Perpustakaan Digital ITB

Machine-learning (ML) adalah sebuah metode analisis data yang mengotomatiskan pembangunan model analitis. Terdapat beberapa metode ML yang umum untuk digunakan. Reinforcement Learning (RL) merupakan salah satu tipe ML yang umum digunakan dan yang menemukan action yang menghasilkan reward terbesar melalui trial and error. Keperluan komputasi untuk RL yang berat membutuhkan suatu perangkat komputasi yang kuat terutama jika terdapat masalah dengan batasan waktu yang ketat dan/atau dengan proses data yang besar terutama pada permasalah pencarian jalur terpendek. Optimasi pada hardware dapat mengurangi konsumsi daya yang besar. Optimasi ini membutuhkan berbagai penelitian dan perancangan yang banyak sehingga menemukan perangkat keras komputasi yang paling efisien. Di antara metode yang digunakan adalah dengan mengimplementasikan hardware accelerator menggunakan Field Programmable Gate Array (FPGA). Hasil implementasi dari perangkat tersebut perlu diuji pada aplikasi tertentu untuk mengukur performa dari perangkat. Salah satu aplikasi yang baik untuk mengimplementasikan RL adalah dalam bidang sistem navigasi cerdas. Pada buku ini, penulis akan menjelaskan tentang perancangan yang dilakukan untuk subsistem dari suatu maket pengujian jalur terpendek dengan algoritma Q- Learning dengan menggunakan perangkat keras. Subsistem yang dimaksud adalah robot dan pergerakannya pada maket pengujian dengan hasil robot dapat bergerak dalam 1.265 detik untuk berpindah state, 0.771 detik untuk merubah orientasi, dan 0.721 detik untuk membaca RFID.