View/Open

Author

Advisor
Denny Hidayat Tri Nugroho, S.T., M.T,
Purwono Prasetyawan, S.T., M.T.,

Koleksi
Teknik Elektro

Publisher

Artificial Intelligence Reinforcement Accelerator (AIRA) merupakan sistem hardware akselerator yang dirancang khusus untuk mengoptimalkan implementasi algoritma Q-learning dalam menyelesaikan permasalahan pathfinding pada lingkungan labirin dengan performa tinggi dan efisiensi energi. Q-learning merupakan metode reinforcement learning yang memungkinkan agen untuk belajar mencapai solusi optimal melalui interaksi dengan lingkungan tanpa model yang diketahui sebelumnya. Penelitian ini mengimplementasikan software Q-learning berbahasa Python yang dapat menangani labirin bervariasi (4×4, 8×8, 10×10, dan 16×16). AIRA dilengkapi interface output yang dirancang menggunakan Verilog HDL dengan visualisasi LED directional dan seven-segment display untuk menampilkan real-time navigation dan state transitions. Hasil implementasi menunjukkan pencapaian yang signifikan dimana Hardware AIRA mencapai kecepatan pemrosesan 14.37 ms untuk labirin 4×4, 147.7× lebih cepat dibandingkan PYNQ-Z2 (2.12 detik) dan 8.65× lebih cepat dibandingkan implementasi software Anaconda (0.124 detik). Dari segi efisiensi energi, sistem AIRA mengonsumsi daya hanya 1.42W, mencapai efisiensi 31.7× lebih baik dibandingkan laptop AMD Ryzen 7 4800H (45W) dan 3.5× lebih efisien dibandingkan PYNQ-Z2 Dual ARM Cortex-A9 MPCore (4.95W). Parameter optimal yang diidentifikasi adalah α=0.2-0.3, γ=0.9-0.95, ε=0.1-0.3, dan 1000 episode untuk keseimbangan optimal antara convergence speed dan computational efficiency. Validasi interface output menunjukkan sinkronisasi sempurna antara state machine, LED indicators, dan seven-segment display dalam menampilkan jalur navigasi optimal.

URI
https://repo.itera.ac.id/depan/submission/SB2508250011

Keyword
Q-learning Labirin Python Software Interface Output