) Pada umumnya metode yang digunakan untuk pemrograman paralel adalah Foster's Methodology. Ada empat tahapan dalam Foster's Methodology yaitu Partitioning, Communication, Agglomeration dan Mapping (Quinn 2003). Ilustrasi tahapan Foster's Methodology dapat dilihat pada Gambar 1.
Gambar 1 Tahapan Foster's Methodology (Quinn 2003) Penjelasan empat tahapan Foster's Methodology pada Gambar 1 adalah sebagai berikut : 1. Partitioning Partitioning merupakan proses membagi komputasi dan data menjadi potongan-potongan (pieces) atau tugas-tugas (task-task). 2. Communication Bentuk komunikasi pada paralel adalah melakukan komunikasi antara tugastugas (task-task) untuk melakukan komputasi pengolahan data.
5 3. Agglomeration Agglomeration merupakan proses mengabungkan task-task. Penggabungan task dibutuhkan untuk mengatur pemberian beban kerja untuk prosesor. 4. Mapping Mapping merupakan tahap penggabungan task-task yang telah diproses oleh prosesor yang mana. Tujuan dari mapping adalah memaksimalkan penggunaan prosesor dan meminimalkan komunikasi antar prosesor. Analisa Dimensi Fraktal Dimensi benda dalam kehidupan sehari-hari umumnya merupakan dimensi dalam ruang Euclid [1], yaitu 0, 1, 2, dan 3. Dimensi dapat dibayangkan sebagai sebuah ukuran jumlah titik-titik yang sedang ditinjau. Konsep ini secara matematis mungkin tampak ganjil. Akan tetapi, meski garis paling tipis sekalipun memiliki tak hingga banyaknya titik, suatu permukaan atau suatu bidang tentu lebih besar dari sebuah garis atau kurva, seperti halnya suatu ruang lebih besar dari sebuah permukaan. Inilah alasan utama pemberian label dimensi 0 untuk titik, 1 untuk garis, 2 untuk bidang, dan 3 untuk ruang. Pola dapat disebut fraktal jika terlihat sama pada skala yang berbeda (Critten, 1996). Bentuk fraktal secara umum dapat dihubungkan dengan karakteristik indicial yang dikenal sebagai dimensi fraktal. Raspberry Pi Raspberry Pi adalah komputer papan tunggal (single board computer) yang dikembangkan pertama kali di Inggris oleh yayasan Raspberry Pi dengan tujuan mempromosikan pelajaran ilmu komputer dasar. Raspberry Pi sepenuhnya dibangun dengan lisensi open source menggunakan sistem operasi Linux, stuktur Raspberry Pi dapat dilihat pada Gambar 2 dibawah ini. GPIO Header
DSI Display Connector
RCA Video Out
Audio Out LED Status
SD Card Slot (Back Of Board) USB 2.0 Micro USB Power (5V 1A DC) Broadcom ARM 700 Mhz
HDMI Out
CSI Connector Camera
Ethernet Out
Gambar 2 Struktur Raspberry Pi tipe B (raspberrypi.org)
