Hasil Pencarian  ::  Simpan CSV :: Kembali

"ABSTRAKAplikasi neural networks untuk pengendalian suatu sistem, yang biasa pula disebut neurocontroller, memiliki kelebihan yang disebabkan oleh kemampuan neural networks untuk melakukan penalaan diri sendiri (self adjusting), kemampuan untuk melakukan aproksimasi terhadap fungsi-fungsi non linear dan juga ketegaran (robustness) terhadap disturbansi atau degradasi yang menyebabkan perubahan pads parameter sistem_Sistem electromagnetic linear actuator adalah sebuah contoh sistem yang memiliki non linearitas tinggi dan time variant. Sifal time variant ini diakibatkan oleh adanya disturbansi dengan parameter yang berubah-ubah pada sistem tersebut. Pada skripsi ini akan dibahas perancangan dan pengaplikasian neural networks untuk mengendalikan sistem electromagnetic linear actuator untuk mencapai suatu posisi target dalam suatu range tertentu yang berada dalam batas antara 0 mm sampai 9 mm.Hasil simulasi menunjukkan neural networks dapal mengendalikan sistem electromagnetic linear actuator pada range 0 mm sampai 3 mm dan 0 mm sampai 6 mm dengan steady state error lebih kecil dari 5 %, sementara untuk range 0 mm sampai 9 mm memiliki steady state error yang sebagian besar di alas 15 %. I-lasil simulasi tersebut juga menunjukkan ketegaran (robustness) neural networks, yang tetap dapai mengendalikan dengan stabil sistem terhadap pengaruh disturbansi dengan parameter yang berubah-ubah, dan dengan selisih antara output sistem pads saat dipengaruhi disturbansi dengan parameter yang berbeda yang sebagian besar di bawah 5 % pada semua range tersebut di atas.

---

"

"Pengendali Fuzzy beberapa tahun terakhir ini telah meluas dipakai pada bidang industri. Kemampuan pengendali logika fuzzy yang dapat menyerupai kemampuan seorang ahli dalam mengendalikan suatu sistem menjadi salah satu keunggulan pengendali tersebut masih terdapat masalah yang cukup rumit dan sulit, yaitu penentuan kaidah yang digunakan logika fuzzy, penentuan jumlah dan nilai parameter-parameter yang ada di dalam sistem pengendali logika fuzzy. Penentuan nilai parameter-parameter pada pengendali logika fuzzy dapat dilakukan dengan metode ANFIS (Adaptive Neuro Fuzzy Inference System) menggunakan metode hybrid untuk mendapatkan nilai parameter tersebut secara otomatis dengan bantuan sejumlah data latihan.Pada Skripsi ini dibuat simulasi suatu sistem kendali untuk mengendalikan posisi pada electro-hydraulic actuator yang digunakan antara lain pada robot manipulator. Simulasi dilakukan dengan mengunakan program Matlab ver 5.3 for windows. Dalam Skripsi ini digunakan pengendali ANFIS dan pengendali P untuk mengendalikan posisi pada electro-hydraulic actuator. Pengendali P digunakan pada subsistem elektromekanik yang dapat mempercepat tanggapan sistem. Parameter-parameter tanggapan waktu yang diambil dari hasil simulasi, yaitu final value, rise time, settling time, percent overshoot, dan steady state error. Hasil simulasi sistem dengan pengendali ANFIS dan pengendali P menunjukkan tanggapan waktu yang cepat."

"Penelitian yang telah dilakukan untuk mengeliminasi SOX dengan menggunakan katalis CuO/Zeolit ternyata memakan biaya yang besar terutama dalam menentukan kondisi-kondisi optimum dari preparasi katalis tersebut, mengingat parameter-parameter kondisi preparasi katalis, yang banyak jumlahnya, itu dilakukan secara trial dan error dalam penelitian laboratorium. Salah satu metode yang banyak mendapat perhatian karena keunggulannya dalam memecahkan permasalahan yang melibatkan banyak parameter adalah Jaringan Neural Artitisial. Oleh karena itu kondisi preparasi katalis CuO/Zeolit akan disimulasikan oleh jaringan neural propagasi maju dengan metode pelatihan jaringan Algoritma Genetik. Parameter preparasi yang akan disimulasikan adalah suhu kalsinasi dan % loading yang akan menentukan parameter luas permukaan. Metode preparasi katalis yang digunakan adalah metode presipitasi dan metode impregnasi sulfat. Data-data preparasi katalis diambil penelitian RUT IV FTUI. Hasil simulasi menunjukkan bahwa jaringan neural dengan pelatihan algoritma genetik dapat mensimulasikan preparasi katalis CuO/Zeolit dengan metode presipitasi dengan persentase kesalahan 3.56 % terhadap data aktual. Preparasi katalis dengan metode impregnasi nitrat mempunyai kesalahan yang cukup tinggi yaitu 23.58 %. Analisa simulasi menunjukkan bahwa data latih yang digunakan untuk pelatihan jaringan dan parameter-parameter algoritma genetik mempunyai pengaruh yang cukup besar terhadap akurasi simulasi jaringan neural."

