Memilih Komputer untuk Pemrosesan Citra Astronomi: CPU, RAM, SSD, dan Uji Nyata

Artikel ini dirangkum dari catatan dan pengujian langsung sepanjang 2020 hingga 2024. Model CPU dan kartu grafis, harga memori, serta skor Benchmark yang disebutkan di dalamnya semuanya berubah seiring zaman, jadi saat membeli mohon berpatokan pada informasi pasar yang berlaku saat ini.

“Untuk menjalankan PixInsight, komputer seperti apa yang harus dirakit?” adalah pertanyaan yang sering muncul di komunitas. Beberapa tahun belakangan saya berganti mesin beberapa kali, dan sudah menguji cukup banyak kombinasi dengan script Benchmark resmi. Artikel ini merangkum pengalaman saya menjadi panduan pembelian yang disusun per komponen, lengkap dengan perubahan skor hasil pengujian sepanjang perjalanan tersebut.

Bicara Dulu soal PixInsight Benchmark

PixInsight secara resmi menyediakan sebuah script uji performa yang memungkinkan Anda menilai seberapa baik komputer Anda menjalankan PI; setelah selesai, script itu memberikan tiga skor: Total, CPU, dan Swap. Kalau ingin mengujinya, jangan lupa memperbarui PI ke versi terbaru dulu sebelum menjalankannya.

Yang pertama kali saya uji adalah komputer yang saya taruh di kantor untuk memproses citra astronomi (AMD APU 2400G, DDR4 2666 14GB, M.2 SSD), dan hasil terbaiknya hanya Total sekitar 6414. Setelah prosesornya saya tingkatkan (AMD R5 4650G), skor CPU langsung berlipat dua dan melesat ke angka tiga belas ribuan, sementara konsumsi daya total seluruh rakitan tidak sampai 120 watt — hasil yang membuat saya sangat puas. Skor ini bahkan berimbang dengan desktop berukuran normal di rumah (R5-3600, 32GB DDR4 3200).

Bagaimana Memilih Tiap Komponen

Memasuki 2023, seiring kamera saya beralih dari CCD ke CMOS (IMX571, IMX455, dan sebagainya), citra pun membengkak dari belasan juta piksel menjadi dua puluh empat juta, lalu enam puluh juta piksel, dan spesifikasi mesin kantoran saya yang lama mulai kewalahan — sekadar berpindah antara langkah sebelumnya dan langkah berikutnya saja perlu menunggu tiga detik, sehingga membandingkan citra sebelum dan sesudah menjadi sangat tidak intuitif. Ditambah lagi, tahun itu banyak sekali process berbasis AI yang dirilis dan terpakai di berbagai tahap alur kerja. Maka saya pun menyusun ulang logika pembelian saya:

CPU

Yang dibutuhkan PI adalah “core yang banyak dan semuanya core besar”. Pada PC arus utama, CPU kelas atas konsumen seperti AMD 7950X atau Intel i9-13900K memberi performa yang lebih baik. Yang perlu ditekankan: versi X3D dari AMD tidak memberi nilai tambah apa pun untuk PI, bahkan performa produktivitasnya secara nyata bisa sedikit lebih rendah daripada 7950X versi biasa — kecuali Anda ingin sekalian bermain game, pilih saja versi biasanya.

Selain itu, pernah ada orang yang menjalankan R9-7950X dengan Linux dan mencetak skor tembus lima puluh ribu, langsung melindas seri i9-13900 (proses 5nm TSMC memang ganas). Teman-teman yang berencana mengganti mesin dalam waktu dekat boleh memperhatikan kombinasi semacam ini.

Kartu Grafis (VGA)

Bagi yang memproses komet, atau yang alur kerjanya menuntut penghapusan bintang dan pengurangan noise berulang kali, pada PC saya sarankan menambahkan satu kartu grafis NVIDIA agar core CUDA ikut membantu mempercepat SXT, NXT, dan BXT. Dengan harga pasar pada masa itu, seri RTX 30 (misalnya RTX 3060 atau 3060 Ti) menjadi pilihan utama. Kalau Anda tidak bermain game, RTX 3060 versi 12G adalah pilihan yang bagus — hemat daya, VRAM-nya lebih banyak, bahkan bisa sekalian dipakai untuk Stable Diffusion. (Pengujian rinci mengenai akselerasi GPU ada pada artikel tersendiri.)

