Membangun Rangkaian Kombinasional Banyak Menggunakan Struktur Jaringan Neural Tunggal

Abstract

Perangkat keras digital adalah bagian penting dari sistem-sistem elektronik berbasis digital. Sistem pensaklaran digital umumnya dibangun dengan rangkaian kombinasional ataupun rangkaian sekuensial. Rangkaian kombinasional unggul pada respon cepat sementara rangkaian sekuensial lebih minimalis  dalam penggunaan hardware. Fungsi kerja dari suatu rangkaian kombinasional dinyatakan dalam fungsi Boolean. Untuk setiap fungsi yang unik dari rangkaian kombinasional, maka secara hardware susunannya perlu disusun khas tersendiri. Sebagai konsekuensi, ketika dibutuhkan banyak rangkaian kombinasional yang berbeda, maka sebanyak itu pula komponen untuk rangkaian hardware yang dibutuhkan, dan ini menjadi mahal. Pada penelitian ini diusulkan penggunaan sebuah arsitektur jaringan syaraf tiruan (JST) tunggal untuk memodelkan tiga buah rangkaian kombinasional uji (RKU) yang berbeda fungsi booleannya dengan jumlah input dan output yang sama.  Pembelajaran JST menggunakan metode backpropagation. Gagasan baru yang diusulkan adalah membuat database bobot-bobot JST yang dikelompokkan dalam tiga set kelompok pembobotan sesuai dengan fungsi Boolean masing-masing RKU. Ketika arsitektur JST difungsikan sebagai rangkaian RKU1 maka set pembobotan RKU1 menjadi nilai-nilai bobot aktif pada JST. Demikian juga untuk fungsi Boolean RKU2 dan RKU3. Set pembobotan untuk RKU2 atau RK3 di set aktif pada JST saat diinginkan. Arsitektur JST dibangun menggunakan mikrokontroller Arduino. Hasil pengujian menunjukan bahwa algoritma pengaktifan set pembobotan fungsi rangkaian RKU1, RKU2 atau RKU3 berfungsi sesuai saat dipanggil sebagai nilai JST. Keberhasilan ini memberikan banyak ide dalam membangun fungsi pensaklaran kombinasional menggunakan JST yang menjanjikan efisiensi perangkat keras dan lebih murah