Article Per Year (5 Year)
p-Index From 2020 - 2025
0.23
P-Index
This Author published in this journals
All Journal Jurnas Nasional Teknologi dan Sistem Informasi
Rusfi Razaba, Syahel
Unknown Affiliation
Computer Science & IT Decision Sciences, Operations Research & Management

Published : 1 Documents Claim Missing Document
Claim Missing Document
Check
Articles

Found 1 Documents
Search

 1 
Kajian Performa Efisiensi Infrastruktur Big Data Hemat Energi Menggunakan Single Board Computer dan Framework Apache Spark Rusfi Razaba, Syahel; Liebenlito, Muhaza; Edy Sutanto, Taufik
Jurnal Nasional Teknologi dan Sistem Informasi Vol 11 No 2 (2025): Agustus 2025
Publisher : Departemen Sistem Informasi, Fakultas Teknologi Informasi, Universitas Andalas

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.25077/TEKNOSI.v11i2.2025.152-160

Abstract

Meningkatnya kebutuhan komputasi untuk pemrosesan big data dan pelatihan model AI modern berdampak signifikan terhadap konsumsi energi komputasi global. Penelitian ini mengkaji efisiensi energi dan performa klaster Single Board Computer (SBC) dalam menjalankan beberapa algoritma machine learning menggunakan Apache Spark, sebagai alternatif ramah lingkungan terhadap infrastruktur komputasi konvensional. Tiga algoritma digunakan dalam eksperimen ini, yaitu Multi-Layer Perceptron (MLP), Regresi Logistik, dan Random Forest, yang dijalankan secara terdistribusi pada klaster SBC. Evaluasi dilakukan terhadap dua metrik utama, yaitu waktu eksekusi dan konsumsi energi, dengan tiga skenario ukuran dataset dan lima variasi jumlah inti (core). Hasil menunjukkan bahwa klaster SBC mampu mencapai percepatan waktu pelatihan hingga 59.7% pada algoritma Multi-Layer Perceptron dan hingga 49.3% pada Random Forest saat menangani data berukuran besar. Konsumsi daya listrik juga tetap rendah dan stabil, yakni sekitar 11.4 watt untuk konfigurasi satu core dan 12.6 watt untuk konfigurasi multi-core. Temuan ini menegaskan bahwa penggunaan klaster SBC berdaya rendah merupakan pendekatan potensial untuk mendukung komputasi hemat energi dan inisiatif Green AI.
Co-Authors Edy Sutanto, Taufik Muhaza Liebenlito