Perbandingan Kinerja Pemrosesan Paralel Pada PC dan Raspberry Pi Untuk Pendeteksian Gulma Pada Lahan Pertanian Menggunakan Fraktal
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 =
+ , 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
© 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 ta’ala 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
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
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
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 =
+ , 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
© 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 ta’ala 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
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
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