Kajian Performa Efisiensi Infrastruktur Big Data Hemat Energi Menggunakan Single Board Computer dan Framework Apache Spark
DOI:
https://doi.org/10.25077/TEKNOSI.v11i2.2025.152-160Kata Kunci:
Apache Spark, Big Data, Green AI, Klaster SBC, Machine LearningAbstrak
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.Referensi
A. de Vries, “The Growing Energy Footprint of Artificial Intelligence,” Joule, vol. 7, no. 10, pp. 2191–2194, 2023, doi: 10.1016/j.joule.2023.09.004.
D. Xiao, “Neuroscience-Inspired Continuous Learning: A Sustainable Approach to AI’s Energy Challenge,” OSF Preprints, 2023, doi: 10.31219/osf.io/twn9q.
J. Cowls, A. Tsamados, M. Taddeo, and L. Floridi, “The AI Gambit: Leveraging Artificial Intelligence to Combat Climate Change—Opportunities, Challenges, and Recommendations,” AI Soc, vol. 38, no. 1, pp. 283–307, 2023, doi: 10.1007/s00146-021-01294-x.
E. García-Martín, C. F. Rodrigues, G. Riley, and H. Grahn, “Estimation of Energy Consumption in Machine Learning,” J Parallel Distrib Comput, vol. 134, pp. 75–88, 2019, doi: 10.1016/j.jpdc.2019.07.007.
H. Cai, C. Gan, T. Wang, Z. Zhang, and S. Han, “Once-for-All: Train One Network and Specialize It for Efficient Deployment,” 8th International Conference on Learning Representations, ICLR 2020, pp. 1–15, 2020, doi: 10.48550/arXiv.1908.09791.
R. Gitzel, M. C. Platenius-Mohr, and A. Burger, “Estimating the Sustainability of AI Models Based on Theoretical Models and Experimental Data,” atp magazin, vol. 66, no. 3, 2024, doi: 10.17560/atp.v66i3.2691.
E. Strubell, A. Ganesh, and A. Mccallum, “Energy and Policy Considerations for Deep Learning in NLP,” Proceedings of the 57th Annual Meeting of the Association for Computational Linguistics, pp. 3645–3650, 2019, doi: 10.18653/v1/P19-1355.
Y. I. Alzoubi and A. Mishra, “Green Artificial Intelligence Initiatives: Potentials and Challenges,” J Clean Prod, vol. 468, p. 143090, 2024, doi: 10.1016/j.jclepro.2024.143090.
A. Tabbakh, L. Al Amin, M. Islam, G. M. I. Mahmud, I. K. Chowdhury, and M. S. H. Mukta, “Towards Sustainable AI: A Comprehensive Framework for Green AI,” Discover Sustainability, vol. 5, no. 1, 2024, doi: 10.1007/s43621-024-00641-4.
S. Fund, “Sustainable Development Goals.” Accessed: Jan. 27, 2025. [Online]. Available: https://www.un.org/sustainabledevelopment/inequality/
S. Bourhnane, M. R. Abid, K. Zine-Dine, N. Elkamoun, and D. Benhaddou, “High-Performance Computing: A Cost Effective and Energy Efficient Approach,” Advances in Science, Technology and Engineering Systems Journal, vol. 5, no. 6, pp. 1598–1608, 2020, doi: 10.25046/aj0506191.
I. Stamelos, D. Soudris, and C. Kachris, “Performance and Energy Evaluation of Spark Applications on Low-Power SoCs,” 2016 International Conference on Embedded Computer Systems: Architectures, Modeling and Simulation (SAMOS), pp. 300–305, 2016, doi: 10.1109/SAMOS.2016.7818362.
J. C. Saffran et al., “A Low-Cost Energy-Efficient Raspberry Pi Cluster for Data Mining Algorithms,” European Conference on Parallel and Distributed Computing Workshops (Euro-Par Workshops), vol. 10104, pp. 788–799, 2016, doi: 10.1007/978-3-319-58943-5_63.
A. Rodriguez-Iglesias, M. J. Martin, and J. Tourino, “Clupiter: A Raspberry Pi Mini-Supercomputer for Educational Purposes,” IEEE 22nd International Conference on Trust, Security and Privacy in Computing and Communications (TrustCom), pp. 2400–2405, 2023, doi: 10.1109/TrustCom60117.2023.00338.
Md. F. Ali and R. Z. Khan, “Distributed Computing: An Overview,” International Journal of Advanced Networking and Applications (IJANA), vol. 7, no. 01, pp. 2630–2635, 2015.
A. M. Rajpurohit, R. R. Kumar, R. Kumar, and P. Kumar, “A Review on Apache Spark,” Proceedings of the KILBY 100 7th International Conference on Computing Sciences 2023 (ICCS 2023), 2023, doi: 10.2139/ssrn.4492445.
H. Luu, “Introduction to Apache Spark,” in Beginning Apache Spark 2: With Resilient Distributed Datasets, Spark SQL, Structured Streaming and Spark Machine Learning Library, Berkeley, CA: Apress, 2018, ch. 1, pp. 1–13. doi: 10.1007/978-1-4842-3579-9_1.
