Hasil Pencarian  ::  Simpan CSV :: Kembali

"Dalam melakukan pengamatan gerak Brown untuk mencari nilai koefisien difusi, dibutuhkan sebuah sistem yang memiliki akurasi tinggi untuk pendeteksian koordinat partikel dalam orde mikrometer. Pada penelitian ini dibuat sebuah sistem untuk menganalisa pergerakan partikel microbead dalam larutan nanogold dengan variasi temperatur dalam bentuk input berupa video dan menghasilkan output berupa nilai koefisien difusi dari partikel yang terdapat pada video. Sistem ini memanfaatkan machine learning sebagai detektor koordinat partikel. Digunakan TensorFlow Object Detection API sebagai backend sistem ini dan CenterNet sebagai aristektur model yang digunakan. Koordinat partikel berhasil dideteksi dengan rata-rata error pada pendeteksian senilai 0.6 piksel. Metode mean squared displacement digunakan untuk menghitung koefisien difusi. Didapatkan nilai koefisien difusi untuk microbead pada suhu 36, 37, 38, 39, 40oC secara berurutan sebesar 8.581 x 10-14, 9.925 x 10-14, 10.113 x 10-14, 10.374 x 10-14, 14.875 x 10-14 m2/s. Didapati nilai kenaikan koefisien difusi setiap kenaikan 1oC sebesar 1.3037 x 10-14 m2/s.

---

In observing Brownian motion to find the value of the diffusion coefficient, a system that has high accuracy is needed for the detection of particle coordinates in domain of micrometers. In this study, a system was created to analyze the movement of microbead particles in a nanogold solution with temperature variations with video file as an input and produce diffusion coefficient value of the particles in the video as the output. This system utilizes machine learning as a particle coordinate detector. The TensorFlow Object Detection API is used as the backend of this system and CenterNet as the model architecture. The particle coordinates were detected successfully with an average detection error of 0.6 pixels. The mean squared displacement method is used to calculate the diffusion coefficient. The diffusion coefficient values ​​for microbeads at a temperature of 36, 37, 38, 39, 40oC respectively were 8,581 x 10-14, 9.925 x 10-14, 10,113 x 10-14, 10,374 x 10-14, 14,875 x 10-14m2/s. It was found that the value of the increase in the diffusion coefficient for every 1oC increase was 1.3037 x 10-14 m2/s."

"Salah satu metode penelitian yang ikut berperan penting dalam pengukuran berskala mikro yakni Brownian Motion yang merupakan fenomena gerakan acak beberapa partikel yang diamati di bawah lensa objektif mikroskop akibat tabrakan antarpartikel dan molekul cairan di sekitarnya. Dalam penelitian ini akan digunakan Brownian Motion untuk menentukan nilai viskositas melalui perpindahan partikel polimer (microbead) terhadap perubahan konsentrasi cairan (gliserin dan NaCl) dan ukuran partikel polimer. Pengukuran dilakukan menggunakan rancangan sistem optik seperti kamera dan lensa objektif mikroskop. Pergerakan partikel kemudian direkam dan hasil citra rekaman diolah menggunakan image processing pada MATLAB. Dengan menggunakan fungsi korelasi, lintasan pergerakan partikel dapat dilacak hingga diperoleh data perpindahan partikel untuk setiap frame. Data ini kemudian diolah ke dalam persamaan mean square displacement untuk menentukan nilai viskositas cairan tersebut melalui nilai koefisien difusi partikel, yang merupakan hasil fitting least square dari mean square displacement. Dari data yang telah diperoleh, kesalahan literatur dari pengukuran viskositas menggunakan partikel berukuran 1 mikron pada larutan gliserin dengan variasi 10%-40% bernilai tidak lebih dari 10% dibandingkan pengukuran viskositas menggunakan partikel berukuran 3 dan 5 mikron. Untuk pengukuran viskositas menggunakan partikel 1 mikron pada larutan NaCl dengan variasi konsentrasi 0%, 50%, dan 100% memiliki nilai kesalahan literatur kurang dari 7%.