"Penelitian yang telah dilakukan dalam menentukan kondisi optimum dari preparasi katalis CuO/Zeolit untuk mengeliminasi SOx ternyata memakan biaya yang besar karena harga parameter-parameter kondisi preparasi katalis yang banyak jumlahnya itu dilakukan secara trial dan error di laboratorium. Salah satu metode yang banyak mendapat perhatian karena keunggulannya dalam memecahkan permasalahan yang melibatkan banyak parameter dengan derajat non-linearitas yang tinggi adalah Jaringan Neural Artifisial. Oleh karena im kondisi preparasi katalis CuO/Zeolit akan disimulasikan oleh Jaringan Neural Propagasi Maju dengan metode pelatihan Jaringan Neural Conjugate Gradient.Simulasi ini sendiri bertujuan untuk mendapatkan luas perrnukaan zeolit yang paling optimal dengan data masukan berupa suhu kalsinasi dan % loading. Metode preparasi katalis yang digunakan adalah metode presipitasi da.n metode impregnasi sulfat. Data-data preparasi katalis diambil dari penelitian RUT IV TGP-FTUI. Hasil pembelajaran menunjukkan bahwa Janingan Neural Conjugate Gradient berhenti melakukan pencarian vektor bobot W pada error 0-01793 untuk presipitasi dan 0.03479 untuk impreguasi sulfat dari error tollerance sebosar 0.01 yang diset. Berhentinya proses pembelajaran sebelum tercapainya error toilerance ini disebabkan oleh terjebaknya Jaringan Neural Conjugate Gradient pada daerah lokal optima. Analisa simulasi dengan Propagasi Maju juga menunjukkan bahwa kondisi data latih yang digunakan untuk pelatihan jaringan mempunyai pengaruh yang cukup besar terhadap keakurasian hasil simulasi Jaringan Neural dengan data aktual yang diperoleh dari laboratorium. Makin banyak jumlah data dan makin bagus kondisi data (benar-benar didapatkan dari hasil percobaan di laboratorium) maka makin baik pula hasil simulasi."

"Pada tugas akhir ini disimulasikan kemampuan diagonal recurrent neural networks (DRNN) untuk mengendatikan sistem dinamis. Diagonal recurrent neural networks (DRNN) cocok untuk mengendalikan sistem dinamis karena memiliki internal feedback loop sehingga memiliki karakteristik dynamic mapping. Sistem kontrol dengan diagonal recurrent neural networks (DRNN) terdiri atas diagonal recurrent neuroidentifrer (DRNI) dan diagonal recurrent neurocontroller (DRNC). Diagonal recurrent neuroidentifier (DRNI) akan mengidentifika5i plant yang dikendalikan dan memberikan informasi tersebut ke DRNC. Diagonal recurrent neurocontroller (DRNC) akan memberikan sinyal kendali untuk mengendalikan plant sehingga dapat mengikuti model referensi yang diinginkan. Simulasi dilakukan dengan dua plant yang berbeda. Pada plant pertama diuji kemampuan beradaptasi dan kemampuan menanggulangi gangguan yang tedadi. Pada plant kedua, dilihat bagaimana DRNN dapat mengendalikan plant yang tidak stabil bila diberikan sinyal kendali dengan besar tertentu."