E. Shaikh, I. Mohiuddin, Y. Alufaisan, and I. Nahvi, “Apache Spark: A Big Data Processing Engine,” in 2nd IEEE Middle East and North Africa Communications Conference, MENACOMM, Institute of Electrical and Electronics Engineers Inc., 2019, pp. 1–6. doi: 10.1109/MENACOMM46666.2019.8988541.
Apache Spark, “Cluster Mode Overview,” Apache.org. Accessed: May 20, 2025. [Online]. Available: https://spark.apache.org/docs/latest/cluster-overview
D. Shrivastava, S. Chaudhury, and Dr. Jayadeva, “A Data and Model-Parallel, Distributed and Scalable Framework for Training of Deep Networks in Apache Spark,” 2017, [Online]. Available: https://arxiv.org/abs/1708.05840
Apache Spark, “Multilayer Perceptron Classifier,” Apache.org. Accessed: Jul. 07, 2025. [Online]. Available: https://spark.apache.org/docs/latest/ml-classification-regression.html
K. Assi, “Traffic Crash Severity Prediction—A Synergy by Hybrid Principal Component Analysis and Machine Learning Models,” Int J Environ Res Public Health, vol. 17, no. 20, pp. 1–16, 2020, doi: 10.3390/ijerph17207598.
D. Lei, M. Du, H. Chen, Z. Li, and Y. Wu, “Distributed Parallel Sparse Multinomial Logistic Regression,” IEEE Access, vol. 7, pp. 55496–55508, 2019, doi: 10.1109/ACCESS.2019.2913280.
J. Chen et al., “A Parallel Random Forest Algorithm for Big Data in A Spark Cloud Computing Environment,” IEEE Transactions on Parallel and Distributed Systems, vol. 28, no. 4, pp. 919–933, 2017, doi: 10.1109/TPDS.2016.2603511.
Unduhan
Telah diserahkan
Diterima
Diterbitkan
Cara Mengutip
Terbitan
Bagian
Lisensi
Hak Cipta (c) 2025 Jurnal Nasional Teknologi dan Sistem Informasi
Artikel ini berlisensiCreative Commons Attribution-ShareAlike 4.0 International License.
Hak cipta untuk artikel ini ditransfer ke Jurnal Nasional Teknologi dan Sistem Informasi (TEKNOSI) jika dan ketika artikel diterima untuk publikasi. Yang bertanda tangan di bawah ini dengan ini mentransfer setiap dan semua hak di dalam dan ke kertas termasuk tanpa batasan semua hak cipta untuk TEKNOSI. Yang bertanda tangan di bawah ini dengan ini menyatakan dan menjamin bahwa makalah tersebut asli dan bahwa ia adalah pembuat makalah, kecuali untuk bahan yang secara jelas diidentifikasi sebagai sumber aslinya, dengan pemberitahuan izin dari pemilik hak cipta jika diperlukan. Yang bertanda tangan di bawah ini menyatakan bahwa ia memiliki kekuatan dan wewenang untuk membuat dan melaksanakan penugasan ini.
Kami menyatakan bahwa:
- Makalah ini belum diterbitkan dalam bentuk yang sama di tempat lain.
- Makalah ini tidak akan dikirimkan di tempat lain untuk publikasi sebelum penerimaan/penolakan oleh Jurnal ini
- Izin hak cipta diperoleh untuk materi yang diterbitkan di tempat lain dan yang memerlukan izin ini untuk reproduksi.
Selanjutnya, Saya/kami dengan ini mentransfer hak publikasi yang tidak terbatas dari makalah yang disebutkan di atas secara keseluruhan kepada TEKNOSI. Transfer hak cipta mencakup hak untuk mereproduksi dan mendistribusikan artikel, termasuk cetak ulang, terjemahan, reproduksi foto, mikroform, bentuk elektronik (offline, online) atau reproduksi lain yang serupa.
Penulis yang sesuai menandatangani dan menerima tanggung jawab untuk merilis materi ini atas nama setiap dan semua penulis bersama. Perjanjian ini harus ditandatangani oleh setidaknya salah satu penulis yang telah memperoleh persetujuan dari rekan penulis jika berlaku. Setelah pengajuan perjanjian ini ditandatangani oleh penulis yang sesuai, perubahan kepengarangan atau dalam urutan penulis yang tercantum tidak akan diterima.
Hak / Syarat dan Ketentuan yang dipertahankan :
- Penulis memiliki semua hak kepemilikan dalam setiap proses, prosedur, atau artikel manufaktur yang dijelaskan dalam Karya ini.
- Penulis dapat mereproduksi atau mengotorisasi orang lain untuk mereproduksi karya ini atau karya turunannya untuk penggunaan pribadi penulis atau untuk penggunaan perusahaan, dengan ketentuan bahwa sumber dan menyatakan hak cipta dimiliki TEKNOSI, salinan tidak digunakan dengan cara apa pun yang menyiratkan pengesahan TEKNOSI atas suatu produk atau layanan dari pihak mana pun, dan salinannya sendiri tidak ditawarkan untuk dijual.
- Meskipun penulis diizinkan untuk menggunakan kembali semua atau sebagian dari karya ini dalam karya lain, ini tidak termasuk mengabulkan permintaan pihak ketiga untuk mencetak ulang, menerbitkan ulang, atau jenis penggunaan ulang lainnya.
This work is licensed under a 