---

One research method that plays an important role in micro-scale measurement is Brownian Motion, which is a phenomenon of random movement of several particles observed under the microscope's objective lens due to collisions between particles and liquid molecules around it. In this study Brownian Motion will be used to determine the value of viscosity through the displacement of polymer particles (microbead) to the changes of fluid concentration (glycerin and NaCl) and polymer particle size. Measurements were made using the design of optical systems such as camera and microscope objective lense. The movement of particles is then recorded and the recording image results are processed using image processing in MATLAB. By using the correlation function, the trajectory of particle movement can be traced until particle displacement data is obtained for each frame (in second). From the data, the literature error from the viscosity measurement uses 1-micron particle in the glycerin solution with a variation of 10% - 40% is no more than 10% compared to the viscosity measurement using 3 and 5-micron particle. For the measurement of viscosity using 1-micron particle in NaCl solution with variations in the concentration of 0%, 50%, and 100%, the literature error is less than 7%."

"In this paper, the problem of natural convective heat transfer of kerosene-cobalt nanofluid inside a quarter circular enclosure in the presence of oriented magnetic field has been studied numerically using two-component non-homogeneous model. The round wall of the enclosure is maintained at constant low temperature; the left vertical wall is adiabatic whereas the bottom wall is considered as heated uniformly and non-uniformly. The effects of Brownian motion and thermophoresis are incorporated into the nanofluid model. The Galerkin weighted residual finite element method has been employed to solve the governing partial differential equations after converting them into a non-dimensional form using a suitable transformation of variables. Comparison with previously published work is performed and excellent agreement is obtained. The effects of various model parameters such as Hartmann number, Rayleigh number and magnetic field inclination angle on the streamlines, isotherms and isoconcentrations have been displayed graphically for both uniformly as well as non-uniformly heated bottom wall. In addition, the heat transfer augmentation for various model parameters as well as various thermal boundary conditions have been done in light of the average Nusselt number from the bottom heated wall. The obtained numerical results show that the average Nusselt number is an increasing function of the Rayleigh number, while it is a decreasing function of the Hartmann number."

"Para roboticist selalu berusaha agar robot dapat menghampiri bentuk dan kemampuan manusia sehingga robot dapat berinteraksi bersama manusia dengan baik. Untuk dapat berinteraksi dengan manusia, robot sebisa mungkin dibuat agar memiliki gerakan yang mirip dengan manusia. Imitation Learning atau sering disebut dengan Motion Capture, adalah salah satu teknik pengendalian robot humanoid dengan manusia sebagai aktor dan robot sebagai agen yang akan mengimitasi gerakan aktor. Metode ini menawarkan kefleksibelan dan kemudahan dalam mememodifikasi sistem robot. Pada penelitian ini telah dikembangkan sebuah sistem motion capture untuk mentransformasikan gerakan lengan manusia ke lengan robot humanoid secara real time, dengan setiap lengan terdiri dari 3 DOF serta dilakukan perancangan database motion agar robot dapat melakukan gerakan yang telah dilakukannya. Proses tracking dengan Microsoft Kinect dilakukan pada rate frekuensi 20 Hz dengan dengan satu loop proses komputasi mapping membutuhkan waktu rata-rata 340 us. Rata-rata error pendeteksian vektor skeleton yang dideteksi adalah 1.74 cm.

---

The roboticist always trying to get the robot to approach the form and abilities so that the robot can interact with humans as well. To be able to interact with humans, robot made as much as possible in order to have similar movement to human. Imitation Learning or often called Motion Capture, is one of the humanoid robot control techniques with human as an actor and the robot as an agent who will imitate the movement of the actor. This method offers flexibility and ease to modify robot system.

In this research, we have developed a motion capture system to transform human arm movement to humanoid robot in real time, with each arm consisting of 3 DOF and we have designed database motion so that robot can redo the movement which it can do previously. Tracking process with Microsoft Kinect performed at frequency of 20 Hz with a single loop computation mapping process takes an average of 340 us. The average error detection of skeleton vector is 1.74 cm."