6 Raspberry Pi terbagi menjadi dua model yaitu tipe A dan tipe B yang didalamnya terdapat fungsi-fungsi yang sama dengan PC (Personal Computer), spesifikasi pada Raspberry Pi tipe B lebih lengkap dari tipe A karena merupakan perbaikan dari tipe A. Spesifikasi teknis Raspberry Pi tipe B dapat dilihat pada Tabel 1 di bawah ini : Tabel 1 Spesifikasi teknis Raspberry Pi tipe B (raspberrypi.org) Perangkat Keras Spesifikasi CPU 700 ARM 1176 JZF-S Core GPU Broadcom Video Core Open GL 1080p Memory 512 MB SDRAM (Shared With GPU) Video Output RCA (PAL & NTSC), HDMI 1920 x 1200 pixel Audio Output 3,5 Jack HDMI USB 2 Unit Onboard Storage SD/MMC/SDIO Onboard Network 10/100 Ethernet Power Source 5 Volt DC Via Micro USB / 1,89 Watt Size 85,60 x 53,98 mm Operating System GNU Linux, Debian, Raspbian Wheezy
3 METODE PENELITIAN Tempat dan Waktu Penelitian Penelitian ini dilaksanakan mulai bulan Maret 2014 sampai dengan bulan November 2014, bertempat di Laboratorium NCC (Net Centric Computing) Departemen Ilmu Komputer Fakultas Matematika dan Ilmu Pengetahuan Alam Institut Pertanian Bogor dan Laboratorium Teknik Bioinformatika Departemen Teknik Mesin dan Biosistem Fakultas Teknologi Pertanian. Komponen Instrumentasi Penelitian Perangkat Keras (Hardware) Perangkat keras yang digunakan dalam penelitian ini dapat dilihat pada Tabel 2 dibawah ini. Tabel 2 Perangkat keras penelitian No Nama Alat Spesifikasi Jumlah 1 Raspberry Pi Processor 700 MHz ARM, Memory 256 MB 1 unit Tipe B (Shared With GPU), Harddisk 8 GB SD Memory. 2 PC Core i5 Intel Core i5 3.0 GHz, Memory 8 GB, VGA 742 1 unit MB, Harddisk 1 TB Perangkat Lunak (Software) Software yang digunakan pada penelitian ini antara lain : O/S Windows 8, O/S Linux Ubuntu 14.10, O/S Raspbian Wheezy, Library OpenCV, OpenMP, C++ dan C.
7 Tahapan Pelaksanaan Penelitian Tahap pelaksanaan penelitian terdiri dari tiga bagian utama yaitu akuisisi citra, identifikasi jenis gulma dengan fraktal, dan paralel identifikasi jenis gulma (lihat Gambar 3).
Gambar 3 Tahapan penelitian Akuisisi Citra Citra gulma diakusisi dengan menggunakan kamera digital untuk menangkap citra kondisi lahan pada panjang citra 102 cm dan lebar 136 cm dengan ukuran data maksimum 0,3 MB dan dimensi citra yang digunakan dapat dilihat pada Tabel 3. Tabel 3 Dimensi citra No 1 2 3 4 5
Dimensi Citra (Pixel) 128 x 128 256 x 256 380 x 380 480 x 480 512 x 512
Diasumsikan ukuran tersebut sudah cukup teliti untuk melakukan proses filterisasi citra. Pengujian dilakukan terutama pada lahan yang belum dilakukan peyemprotan herbisida sebelum masa penanaman bibit (Pre Emerge), data citra yang diambil adalah lahan pertanian yang belum ditanami tanaman pokok. Praproses Filresisasi Citra Citra yang telah diambil kemudian dianalisis dengan OpenCV menggunakan parameter HSV (rataan RGB) untuk mengetahui komponen warna penyusunnya.
