Prediksi Suhu dan Frekuensi Prosesor Berdasarkan Variasi Tegangan Menggunakan Algoritma k-Nearest Neighbor (k-NN)
Isi Artikel Utama
Abstrak
Pengaturan tegangan pada prosesor memiliki peran penting dalam meningkatkan kinerja sistem, namun juga berimplikasi langsung terhadap kenaikan suhu yang berpotensi menyebabkan kerusakan perangkat. Oleh karena itu, diperlukan metode prediksi yang mampu memperkirakan perubahan suhu dan frekuensi prosesor sebelum dilakukan peningkatan tegangan. Penelitian ini bertujuan untuk memprediksi suhu dan frekuensi prosesor berdasarkan variasi tegangan menggunakan algoritma k-Nearest Neighbor (k-NN), serta menentukan nilai parameter K yang optimal untuk menghasilkan prediksi yang akurat dan stabil.
Data yang digunakan merupakan hasil pengukuran tegangan, suhu, dan frekuensi pada prosesor AMD Ryzen 5 2400G. Proses prediksi dilakukan dengan beberapa variasi nilai K (K=1, K=2, K=3, dan K=4), kemudian dievaluasi menggunakan metrik koefisien determinasi (R²), Mean Absolute Error (MAE), dan Root Mean Square Error (RMSE). Hasil penelitian menunjukkan bahwa nilai K sangat mempengaruhi performa model. Nilai K=1 menghasilkan akurasi sempurna pada data pelatihan, namun berpotensi mengalami overfitting sehingga kurang baik dalam generalisasi. Sementara itu, nilai K=2 memberikan keseimbangan terbaik antara akurasi dan kompleksitas model, dengan nilai R² mencapai lebih dari 0,9 serta nilai error yang rendah.
Selain itu, hasil analisis menunjukkan bahwa suhu prosesor memiliki hubungan non-linear terhadap tegangan, dengan peningkatan yang lebih signifikan pada tegangan tinggi, sedangkan frekuensi menunjukkan hubungan yang cenderung linier terhadap tegangan. Prediksi pada tegangan yang lebih tinggi juga menunjukkan bahwa nilai suhu dan frekuensi masih berada dalam batas aman spesifikasi prosesor.
Dengan demikian, algoritma k-NN dengan K=2 terbukti efektif dalam memprediksi perilaku prosesor dan dapat digunakan sebagai alat bantu dalam proses overclocking untuk mengoptimalkan kinerja sekaligus meminimalkan risiko overheating.
##plugins.themes.bootstrap3.displayStats.downloads##
Rincian Artikel
Artikel ini berlisensi Creative Commons Attribution 4.0 International License.
Hak cipta pada setiap artikel adalah milik penulis, dan penulis mengakui bahwa Jnanaloka sebagai pihak yang mempublikasikan pertama kali dengan lisensi Creative Commons Attribution (CC BY). Lisensi ini mengijinkan untuk, Berbagi yakni menyalin dan menyebarluaskan kembali materi ini dalam bentuk atau format apapun; dan Adaptasi yakni menggubah, mengubah, dan membuat turunan dari materi iniuntuk kepentingan apapun, termasuk kepentingan komersial dengan ketentuan Atribusi
Cara Mengutip
Referensi
A. Dowling, L. Jiang, M.-C. Cheng, and Y. Liu, “Regulating CPU temperature with thermal-aware scheduling using a reduced order learning thermal model,” Future Generation Computer Systems, vol. 166, p. 107687, May 2025, doi: https://doi.org/10.1016/j.future.2024.107687.
C. Knox, Z. Yuan, and A. K. Coskun, “Machine Learning and Simulation Based Temperature Prediction on High-Performance Processors,” Oct. 2022, doi: https://doi.org/10.1115/ipack2022-96751.
D. Miao, G. Duan, D. Chen, Y. Zhu, and X. Zheng, “Real-Time Temperature Prediction for Large-Scale Multi-Core Chips Based on Graph Convolutional Neural Networks,” Electronics, vol. 14, no. 6, p. 1223, Mar. 2025, doi: https://doi.org/10.3390/electronics14061223.
N. Revathi and G. Sumathi, “Multistep temperature prediction for proactive thermal management on chip multiprocessors,” The Journal of Supercomputing, vol. 77, no. 8, pp. 8967–8994, Feb. 2021, doi: https://doi.org/10.1007/s11227-020-03611-5.
F. Wang, D. Wang, Q. Deng, H. Yan, Q. Chen, and Y. Zhao, “Investigation on the thermal characteristics of electronic system and prediction of chip temperature by machine learning,” Nuclear Engineering and Technology, vol. 57, no. 1, p. 103159, Jan. 2025, doi: https://doi.org/10.1016/j.net.2024.08.028.
E. Pop, “Energy dissipation and transport in nanoscale devices,” Nano Research, vol. 3, no. 3, pp. 147–169, Mar. 2010, doi: https://doi.org/10.1007/s12274-010-1019-z.
B. Vanderpool et al., “Deterministic Frequency and Voltage Enhancements on the POWER10 Processor,” IEEE Journal of Solid-State Circuits, vol. 58, no. 1, pp. 102–110, Jan. 2023, doi: https://doi.org/10.1109/jssc.2022.3225378.