"Penelitian ini bertujuan untuk menganalisis fenomena amplifikasi gerak tanah gempa untuk Universitas Indonesia (Depok). Amplifikasi gerak tanah gempa merupakan peristiwa perbesaran gerakan tanah saat terjadinya gempa bumi akibat berbagai faktor geologi, termasuk sifat mekanik tanah dan karakteristik geoteknik. Metode penelitian yang digunakan meliputi: analisis data hasil pencatatan gempa, pemodelan satu dimensi (1D) dengan perangkat lunak DEEPSOIL v7, serta analisis komparatif terhadap hasil pencatatan gerak tanah gempa di permukaan tanah Hutan UI dan FMIPA UI. Hasil penelitian menunjukkan bahwa pemodelan secara nonlinear memberi akurasi yang lebih baik dibandingkan ekuivalen linear. Selain itu, perubahan stratigrafi akan berdampak signifikan bagi amplifikasi gerak tanah gempa. Studi ini juga mengidentifikasi hubungan antara variasi muka air tanah dan variasi nilai overconsolidation ratio (OCR) terhadap amplifikasi gerak tanah gempa yang terjadi.

---

This research aims to analyze the phenomenon of seismic ground motion amplification for the University of Indonesia (Depok). Seismic ground motion amplification is the phenomenon of increased ground motion during an earthquake due to various geological factors, including soil mechanical properties and geotechnical characteristics. The research methods used include: analysis of earthquake recording data, one-dimensional (1D) modeling using DEEPSOIL v7 software, and comparative analysis of recorded seismic ground motion at the Hutan UI and FMIPA UI surface sites. The research results show that nonlinear modeling provides better accuracy compared to equivalent linear modeling. Additionally, changes in stratigraphy have a significant impact on seismic ground motion amplification. This study also identifies the relationship between variations in groundwater levels and variations in the overconsolidation ratio (OCR) with respect to seismic ground motion amplification."

"Untuk dapat berinteraksi bersama manusia dengan baik, robot sebisa mungkin dibuat agar memiliki berntuk dan gerakan yang mirip dengan manusia. Motion Capture atau sering disebut dengan Imitation Learning adalah salah satu teknik pengendalian robot humanoid dengan manusia sebagai actor dan robot sebagai agen yang akan mengimitasi gerakan actor. Metode ini menawarkan kefleksibelan dan kemudahan dalam memprogram gerakan robot. Namun, dalam proses imitasi perlu dipertimbangkan aspek keseimbangan robot. Pada penelitian ini diimplementasikan metode motion capture untuk mengendalikan robot biped dengan pengendalian keseimbangan yang menerapkan kriteria ZMP pada perubahan gerakan robot. Penelitian dilakukan dengan menggunakan perangkat capture Microsoft Kinect dan dipetakan secara langsung pada biped robot 12 DOF dengan aktuator Dynamixel AX-12. Metode yang diusulkan telah sukses dikembangkan, disimulasikan, diuji langsung kepada robot dan memberikan hasil yang baik.

---

To be able to interact with humans, robot made as much as possible in order to have similar appearance and movement like human. Motion capture or often called Imitation Learning is one of the humanoid robot control techniques with human as an actor and the robot as an agent who will imitate the movement of the actor. This method offers flexibility and ease to modify robot system. But, in imitation process also need to consider robot balance. In this research, motion capture will be implemented to control Biped robot with balance control which applied Zero Moment Point criterion in everychange that occur in robot motion. The study was conducted by using Microsoft Kinect as capture device and the direct implementation of the Biped robot with 12-DOF. The proposed method has been successfully developed, simulated, and evaluated on a real robot and give good results."