8 // Fungsi Mat imHSV Mat imHSV; cvtColor(img, imHSV, CV_BGR2HSV); Mat hsv_channels[3];split( imHSV, hsv_channels ); Selanjutnya ditentukan parameter filterisasi yang diambil dari nilai v pada HSV untuk memisahkan latarbelakang citra dengan tanaman pokok secara biner (hitam-putih) dapat dilihat pada Gambar 4. // Fungsi Grayscale dan Binary Tresh Mat grayscaleMat; cvtColor( imHSV, grayscaleMat, CV_BGR2GRAY ); Mat binaryMat; threshold(grayscaleMat, binaryMat, 120, 255, cv::THRESH_BINARY);
Gambar 4 Proses filterisasi citra gulma menjadi data biner Citra v yang telah dianalisis nilai binernya kemudian di pisahkan berdasarkan nilai 0 untuk hitam dan 255 untuk putih, data array piksel yang menyimpan nilai biner dicatat kedalam matrik baris kemudian diolah menggunakan fraktal. Penilaian mata manusia dipakai sebagai pembanding untuk menentukan akurasi kinerja sistem yang dibangun. // Fungsi biner ke matrik int i,j,p; for (int i = 0;i < binaryMat.cols ; i++) { For (int j = 0 ; j < binaryMat.rows ; j++) { p = input [binaryMat.cols * j + i]; uchar p = binaryMat.at
(i,j); // row,col world ! //binaryMat.at (5,5) = 17; //menulis matrik dalam file txt fs << "nilai" << p ; printf ("p=%d |", p ); } printf ("\n"); }
9 Analisis Dimensi Fraktal Analisis dimensi fraktal dilakukan setelah proses filterisasi dengan cara melakukan fragmentasi terhadap citra yang telah difilterisasi kedalam bentuk persegi panjang berukuran s berupa data biner matrik. // Fungsi membaca matrik // baca matriks for (i = 0; i < baris; i++){ for (j = 0; j < kolom; j++){ scanf("%d", &p[i][j]); if (p[i][j]==255){p[i][j]=1;} } } Selanjutnya dihitung jumlah bujursangkar N(s) yang berisi warna putih (hasil filterisasi tanaman). Perhitungan ini diulangi dengan berbagai nilai s. // Fungsi perhitungan nilai s while (0 < H){ ak = ((double)kolom / H) - 1; ab = ((double)baris / H) - 1; S = H; jn = 0; for (k=1; k 0) {jn = jn + 1;} } } Untuk percobaan dilakukan fragmentasi dengan nilai s = 10 sampai dengan nilai s = 100 dengan interval 10 piksel. Proses analisis fraktal tersebut dapat dilihat pada Gambar 5.
10
Gambar 5 Proses analisis dimensi fraktal Langkah berikutnya adalah memplot nilai log N(s) terhadap nilai log (1/s) dan menentukan bentuk persamaan regresi linier dengan persamaan π¦ = ππ₯ + π
(1)
// Fungsi plot log N(s) terhadap log (1/s) if(jn > 0){ sx[z] = log10((double)1/S); ny[z] = log10((double)jn); //printf ("sx = %lf , ny = %lf \n", sx[z], ny[z]); jumxy = jumxy + (sx[z]*ny[z]); jumxx = jumxx + (pow (sx[z], 2)); jumx = jumx + sx[z]; jumy = jumy + ny[z]; z++; //printf ("jumxy = %lf, jumxx = %lf, jumx = %lf, jumy = %lf\n", jumxy, jumxx, jumx, jumy); } H = H - 10; } Dimensi fraktal adalah nilai a pada persamaan regresi linear tersebut. // Fungsi regresi linear fraktal { rx = jumx / z; ry = jumy / z; //printf ("rx = %f, ry = %f\n", rx, ry); b = (z * jumxy - jumx * jumy) / (z * (jumxx - pow(jumx, 2))) ; a = ry - (b * rx); return 0; }
11 Analisis dan Evaluasi Analisis dilakukan dengan membandingkan komputasi praproses filterisasi citra yang didapatkan dengan cara membandingkan dan menguji citra sebanyak N = 10 kali percobaan dan menguji hasilnya berupa nilai biner dengan menggunakan fraktal baik secara sekuensial maupun paralel pada PC dan Raspberry Pi. Analisis Komputasi Paralel Analisis hasil komputasi paralel dilakukan dengan membandingkan waktu eksekusi paralel dengan waktu eksekusi sekuensial atau yang disebut speedup (Quinn 2003), yang dapat dilihat pada persamaan (2) dibawah.
