Hasil Pencarian  ::  Simpan CSV :: Kembali

"Kegiatan transportasi memberikan kontribusi paling tinggi terhadap pencemaran udara, yaitu 66,30%, yang diikuti oleh kegiatan industri sebesar 18,90% dan kegiatan-kegiatan Iainnya 14,80%. Dari pemantauan beberapa parameter di pinggir jalan menunjukkan bahwa kadar pencemaran udara telah melebihi ambang batas yang telah ditetapkan oleh KEPMEN. LH No.51 tahun 1995. Salah satu upaya untuk menekan Iaju pencemaran berbagai gas buang berbahaya saat ini adalah dengan memakai catalytic converter pada saluran gas buang kendaraan bermotor. Namun hal ini masih menggunakan katalis yang relatif mahal disamping ketersediaannya terbatas. Dari penelitian yang telah dilakukan, zeolit alam dapat digunakan sebagai katalis dan penyaring molekul dengan harga relatif murah dan ketersediaannya melimpah.Penelitian yang sudah dan akan dilakukan untuk mencari kondisi-kondisi optimal dari zeolit sebagai katalis haruslah mengeluarkan biaya yang besar, jika dilakukan dengan mencoba-coba harga parameter zeolit yang akan diteliti. Salah satu metode yang mempunyai kemampuan untuk menyelesaikan masalah yang sulit diselesaikan dengan metode komputasi biasa adalah Jaringan Neural Artifisial. Hal ini dikarenakan penggunaan zeolit sebagai katalis kendaraan bem1otor melibatkan banyak variabel pertimbangan. Perubahan yang terjadi pada salah satu variabel akan menyebabkan perubahan pada variabel yang lainnya.Jaringan neural artifisial, yang digunakan untuk optimalisasi katalis zeolit di dalam mengeliminasi SO, dari gas buang, dilatih untuk menghubungkan parameter-parameter di dalam preparasi dan operasi katalis zeolit. Parameter-parameter tersebut adalah suhu, kapasitas adsorpsi, %CuO teraktifkan, Iaju SO, Iaju reaksi, % loading, luas permukaan katalis dan % dispersi inti aktif katalis.Hasil pelatihan tersebut kemudian divisualisasikan untuk dapat memprediksikan kondisi optimal katalis zeolit. Sehingga hasil pelatihan yang dihasilkan oleh jaringan neural artitisial dapat memberikan masukan atau nasehat kepada para peneliti maupun industri mobil yang akan melakukan penelitian di bidang katalis. Hal ini tentu menghemat biaya yang dikeluarkan karena penelitian dilakukan sesuai prediksi parameter yang telah dilakukan oleh jaringan neural artitisial."

"ABSTRAKPenelitian yang sudah dan akan dilakukan untuk mencari kondisi-kondisi optimal dari zeolit sebagai katalis haruslah mengeluarkan biaya yang besar, jika dilakukan dengan mencoba-coba harga parameter zeolit yang akan diteliti. Salah satu metode yang mempunyai kemampuan untuk menyelesaikan masalah yang sulit diselesaikan dengan metode komputasi biasa adalah Jaringan Neural Artifisial (JNA). Hal ini dikarenakan penggunaan zeolit sebagai katalis kendaraan bermotor melibatkan banyak variabel-variabel pertimbangan. Perubahan yang terjadi pada salah satu variabel akan menyebabkan perubahan pada variabel yang lainnya.Jaringan Neural Artifisial, yang digunakan untuk optimalisasi katalis zeolit di dalam mengeliminasi SOx dari gas buang, dilatih untuk menghubungkan parameter-parameter di dalam preparasi dan operasi katalis zeolit. Parameter-parameter tersebut adalah suhu, kapasitas adsorpsi, %CuO teraktifkan, laju SOS, laju reaksi, % loading, luas permukaan katalis dan % dispersi inti aktif katalis. Hasil pelatihan tersebut kemudian divisualisasikan untuk dapat memprediksikan kondisi optimal katalis zeolit. Dengan demikian hasil pelatihan yang dihasilkan oleh jaringan neural buatan dapat memberikan masukan atau nasehat kepada para peneliti maupun industri mobil yang akan melakukan penelitian di bidang katalis. Hal ini tentu menghemat biaya yang dikeluarkan karena penelitian dilakukan sesuai prediksi parameter yang telah dilakukan oleh Jaringan Neural Artifisial.Hasil dari penelitian ini adalah berupa perangkat lunak komputer yang diberi nama NetCat. NetCat telah dirancang dan dibuat sedemikian rupa sehingga memudahkan bagi pengguna (user) untuk memprediksi parameter-parameter dalam penelitian dibidang katalis CuO/Zeolit Alam."

"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."