"Penurunan kinerja memori spasial pada lansia mempengaruhi ruang gerak lansia ketika beraktivitas di rumah. Permasalahan memori spasial lansia akan membuat lansia kesulitan mengingat lokasi objek. Hal tersebut dapat menghambat lansia ketika ingin melakukan pengaturan terhadap objek pada ruang. Hal ini dikarenakan terjadinya penambahan pola gerak yang akan membuat ruang gerak lansia semakin meluas. Kehadiran PIR Motion Sensor Technology yang dapat melakukan pengaturan otomatis dengan mengirim sinyal perintah kepada berbagai perangkat pintar maupun perangkat elektronik rumah tangga biasa akan memudahkan pekerjaan lansia dalam melakukan pengaturan objek. PIR Motion Sensor dapat mendeteksi kehadiran lansia melalui gelombang radiasi inframerah yang dipancarkan tubuh lansia saat bergerak. Pengaturan otomatis pada PIR Motion Sensor membuat lansia tidak perlu kesulitan dalam menggunakan memori spasialnya untuk mencapai objek yang ingin dilakukan pengaturan. Hal tersebut akan membuat ruang gerak lansia menjadi lebih kecil karena tidak adanya penambahan pola gerak untuk mencapai objek.

---

The decrease of spatial memory performance among the elderly affects the movement space of the elderly when engaging in activities at home. Spatial memory issues in the elderly can make it difficult for them to remember object locations. This thing can hinder the elderly when they want to arrange objects within a space. This is due to the increase in movement patterns that would expand the movement space for the elderly. The presence of PIR (Passive Infrared) Motion Sensor Technology, which can provide automatic control by sending command signals to various smart devices and household electronics, can facilitate the elderly in object arrangement tasks. PIR M otion Sensor can detect the presence of the elderly through the infrared radiation emitted by their bodies when they move. The automatic control feature of the PIR Motion Sensor eliminates the need for the elderly to rely on their spatial memory to reach objects for adjustment. Consequently, the movement space for the elderly becomes smaller since there is no need for additional movement patterns to reach the objects."

"Salah satu unit proses yang sulit untuk dilakukan pemodelanannya secara matematis adalah unit proses ammonia converter. Dalam unit proses ini produk yang dihasilkan dipengaruhi berbagai macam proses seperti proses reaksi kimia, proses quenching, serta perpindahan kalor, yang kesemuanya dipengaruhi oleh setting laju alir pada aliran feed, by-pass, quench dan interchanger dalam ammonia converter. Dengan banyaknya proses yang terjadi, perubahan kondisi pada aliran masukan akan sangat berpengaruh terhadap produk yang dihasilkan, sehingga dibutuhkan pengubahan setting laju alir dalam ammonia agar produk tetap sesuai dengan spesifikasi yang diinginkan, oleh karena itu dibutuhkan suatu alat untuk memprediksi kondisi operasi ammonia converter yang dapat mengikuti perilaku alami dari unit proses ammonia converter tersebut. Metode jaringan syaraf tiruan backpropagation dan jaringan regresi dapat digunakan untuk memprediksi setting laju alir dalam ammonia converter jika diketahui data historis kondisi operasi dan setting laju alir yang sudah ada pada unit ammonia converter tersebut. Dalam penelitian ini dilakukan perancangan jaringan syaraf tiruan dengan menggunakan backpropagation dan jaringan regresi yang kemudian dilakukan proses pembelajaran, validasi dan simulasi dengan data historis yang didapat dari unit Ammonia Converter 105-D pada periode Juli - Agustus 2004. Unit ini merupakan unit proses sintesis ammonia milik PT. Pupuk Sriwidjaya (Persero). Dari penelitian diperoleh hasil bahwa untuk memprediksi setting laju alir dalam ammonia converter, dibutuhkan 4 buah jaringan syaraf tiruan paralel yang digunakan untuk memprediksi masing-masing laju alir dalam ammonia converter. Jaringan backpropagation 3 layer (lapisan) dengan 10 neuron pada layer input, 5 neuron pada hidden layer dan 1 neuron pada layer output menghasilkan kesalahan rata-rata hasil simulasi sebesar 0.85 %. Sedangkan jaringan regresi 3 layer dengan 4 neuron pada layer input, 4 neuron pada hidden layer dan 1 neuron pada layer outputnya menghasilkan kesalahan rata-rata hasil simulasi sebesar 0.523 %. Dengan hasil tersebut maka jaringan regresi dapat melakukan prediksi setting laju alir dalam ammonia converter lebih baik dibandingkan jaringan backpropagation."