π=
ππππ‘π’ πππ πππ’π π π πππ’πππ πππ ππππ‘π’ πππ πππ’π π πππππππ
=
ππ
(2)
ππ
Analisis selanjutnya adalah melihat efisiensi penambahan prosesor atau PC terhadap ukuran dimensi citra. Pengukuran efisiensi bertujuan untuk mengetahui pengaruh penambahan prosesor dalam memproses dimensi citra. Peningkatan jumlah prosesor akan menurunkan nilai efisiensi, dan sebaliknya peningkatan ukuran data akan meningkatkan nilai efisiensi (Maria 2008). Efisiensi =
π(π) π
(3)
Batasan nilai efisiensi adalah 1/p < Efisiensi < 1 Keterangan : S(n) = Speedup komputasi paralel, p = Banyak prosesor
4 HASIL DAN PEMBAHASAN Praproses Filterisasi Citra Komputasi praproses filterisasi citra didapatkan dengan cara membandingkan dan menguji sebanyak N = 10 kali percobaan untuk masing masing citra pada Raspberry Pi dan PC, dapat dilihat pada Tabel 4 dan Tabel 5. Tabel 4 Ujicoba filterisasi citra pada Raspberry Pi Dimensi Citra (Pixel) 128 x 128 256 x 256 380 x 380 480 x 480 512 x 512
1 0.1 0.48 0.89 1.47 1.72
2 0.1 0.49 1.09 1.79 1.98
3 0.13 0.45 1.04 1.53 1.8
N Percobaan (Detik) 4 5 6 7 0.11 0.11 0.11 0.12 0.45 0.43 0.44 0.48 0.93 1.18 1.12 1.04 1.63 1.78 1.52 1.89 2.21 1.65 1.8 1.69
8 0.12 0.45 0.98 1.56 1.81
9 0.1 0.47 0.92 1.41 1.78
10 0.11 0.44 0.89 1.47 1.8
12 Tabel 5 Ujicoba filterisasi citra pada PC Dimensi Citra (Pixel) 128 x 128 256 x 256 380 x 380 480 x 480 512 x 512
1
0 0.03 0.07 0.12 0.14
2 0.01 0.03 0.08 0.13 0.13
3 0.01 0.04 0.08 0.11 0.15
N Percobaan (Detik) 4 5 6 7 0.02 0.01 0.02 0 0.04 0.02 0.05 0.03 0.07 0.08 0.06 0.07 0.11 0.12 0.12 0.12 0.13 0.15 0.13 0.13
8
0 0.03 0.08 0.12 0.14
9 0.02 0.03 0.08 0.12 0.13
10 0.02 0.03 0.08 0.11 0.14
Dari perbandingan komputasi praproses filterisasi citra dengan Raspberry Pi dan PC dapat dihasilkan nilai rata-rata yang dapat dilihat pada Tabel 6. Tabel 6 Waktu rata-rata praproses filterisasi citra pada Raspberry Pi dan PC Dimensi Citra (Pixel) 128 x 128 256 x 256 380 x 380 480 x 480 512 x 512
Komputasi (Second) Raspberry PC 0.111 0.012 0.458 0.020 1.008 0.042 1.605 0.054 1.824 0.063
2 Waktu Filterisasi (Second)
1.8
RΒ² = 0.9995
1.6 1.4 1.2
Raspberry Pi
1
PC
0.8 0.6
Poly. (Raspberry Pi)
0.4
Poly. (PC)
0.2 0
RΒ² = 0.9944 128 x 128 256 x 256 380 x 380 480 x 480 512 x 512 Dimensi Citra (Pixel)
Gambar 6 Komputasi praproses filterisasi citra pada Raspberry Pi dan PC Hasil percobaan pada Gambar 6 diatas menunjukan waktu komputasi praproses filterisasi citra bernilai eksponensial yang berarti semakin besar citra yang digunakan maka waktu komputasi yang dibutuhkan lebih lama. Secara umum waktu komputasi filterisasi PC lebih cepat dibandingkan Raspberry Pi. Analisis Dimensi Fraktal Pada analisis dimensi fraktal proses komputasi dilakukan dengan memproses hasil praproses citra berupa data biner menggunakan algoritma fraktal pada Raspberry Pi dan PC, dapat dilihat pada Tabel 7.