Di sisi Mac, mesin M1 ke atas akan mengaktifkan akselerasi GPU secara otomatis.

SSD

Setidaknya, berkas yang hendak diproses harus diletakkan di SATA SSD; dengan kondisi arus utama sekarang, meletakkannya di M.2 SSD tentu lebih baik. SSD PCIe Gen3 sudah cukup, dan manfaat pemrosesan yang dibawa Gen4 sebenarnya tidak seberapa (hanya terasa lebih cepat saat menyalin berkas).

Omong-omong, kalau PI Benchmark dijalankan dengan RAMDISK tetapi kecepatannya hanya mentok di 4GB/s, itu tidak banyak gunanya — kalau RAMDISK tidak mencapai setidaknya 10GB/s, lebih baik langsung beralih ke satu SSD PCIe Gen4 yang terjangkau (7GB/s semestinya sudah cukup cepat).

RAM

PI memanfaatkan memori dengan efisiensi yang cukup baik. Kecuali yang Anda proses semuanya citra besar dari sensor full frame ke atas, 32GB sudah memadai. Kalau Anda memakai DDR4, langsung saja naik ke 64GB; DDR5 pada masa itu masih tergolong mahal, jadi mulailah dengan 32GB dan tambahkan kalau memang diperlukan.

Ada satu gagasan penting di sini: kalau memori tidak cukup, CPU secepat apa pun tidak akan bisa menunjukkan kemampuannya. Sebelum menjalankan script atau process, PI lebih dulu memperkirakan memori yang tersedia; kalau ruangnya tidak cukup untuk memberi makan semua thread, PI akan langsung membatasi jumlah thread yang dapat dipakai. Sebagai contoh, kalau setiap thread membutuhkan 1,7GB sementara memori yang tersisa hanya 19GB, PI hanya akan meloloskan 9 thread; padahal CPU Anda jelas-jelas punya 32 thread, artinya 23 thread menganggur sia-sia. PI secara resmi menyarankan sekitar 2GB memori untuk tiap thread — dengan contoh AMD 7950X (16 core besar, 32 thread), setidaknya harus terpasang 64GB agar perangkat lunaknya dapat bekerja dengan kemampuan penuh.

Beberapa Mesin yang Saya Uji Langsung

Sepanjang pergantian mesin ini, ada beberapa unit representatif yang saya pegang:

• Mesin kantoran AMD R5-2400G → R5-4650G: saya pertama kali belajar PI justru dengan mesin kantoran 2400G ini, lalu ditingkatkan ke 4650G (performanya kira-kira setara R5-3600). Namun karena casing-nya kecil, selain CPU, memori, dan SSD tidak ada tempat untuk memasang kartu grafis tambahan.
• Laptop gaming AMD R7-5800H: 32GB DDR4 3200, M.2 Gen3 SSD, RTX 3060 Laptop 6G, dengan total biaya kurang dari 40.000 dolar Taiwan. Kesenangan meningkatkan RAM dan SSD dengan tangan sendiri itu tak ternilai, sementara kartu grafisnya khusus bertugas mempercepat penghapusan bintang lewat CUDA.
• Desktop baru AMD R9-7950X: DDR5 6000 16G×2, pendingin cair terpadu 360, motherboard B650, beberapa M.2 PCIe SSD, RTX 3060 12G, dan power supply 750W. Saat merakit yang satu ini, anggaran saya pusatkan pada komponen yang paling erat kaitannya dengan pemrosesan citra — CPU, pendingin cair, dan kartu grafis — sedangkan periferal lainnya ditekan semaksimal mungkin.

