Perbandingan Kinerja Pemrosesan Paralel Pada PC dan Raspberry Pi Untuk Pendeteksian Gulma Pada Lahan Pertanian Menggunakan Fraktal

Abstract

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 𝑦����= 𝑎����𝑥����+𝑏����, 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.