13 Tabel 7 Komputasi fraktal pada Raspberry Pi dan PC Dimensi Citra (Pixel) 128 x 128
Raspberry Komputasi Fraktal (ms) 7 0,9
PC Komputasi Fraktal (ms) 0.1 0,9
256 x 256
12
1,1
0.5
1,1
380 x 380
37
1,3
2.1
1,3
480 x 480
74
1,7
4.2
1,7
512 x 512
93
1,8
5
1,8
100 RΒ² = 0.9988
Waktu Komputasi (ms)
90 80 70 60
Raspberry Pi
50
PC
40
Poly. (Raspberry Pi)
30
Poly. (PC)
20 10
RΒ² = 0.9662
0 128 x 128 256 x 256 380 x 380
480 x 480 512 x 512
Dimensi Citra (Pixel)
Gambar 7 Waktu komputasi fraktal citra pada Raspberry Pi dan PC Hasil percobaan pada Gambar 7 diatas menunjukan bahwa waktu komputasi fraktal citra pada PC Dual Core lebih cepat dibandingkan dengan Raspberry Pi. Rata-rata perbandingan kecepatan antara PC terhadap Raspberry Pi adalah 0,04 Milidetik lebih cepat PC terhadap Raspberry Pi. Analisis Komputasi Paralel Pada analisa komputasi fraktal secara paralel digunakan 2 buah komputer dengan spesifikasi CPU Intel Core i3 @ 3.30 GHz dengan 4 core CPU dan RAM 8 GB. Pengujian dilakukan pada jumlah core yang berbeda yaitu 2 dan 4. Hasil pengujian waktu eksekusi dapat dilihat pada Tabel 8. Tabel 8 Komputasi fraktal pada CPU 2 dan 4 Core Dimensi Citra (Pixel) 128 x 128
Sekuensial (ms) 0.2
2 Core (ms) 0.2
4 Core (ms) 0.3
256 x 256
0.5
0.3
0.3
380 x 380
2
1.1
0.8
480 x 480
4.3
2.1
1.3
512 x 512
5
2.6
1.5
14 Hasil eksekusi paralel di atas menunjukan bahwa waktu eksekusi paralel lebih baik dibandingkan waktu eksekusi sekuensial. Penambahan jumlah Core akan meningkatkan kecepatan waktu eksekusi paralel. Tabel 9 memperlihatkan waktu eksekusi sekuensial semakin lama seiring dengan peningkatan dimensi citra. Kemudian hasil komputasi paralel dengan 2 dan 4 Core menunjukan bahwa penambahan jumlah Core mempengaruhi waktu eksekusi paralel. Speedup komputasi paralel meningkat seiring dengan penambahan jumlah Core. 3.5 3
Speed Up
2.5 2 Speed Up 2 Core
1.5
Speed Up 4 Core 1 0.5 0 128 x 128
256 x 256
380 x 380
480 x 480
512 x 512
Dimensi Citra (Pixel)
Gambar 8 Speed up komputasi paralel Gambar 8 memperlihatkan speedup komputasi paralel menggunakan CPU 2 Core mencapai rasio 1,6, kemudian menggunakan CPU 4 Core meningkat mencapai rasio 3,2. Hasil ini menunjukan bahwa penambahan jumlah komputer akan meningkatkan speedup komputasi paralel dibanding sekuensial. Analisis selanjutnya adalah mengukur efisiensi komputasi yang dilakukan dengan membandingkan waktu eksekusi secara sekuensial dengan waktu eksekusi paralel dikalikan penggunaan prosesor (Quinn 2003).
15 1.2
Nilai Efisiensi
1 0.8 0.6
Efisiensi 2 Core Efisiensi 4 Core
0.4 0.2 0 128 x 128
256 x 256
380 x 380
480 x 480
512 x 512
Dimensi Citra (Pixel)
Gambar 9 Efisiensi penggunaan prosesor terhadap dimensi citra Gambar 9 menunjukan bahwa penambahan dimensi citra menyebabkan nilai efisiensi menjadi konstan pada kisaran angka antara 0.81 untuk jumlah 2 Core dan 0.2 untuk jumlah 4 Core. Nilai efisiensi konstan ini ditunjukan pada dimensi 256 x 256 Piksel. Hal ini menunjukan bahwa penggunaan 2 dan 4 Core adalah scalable dalam mengolah data citra dengan dimensi 256 x 256 Piksel sampai dengan 512 x 512 piksel. Nilai efisiensi ini akan naik apabila ukuran dimensi citra ditingkatkan seiring dengan peningkatan jumlah Core.