Menjelang akhir 2024, setelah PI diperbarui ke versi besar 1.9 Lockhart, seperti biasa saya menguji ulang satu putaran. Skor rata-rata ketiga mesin yang saya pegang adalah: R5-3600 yang sudah dipakai hampir lima tahun sekitar 14700, R7-5800H yang berumur tiga tahun sekitar 17000, dan R9-7950X yang hampir dua tahun sekitar 29800. Sebagai desktop andalan, 7950X setelah dua tahun tetap sangat perkasa; sepertinya ia masih sanggup bertahan dua tahun lagi sambil menunggu CPU generasi baru dari AMD. Tentu saja, kalau harus merakit sekarang, langsung menyerbu puncak dengan R9-9950X kira-kira bisa bertempur lima tahun lagi.

Beberapa Detail yang Mudah Terlewat

• Tentang Apple ARM: mulai versi 1.9, PI mengganti mesin komputasinya dan bertahap menuju dukungan native untuk Apple ARM, bukan lagi berjalan lewat emulator. Sebelum itu (pada era 1.8.x), PI di M1/M2 berjalan dengan emulator, dan penilaian performa harus memperhitungkan hal ini.
• Ambang CPU sejak 1.9: mulai versi 1.9, PixInsight tidak lagi mendukung CPU lawas yang tidak memiliki instruksi AVX2/FMA3 (Intel kira-kira sebelum kuartal kedua 2013, AMD kira-kira sebelum kuartal kedua 2015); platform lawas seperti itu tidak akan bisa memasang PI versi baru. Bagi yang masih memakai PC lama, saya sarankan menimbang penggantian mesin sebelum naik ke versi besar.
• Intel generasi 13/14 versi K yang crash: beberapa rekan penghobi pernah melaporkan bahwa CPU Intel generasi 13 dan 14 versi K akan crash saat menjalankan PI dengan nilai bawaan. Belakangan pabrikannya merilis pembaruan BIOS yang menurunkan performa sekitar 10% tetapi menjamin kestabilan sistem; teman-teman yang memakai i9-13900K, 14900K, atau 14700K boleh mencoba memperbaruinya.
• Lama komputer menyala memengaruhi skor: pada Windows, untuk mendapatkan skor Benchmark terbaik, sebaiknya jalankan tepat setelah “dimatikan lalu dinyalakan kembali”, yaitu saat komputer baru saja menyala. Pada komputer saya, sekadar restart tidak berguna; harus dimatikan dulu lalu dinyalakan lagi, sebab kalau tidak, SSD tidak akan menjalankan garbage collection. Setelah kira-kira seminggu menyala, kecepatan baca berurutan SSD akan turun hingga di bawah 3000MB/s. Mematikan dan menyalakan ulang secara berkala memang perlu.

Sekalian: Komputer untuk Kendali Pemotretan

Di luar mesin utama untuk pascapemrosesan, di lokasi pemotretan masih dibutuhkan satu komputer kendali, dan logika pemilihannya benar-benar berbeda — yang utama bukan performa, melainkan kestabilan dan ketahanan terhadap lingkungan. Saya mendapatkan dua keping memori laptop DDR5, memasangkannya dengan M.2 Gen3 SSD lama, lalu merakit satu komputer mungil berinti Intel 1240P sebagai mesin kendali saat memotret citra astronomi (sekaligus mengendalikan satu mounting, dua teleskop, dan dua kamera) merangkap keperluan live stacking. Komputer ini tidak berbaterai, jadi tidak takut suhu rendah di pegunungan; tetapi karena termasuk sistem berkipas, ia tidak bisa dipasang langsung di teleskop.

Ringkasan

Untuk merakit satu komputer penjalan PI, urutan prioritasnya kira-kira begini: CPU dengan banyak core besar, memori yang cukup untuk mengimbangi jumlah thread, satu M.2 SSD yang layak, lalu tambahkan satu kartu grafis NVIDIA sesuai kebutuhan alur kerja. Spesifikasi perangkat keras akan terus berganti generasi, tetapi prinsip “menaruh anggaran pada bagian yang paling erat kaitannya dengan pemrosesan citra” tidak akan mudah usang.