Memahami Arsitektur Hardware Komputer Modern: Perbedaan CPU, GPU, TPU, dan NPU dalam Menjalankan Algoritma

Dalam beberapa dekade pertama sejarah komputasi personal, kecepatan sebuah komputer hampir seluruhnya diukur dari seberapa cepat Central Processing Unit (CPU) menyelesaikan instruksi. Namun, ledakan data raksasa (Big Data), grafis tiga dimensi fotorealistik, dan akselerasi kecerdasan buatan (Artificial Intelligence) telah mengubah lanskap arsitektur silikon secara fundamental.

Kini, prosesor modern tidak lagi berbentuk tunggal. Komputer, server cloud, hingga smartphone di saku Anda dilengkapi dengan prosesor terspesialisasi: CPU, GPU, TPU, dan NPU. Mengapa kita membutuhkan begitu banyak jenis silikon pemroses data, dan bagaimana masing-masing menangani algoritma pemrograman?

1. CPU (Central Processing Unit): Sang Dirigen Logika Sekuensial

CPU sering diibaratkan sebagai beberapa profesor jenius dengan kemampuan matematika tingkat tinggi. CPU dirancang untuk menangani komputasi sekuensial (berurutan) yang rumit dengan latensi serendah mungkin.

• Karakteristik Arsitektur: Memiliki jumlah inti (core) yang relatif sedikit (umumnya 4 hingga 32 core), namun masing-masing inti beroperasi pada clock speed sangat tinggi (hingga 5,5+ GHz) dan didukung memori cache (L1, L2, L3) yang sangat besar.
• Branch Prediction Canggih: CPU sangat lihai menebak alur percabangan kode (struktur if-else dan switch-case) sehingga meminimalkan siklus tunggu instruksi.
• Peruntukan Utama: Menjalankan sistem operasi, manajemen memori, kompilasi kode, logika bisnis perbankan, dan aplikasi perkantoran umum.

2. GPU (Graphics Processing Unit): Raksasa Komputasi Paralel

Jika CPU adalah sekelompok kecil profesor jenius, maka GPU adalah pasukan ribuan pekerja terampil yang dapat mengerjakan perhitungan aritmatika sederhana secara bersamaan dalam waktu persis satu detik.

• Karakteristik Arsitektur: GPU memiliki ribuan inti pemroses kecil (CUDA Cores pada Nvidia atau Stream Processors pada AMD). Alih-alih mengutamakan latensi rendah per instruksi, GPU mengutamakan throughput data masif.
• SIMD (Single Instruction, Multiple Data): Satu instruksi yang sama dieksekusi secara serentak pada jutaan piksel atau matriks data angka pecahan (floating-point).
• Peruntukan Utama: Rendering grafis game 3D, pengeditan video resolusi 8K, simulasi fisika fluida, serta pelatihan jaringan saraf tiruan (Deep Learning).

3. TPU (Tensor Processing Unit): Spesialis Matriks AI Buatan Google

Dikembangkan secara khusus oleh Google untuk pusat data cloud mereka, TPU adalah silikon berjenis ASIC (Application-Specific Integrated Circuit) yang dirancang untuk satu tujuan utama: perkalian dan penambahan matriks bilangan (tensor) yang menjadi dasar seluruh model Machine Learning.

• Mekanisme Systolic Array: Berbeda dari CPU dan GPU yang harus berulang kali membaca dan menulis ke memori register untuk setiap kalkulasi, pada TPU data mengalir melalui kisi-kisi pemroses dua dimensi secara berkesinambungan seperti denyut jantung. Hal ini menghemat energi dan memangkas waktu komputasi secara radikal.
• Presisi Rendah Berkualitas Tinggi: TPU mengadopsi format angka floating point khusus seperti bfloat16 yang memangkas kebutuhan bandwidth memori tanpa mengurangi akurasi hasil prediksi model AI.

4. NPU (Neural Processing Unit): Kecerdasan On-Device Hemat Daya

NPU hadir menjawab tantangan bagaimana menjalankan fitur AI generatif, pengenalan wajah biometrik, dan pemrosesan suara secara lokal pada perangkat bergerak (laptop bertenaga baterai dan smartphone) tanpa menguras daya baterai.

• Efisiensi Energi Ekstrem: NPU beroperasi pada daya sangat rendah (hanya beberapa watt) namun mampu menghasilkan puluhan TOPS (Trillion Operations Per Second) untuk komputasi inferensi model AI.
• Privasi Data Lebih Terjaga: Dengan adanya NPU, data biometrik, transkripsi suara, dan pengenalan foto tidak perlu dikirimkan ke server cloud, melainkan diproses instan di perangkat pengguna.

Tabel Matriks Perbandingan Silikon Komputasi

Memahami arsitektur hardware memungkinkan programmer menulis kode yang lebih efisien dengan memanfaatkan akselerasi perangkat keras yang tepat untuk setiap jenis masalah komputasi.