SIMPULAN Proses komputasi filterisasi terbaik yang dapat dilakukan oleh Raspberry Pi adalah 128 x 128 Piksel dengan kecepatan rata-rata antara Raspberry Pi dan PC pada proses fraktal adalah 0,04 kali lebih cepat PC terhadap Raspberry Pi. Disamping itu pada proses komputasi paralel fraktal menggunakan OpenMP memperlihatkan peningkatan speedup komputasi paralel dibanding sekuensial dan efisiensi kinerja komputasi paralel yang scalable terhadap ukuran dimensi citra yang digunakan. Kemudian dari sisi biaya untuk melakukan komputasi filterisasi dan fraktal Raspberry Pi lebih murah dibandingkan PC
SARAN Menggunakan ukuran dimensi citra yang lebih bervariasi dan meningkatkan jumlah core untuk meningkatan speedup dan efisiensi komputasi paralel pada fraktal. Penelitian selanjutnya Raspberry Pi dapat dikembangkan kearah paralel Shared Memory menggunakan Low Cost Commodity Hardware lain yang berbasis 2 Core dan paralel Multi Processor menggunakan algoritma MPI (Message Passing Interface).
16
DAFTAR PUSTAKA Ali, Murat. et al. 2013. Technical Development and Socioeconomic implications of the Raspberry Pi as a Learning Tool in Developing countries. 5th Computer Science and Electronic Engineering Comference (CEEC). Proceedings of the IEEE, 2013. hlm 103-108. Arnaud E. Jacquin. 1992. Image Coding Based on a Fractal Theory of Iterated Contractive Image Transformations. IEEE Transactions on Image Processing. Vol. I. No. I. Blackmore S. 1994. Precision Farming : an overview. Agricultural Engineer 49(3):86-88. Cristina N, Jonker P. 2008. Parallel low-level image processing on a distributedmemory system. Delft University of Technology. Critten DL. 1996. Fourier Based Techniques for the Identification of Plants and Weeds. Journal Agricultural Engineering Research . Silsoe Research Institute. Bedford MK45 4HS , UK. (1996) 64 , hlm 149 β154. Dwiguntoro, 2008. Sekilas Tentang Gulma. http://dwiguntoro.wordpress.com/2008/11/30/ Sekilas Tentang Gulma.html. Florindo JB, Bruno OM. 2011. Fourier fractal descriptors for colored texture analysis. Di dalam: Blanc-Talon J et al., editor. ACIVSβ11 Proceedings of the 13th International Confrence on Advanced Concepts for Intelligent Vision Systems; 2011 Agu 22-25, Het Pand, Belgia. Berlin: Springer-Verlag. hlm 285292. Foster, Ian. 1995. βDesigning and Building Parallel Program : Concept and Tools for Parallel Software Engineering. Reading, MA : Addison-Wesley. Hong, Sung. Minzan, Li. Zhang, Qin. Detection System of Smart Sprayers : Status, Challenges and Perspectives. Int J Agric & Biol Eng, 2012; 5(3) Kargar, B.A.H. Shirzadifar A.M 2013. Automatic Weed Detection System and Smart Herbicide Sprayer Robot for Corn Fields. Proceeding of the 2013 RSI/ISMInternational Conference on Robotics and Mechatronics. February 1315,2013, Tehran, Iran Kuhar JE, editor 1997. The Precision-Farming : Guide for Agriculturist. Illinois: John Deer Publishing. Labrada, R. 2003. The Need for Improved Weed Management in Rice. In Dat Van Tran (Ed.), Sustainable rice production for food security. Proceeding of the 20th session of the International Rice Commision. Bangkok, Thailand, 22-26 July 2002. FAO, Rome. Leach A W, Mumford J D. Pesticide environmental accounting: A method for assessing the external costs of individual pesticide applications. Environmental Pollution, 2008; 151(1): hlm 139-147. Maria A. Kartawidjaja. Analisis Kinerja Perkalian Matriks Paralel Menggunakan Metrik Isoefisiensi. TESLA. 2008; 10(2). hlm 51-52 Martin J. 2006. Dasar-dasar Kuliah Gulma. Jurusan Biologi. Universitas Udayana. Bali. McBratney, AB, Prongle,MJ. 1997. Spatial Variability in Soil Implication for Precision Agriculture. Proceeding Precision Agriculture, BIOS Scientific Publiser Ltd, Oxford.