"Pemakaian tembaga oksida (CuO) serta upaya-upaya ke arah penetapan CuO ke dalam penyangga berpori telah dikembangkan di banyak negara. Zeolit alam sebagai sumber kekayaan alam yang melimpah di Indonesia memiliki potensi yang baik sebagai penyangga CuO. Pada penelitian ini dilakukan preparasi CuO/Zeolit alam dengan metode impregnasi menggunakan larutan CuSO4.5H2O. Pembuatan sampel pada proses preparasi dibagi menjadi 8 variasi masing-masing 4 sampel untuk temperatur kalsinasi 400°C yang terdiri dari kandungan logam Cu sebanyak 5%(0,5M), 10%(0,5M), 15%(0,5M) dan 5%(1M) serta 4 sampel untuk temperatur kalsinasi 500°C yang terdiri dari kandungan logam Cu sebanyak 5%(0,5M), 10%(0,5M), 15%(0,5M) dan 15%(1M). Dari hasil karakterisasi infra merah dan luas permukaan diketahui bahwa pada temperatur kalsinasi T = 5oo°c selama 6 jam struktur zeolit sudah mengalami kerusakan. Ini ditunjukkan dari daerah serapan zeolit dan luas permukaan yang kecil. Dari hasil uji AAS didapat kecenderungan bahwa semakin besar % kandungan berat Cu perhitungan akan menghasilkan % kandungan berat Cu aktual yang juga semakin besar. Demikian pula untuk uji XRD didapat kecenderungan bahwa semakin besar % kandungan berat Cu perhitungan akan menghasilkan intensitas peak CuO yang semakin besar pula. Dari hasil uji dispersi dapat ditarik kesimpulan bahwa semakin besar % kandungan berat Cu akan menghasilkan dispersi yang semakin kecil. Hal ini disebabkan pada % kandungan berat Cu akan terjadi penumpukan pada permukaan penyangga sehingga terbentuk lapisan multilayer. Dari analisis di atas didapatkan sampel CZ./400/0,5/15% merupakan sampel yang paling layak dijadikan sebagai adsorben gas polutan SOx."

"Pada penelitian ini dilakukan preparasi Cu0/zeolit alam dengan metode pertukaran ion menggunakan larutan Cu(NO3)2 ditambahkan dengan NI-I3 pekat. Proses preparasi ini berlangsung dengan mempertukarkan [Cu(NH3)4]2+ dengan Hf zeolit alam yang dilanjutkan dengan proses penyalingan, proses pemanasan pada temperatur 110 °C selama 12 jam serta kalsinasi pada temperatur 550 “C selama 4 jam. Hasil analisis FTIR menunjukkan puncak Cu0 pada CuO/zeolit alam menumpuk pada puncak sekunder zeolit alam sehingga sulit untuk diketahui keberadaanya. Dari hasil analisis XRD dapat diketahui bahwa Cu() pada Cu0/zeolit alam terletak pada puncak utama sudut difiaksi (20) 35", 38° dan 48° dengan d-value berturut-turut 2,53; 2,33 dan 1,87 A. Hasil karakterisasi AAS, BET dan adsorpsi isotermik menunjukkan bahwa loading aktual Cu sebesar 7,96% berat, luas permukaan adalah 98,31 U12/gl' dan dispersi sebesar 60, 16%. Pengujian adsorpsi dilakukan pada adsorben CuO/zeolit alam pada temperatur 350 °C. Sedangkan untuk proses regenerasi dibedakan atas tiga perlakuan yaitu termal pada temperatur 600 °C, reduksi pada temperatur 250 “C yang dilanjutkan dengan oksidasi pada temperatur 400 "C dan penambahan uap air pada temperatur 600 °C. Pengujian adsorpsi S02 dengan regenerasi termal dilakukan sampai dengan 3 siklus (adsorpsi-regenerasi-adsorpsi-regenerasi-adsorpsi), sedangkan untuk perlakuan regenerasi reduksi oksidasi dan penambahan uap air hanya dilakukan sampai dengan 2 siklus (adSorpsi-regenerasi-adsorpsi). Hasil uji adsorpsi menunjukkan kemampuan CuO/zeolit alam cukup baik dalam mengeliminasi S02 sampai pada siklus ketiga. Kapasitas adsorpsi S02 CuO/zeolit alam adalah 2,27.10" mol/gr CuOf zeolit alam pada adsorpsi pertama, 5,68.l0" mol/gr CuO/zeolit alam pada adsorpsi kedua dan l,73-l0'5 mol/gr CuO/zeolit alam pada adsorpsi ketiga, Sedangkan variasi perlakuan regenerasi Dengan menggunakan reduksi H2 dilanjutkan dengan oksidasi O2 dan penambahan uap air tidak memberikan kenaikan kapasitas adsorpsi yang berarti dibandingkan dengan regenerasi termal."

"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."