"Sistem TBL merupakan sistem yang kompleks karena karakteristik kelistrikan dari bahan baku yang berfungsi sebagai beban sangat fluktuatif. Besarnya daya listrik yang sampai ke bahan baku berlangsung secara maksimal, maka panjang busur listrik yang dipancarkan melalui ujung elektroda harus dikendalikan. Pengendalian panjang busur listrik selama ini menggunakan pengendali jenis PI yang diimplementasikan melalui PLC, yaitu dengan mengatur posisi elektroda terhadap bahan baku. Pada tesis ini dibahas suatu pengendali berbasis ANN yang dirancang untuk menirukan pengendali PI yang sudah terpasang. Data yang diperoleh dari pengoperasian sistem pengendali PI yang terdiri dari tiga input dan tiga output digunakan sebagai data pembelajaran ANN. ANN yang dirancang berstruktur Multilayer feedforward Neural Network terdiri dari 3 lapisan yang memiliki 18 neuron pada lapisan input, 18 neuron pada lapisan tersembunyi dan 3 neuron pada lapisan output. Algoritma pembelajaran ANN yang digunakan adalah jenis algoritma Error Back Propagation. Pembelajaran dilakukan dengan mengubah-ubah beberapa parameter pembelajaran : jumlah neuron pada layar tersembunyi, learning rate, jumlah epoch dan momentum. Pembelajaran diulang-ulang sampai mencapai nilai ketelitian (RMS Error) 0,0091. Model ANN yang dihasilkan selanjutnya diuji dan dibandingkan dengan menggunakan data yang berbeda yang dihasilkan oleh pengendali PI. Dari hasil uji diperoleh bahwa pengendali berbasis ANN dapat menirukan pengendali PI dengan nilai ketelitian rata-rata 0,0316 dari tujuh interval data pengoperasian yang digunakan sebagai data uji. Hal ini dapat dikatakan bahwa model pengendali ANN tersebut dapat mengikuti perilaku pengendali PI yang sudah terpasang."

"Faktor tenaga kerja pada industri konstruksi mempunyai peranan penting, dikarenakan merupakan penggerak dari seluruh aktifitas proyek. Dalam manajemen tenaga kerja yang terpenting adalah pengendalian yang mempengaruhi biaya proyek, sehingga pada pelaksanaannya tidak terjadi penyimpangan/variance biaya negative.Dalam pengendalian proyek diperlukan alat bantu berupa software-software manajemen proyek. Software yang ada saat ini banyak merupakan alat untuk mengukur performance saja (quantitative), tetapi dalam pengendalian proyek seorang pengambil keputusan membutuhkan sebuah alat bantu dalam pengambilan keputusan, berupa rekomendasi dalam penentuan tindakan koreksi.Dalam pembuatan rekomendasi tindakan koreksi ini menggunakan pendekatan sistem jaringan probabilistik syaraf tiruan (probabilistic neural network). Software yang digunakan dalam pembuatannya adalah C++ yang sudah banyak dikenal dengan tampilan yang friendly memudahkan dalam penggunaannya. Sehingga sistem ini diharapkan dapat membantu mempercepat user dalam pengambilan keputusan."

"Dalam suatu proyek konstruksi pengendalian biaya merupakan hal yang fundamental untuk mencapai sasaran sesuai dengan yang direncanakan. Untuk mencapai hasil yang maksimal perlu diupayakan suatu sistem pengendalian biaya yang baik sehingga berbagai penyimpangan yang dapat menyebabkan terjadinya cost over run bisa dihindari. Salah satu komponen biaya yang perlu dikendalikan adalah biaya overhead. Sehingga perhitungan yang tepat dalam menentukan besarnya biaya overhead lapangan akan mempengaruhi kinerja biaya proyek. Karakteristik dunia konstruksi yang unik dan penuh ketidakpastian membutuhkan suatu sistem pengendali yang tepat dan akurat. Berbagai software-software project management yang dikembangkan sekarang belum maksimal untuk memberikan solusi yang dapat mengantisipasi terjadinya penyimpangan dalam pelaksanaan konstruksi. Salah satu sistem komputer yang dikembangkan untuk mengatasi hal ini adalah suatu program komputer berbasis sistem jaringan syaraf probabilistik (probabilistic neural network). Program komputer ini nantinya akan memberikan dukungan dalam pengambilan keputusan untuk melakukan tindakan koreksi yang paling tepat berdasarkan pertimbangan risiko yang rnungkin terjadi terhadap berbagai penyimpangan yang terdapat dalam pengelolaan biaya overhead di lapangan.

---

In construction project, financial control represent the fundamental matter to reach target matching with planned. Maximal result requires to be strived by a good financial control system so that various deviation which can cause cost overrun can be avoided. One of component of costs which require to be controlled is overhead cost. So that the correct calculation in determining the level of overhead field cost will influence project costs performance. Highly uncertain and unique characteristic in construction require an accurate and correct controller system. Various project management software developed do not give maximal solution which can anticipate the happening of deviation in construction execution yet. One of computer system developed to overcome this matter is a computer program base on probabilistik neural nettii'orks system. This computer program later will give support in decision making to conduct action most precise correction pursuant to consideration of risks which is possible happened to various deviation in overhead cost management."