17 Pane, Hamdan, Yuli J, Sigit. 2009. Pengendalian Gulma Pada Tanaman Padi. Balai Besar Penelitian Padi. Departemen Pertanian Republik Indonesia. Pimentel D, McLaughlin L, Zepp A, Lakitan B, Kraus T, Kleinman P, et al. Environmental and economic effects of reducing pesticide use. BioScience, 1991; 41(6): hlm 402-409. Polvere Mario. Nappi Michele. 2000. Speed-Up In Fractal Image Coding: Comparison of Methods. IEEE Transactions on Image Processing. Vol. 9. No. 6. Purbasari A. 2002. Teknis dan Strategi Pembangunan Algoritma Paralel. Kuliah Ilmu Komputer. www.ilmukomputer.com. Quinn, Michael J. 2003. Parallel Programming In C With MPI and OpenMP. McGraw-Hill. New York β USA. Raspberry Pi. http://www.RaspberryPi.org. akses 20 November 2014. Seminar KB. 2011. Paradigma Pendayagunaan Teknologi Informasi untuk Pertanian. Prosiding Seminar Nasional Seminar Informatika Pertanian Indonesia. hlm 34-42. Solahudin, M. Seminar, K. Astika, W. Buono, A. 2010. Weeds and Plants Recognition using Fuzzy Clustering and Fractal Dimension Methods for Automatic Weed Control. International Conference, The Quality Information for Competitive Agricultural Based Production System and Commerce. Solahudin M., Seminar KB . 2010. Analisis Dimensi Fraktal untuk Identifikasi Tanaman dengan Pendekatan Pemrosesan Citra Secara Paralel. Jurnal Teknik Pertanian Vol. 24, No. 2. Solahudin M.. 2013. Pengembangan metode pengendalian gulma pada pertanian presisi berbasis multi agen komputasional. Disertasi Institut Pertanian Bogor. Shibusawa S, Anom IM, Sasao A, Sakai K, Hache C. 2001. Sampling strategiesin soil mapping with real-time soil spectrophotometer. Di dalam: Intelligent Control for Agricultural Application. Proceeding of 2nd IFAC-CIGR Workshop on, Bali Indonesia 22-24 August 2001. Bali: IFAC-CIGR. hlm 4043. Steward, B. and L. Tian (1998) Real-time machine vision weed detection. ASAE paper No. 983033 (UILU-ENG-98-7006) World Bank. 1996. Annual Report. World Bank Participation Sourcebook. Washington. D.C.