Nuraeni, Septiya & Syam, Sri & Wajdi, Muhammad & Firmansyah, Bachtiar & Malkan, Muhammad. (2023). Implementasi Metode K-NN Untuk Menentukan Jurusan Siswa di SMAN 02 Manokwari. G-Tech: Jurnal Teknologi Terapan. 7. 89-95. http://dx.doi.org/10.33379/gtech.v7i1.1905
Pramono, Eko & Widjiyati, Nur. (2024). Prediksi Suhu Dan Frekuensi Kerja Processor Saat Terjadi Penaikan Nilai Tegangan Menggunakan Regresi Non Linear Polinomial. Smart Comp: Jurnalnya Orang Pintar Komputer. 13(2). http://dx.doi.org/10.30591/smartcomp.v13i2.6600
S. M. Robeson and C. J. Willmott, “Decomposition of the mean absolute error (MAE) into systematic and unsystematic components,” PLOS ONE, vol. 18, no. 2, p. e0279774, Feb. 2023, doi: https://doi.org/10.1371/journal.pone.0279774.
T. O. Hodson, “Root-mean-square error (RMSE) or mean absolute error (MAE): when to use them or not,” Geoscientific Model Development, vol. 15, no. 14, pp. 5481–5487, Jul. 2022.
V. Watts, “14.2 Measures of Forecast Accuracy,” Introduction to Statistics - Second Edition, Mar. 21, 2025. https://ecampusontario.pressbooks.pub/introstats2ed/chapter/14-2-measures-of-forecast-accuracy/
Cabello-Solorzano, K., Araujo, I.O., Peña, M., Correia, L., & Tallón-Ballesteros, A.J. (2023). The Impact of Data Normalization on the Accuracy of Machine Learning Algorithms: A Comparative Analysis. Soft Computing Models in Industrial and Environmental Applications. https://doi.org/10.1007/978-3-031-42536-3_33
R. K. Halder, M. N. Uddin, Md. A. Uddin, S. Aryal, and A. Khraisat, “Enhancing K-nearest neighbor algorithm: a comprehensive review and performance analysis of modifications,” Journal Of Big Data, vol. 11, no. 1, Aug. 2024, doi: https://doi.org/10.1186/s40537-024-00973-y.
GeeksforGeeks, “How to Find The Optimal Value of K in KNN,” GeeksforGeeks, Dec. 14, 2023. https://www.geeksforgeeks.org/machine-learning/how-to-find-the-optimal-value-of-k-in-knn/
I. Kofi Nti, O. N. yarko-Boateng, and J. Aning, “Performance of Machine Learning Algorithms with Different K Values in K-fold CrossValidation,” International Journal of Information Technology and Computer Science, vol. 13, no. 6, pp. 61–71, Dec. 2021, doi: https://doi.org/10.5815/ijitcs.2021.06.05.
Patchanok Srisuradetchai and Korn Suksrikran, “Random kernel k-nearest neighbors regression,” Frontiers in Big Data, vol. 7, Jul. 2024, doi: https://doi.org/10.3389/fdata.2024.1402384.
E. M. Hameed and H. Joshi, “Improving Diabetes Prediction by Selecting Optimal K and Distance Measures in KNN Classifier,” Journal of Techniques, vol. 6, no. 3, pp. 19–25, Aug. 2024, doi: https://doi.org/10.51173/jt.v6i3.2587.
Firmansyach, W.A., Hayati, U., & Arie Wijaya, Y. (2023). ANALISA TERJADINYA OVERFITTING DAN UNDERFITTING PADA ALGORITMA NAIVE BAYES DAN DECISION TREE DENGAN TEKNIK CROSS VALIDATION. JATI (Jurnal Mahasiswa Teknik Informatika). https://doi.org/10.36040/jati.v7i1.6329
Saumya Rajvanshi, G. Kaur, Anish Dhatwalia, None Arunima, A. Singla, and A. Bhasin, “Research on Problems and Solutions of Overfitting in Machine Learning,” Lecture notes in electrical engineering, pp. 637–651, Jan. 2024, doi: https://doi.org/10.1007/978-981-97-2508-3_47.
J. Zidar, Tomislav Matić, I. Aleksi, and Željko Hocenski, “Dynamic Voltage and Frequency Scaling as a Method for Reducing Energy Consumption in Ultra-Low-Power Embedded Systems,” Electronics (Basel), vol. 13, no. 5, pp. 826–826, Feb. 2024, doi: https://doi.org/10.3390/electronics13050826.
Shvets, G. (2024), AMD Ryzen 5 2400G specifications, https://www.cpu- world.com/CPUs/Zen/AMD-Ryzen%205%202400G.html, diakses tgl 4 Februari 2024
B. Bylina, J. Bylina, and M. Piekarz, “Impact of processor frequency scaling on performance and energy consumption for WZ factorization on multicore architecture,” Annals of Computer Science and Information Systems, vol. 35, pp. 377–383, Sep. 2023, doi: https://doi.org/10.15439/2023f6213.
S. Liu and Avinash Karanth, “Dynamic Voltage and Frequency Scaling to Improve Energy-Efficiency of Hardware Accelerators,” Dec. 2021, doi: https://doi.org/10.1109/hipc53243.2021.00037.