18
LAMPIRAN
19 Lampiran 1 : Hasil pengujian praproses filterisasi iqbal@iqbal-X402CA:~/Desktop/hsvtogray$ ./hsvtogray Dimensi Gambar : 128 x 128 Waktu Filterisasi : 0.020000 s , 6.43417 ms iqbal@iqbal-X402CA:~/Desktop/hsvtogray$ ./hsvtogray Dimensi Gambar : 256 x 256 Waktu Filterisasi : 0.020000 s , 20.301 ms iqbal@iqbal-X402CA:~/Desktop/hsvtogray$ ./hsvtogray Dimensi Gambar : 380 x 380 Waktu Filterisasi : 0.050000 s , 41.2668 ms iqbal@iqbal-X402CA:~/Desktop/hsvtogray$ ./hsvtogray Dimensi Gambar : 480 x 480 Waktu Filterisasi : 0.070000 s , 62.9598 ms iqbal@iqbal-X402CA:~/Desktop/hsvtogray$ ./hsvtogray Dimensi Gambar : 512 x 512 Waktu Filterisasi : 0.080000 s , 72.311 ms Lampiran 2 : Hasil pengujian fraktal sekuensial iqbal@acgpu3:~/coba_fraktal$ ./fractal < nilaiv128.txt Nilai Fraktal = 0.910040 Waktu Komputasi = 0.019111 detik iqbal@acgpu3:~/coba_fraktal$ ./fractal < nilaiv256.txt Nilai Fraktal = 1.107258 Waktu Komputasi = 0.000618 detik iqbal@acgpu3:~/coba_fraktal$ ./fractal < nilaiv380.txt Nilai Fraktal = 1.384578 Waktu Komputasi = 0.002225 detik iqbal@acgpu3:~/coba_fraktal$ ./fractal < nilaiv480.txt Nilai Fraktal = 1.735389 Waktu Komputasi = 0.004299 detik iqbal@acgpu3:~/coba_fraktal$ ./fractal < nilaiv512.txt Nilai Fraktal = 1.817618 Waktu Komputasi = 0.005153 detik
20 Lampiran 3 : Hasil pengujian fraktal paralel 2 Core iqbal@acgpu3:~/coba_fraktal$ ./fraktal-openmp < nilaiv128.txt Nilai Fraktal = 0.766851 Waktu Komputasi = 0.000327 detik iqbal@acgpu3:~/coba_fraktal$ ./fraktal-openmp < nilaiv256.txt Nilai Fraktal = 1.107258 Waktu Komputasi = 0.000369 detik iqbal@acgpu3:~/coba_fraktal$ ./fraktal-openmp < nilaiv380.txt Nilai Fraktal = 1.384578 Waktu Komputasi = 0.001158 detik iqbal@acgpu3:~/coba_fraktal$ ./fraktal-openmp < nilaiv480.txt Nilai Fraktal = 1.735389 Waktu Komputasi = 0.002149 detik iqbal@acgpu3:~/coba_fraktal$ ./fraktal-openmp < nilaiv512.txt Nilai Fraktal = 1.817618 Waktu Komputasi = 0.002555 detik Lampiran 2 : Hasil pengujian fraktal paralel 4 Core iqbal@acgpu3:~/coba_fraktal$ ./fraktal-openmp < nilaiv128.txt Nilai Fraktal = 0.641748 Waktu Komputasi = 0.000346 detik iqbal@acgpu3:~/coba_fraktal$ ./fraktal-openmp < nilaiv256.txt Nilai Fraktal = 1.107258 Waktu Komputasi = 0.000310 detik iqbal@acgpu3:~/coba_fraktal$ ./fraktal-openmp < nilaiv380.txt Nilai Fraktal = 1.384578 Waktu Komputasi = 0.000810 detik iqbal@acgpu3:~/coba_fraktal$ ./fraktal-openmp < nilaiv480.txt Nilai Fraktal = 1.735389 Waktu Komputasi = 0.001357 detik iqbal@acgpu3:~/coba_fraktal$ ./fraktal-openmp < nilaiv512.txt Nilai Fraktal = 1.817618 Waktu Komputasi = 0.001566 detik
21
RIWAYAT HIDUP Penulis dilahirkan di Bogor, Provinsi Jawa Barat pada tanggal 28 September 1985 sebagai anak Kedua dari tiga bersaudara dari Bapak Iwansyah dan Ibu Wiwiek. Pendidikan Sekolah Menengah Kejuruan Negeri (SMKN) 2 Bogor, lulus tahun 2003. Pendidikan sarjana ditempuh di Universitas Pakuan, Bogor dengan Program Studi Ilmu Komputer lulus tahun 2009. Setelah lulus penulis bekerja sebagai staff pengajar Universitas Pakuan. Tahun 2012 penulis diterima diprogram studi Ilmu Komputer, Fakultas Matematika dan Ilmu Pengetahuan Alam Sekolah Pascasarjana Institut Pertanian Bogor.
