Hasil Pencarian  ::  Simpan CSV :: Kembali

"Sistem boiler pada pembahasan tesis ini merupakan sistem mutivariabel, yang mempunyai empat variabel keadaan, dua variabel masukan dan dua variabel keluaran. Dengan variabel pengendali adalah tekanan drum (drum pressure) (y1) dan selisih tingkat air/level air didalam drum (drum water level) (y3 ), sedangkan variabel yang dimanipulasi adalah laju aliran bahan bakar (fuel flow rate) ( u1 ) dan laju aliran air pengisi drum (feedwater flow rate) (u3).Tujuan dari sistem pengendalian boiler adalah untuk mengatur tekanan uap (drum pressure) (y1) disekitar 320 psi dan level air di dalam drum (drum water level) (y3) disekitar 0 inch terhadap perubahan beban uap. Salah satu pengendalian sistem boiler adalah pengendali PI. Pengendali PI ini akan mengendalikan boiler agar boiler mampu memiliki kinerja yang baik karena pengendali PI dapat mempercepat respon sistem menuju setpoint dan dapat menghilangkan offset atau error steady state.Pada pembahasan tesis ini pengendalian sistem boiler akan melakukan penalaan parameter pengendali PI berbasis algoritma genetika untuk mendapatkan nilai parameter yang optimal.Hasil yang diperoleh dari penalaan PI berbasis algoritma genetika pada pembahasan tesis ini sudah dapat mencapai kriteria yang diinginkan seperti overshoot, rise time dan settling time. Dan respon keluaran dari pengendali PI yang ditala dengan algoritma genetika ternyata menunjukkan hasil yang lebih baik jika dibandingkan dengan respon keluaran dari pengendali PI yang ditala dengan cara trial error seperti pada acuan [2] dan [3].

---

Boiler system described in this thesis is multivariable system, which have four state variable, two input and two output variable. Where variable control is drum pressure (y1) and delta drum water level (y3), whereas the manipulated variable is fuel flow rate (u1 ) and feedwater flow rate (u3 ).

The purpose in this boiler control is to make the drum pressure (y1) around 320 psi and drum water level (y3) around 0 inch towards the changes of steam load. One of boiler system control is PI controller. PI controller will control the boiler to make the boiler have a good performance, because PI controller can enforce system response more quicker into the set point and can eliminate offset or error steady state.

In this thesis a boiler system controller will do a tunning parameter on PI controller based on Genetic Algoritms to produce optimal parameter value.

The result from PI tunning based on Genetic Algorithm in this thesis already fulfill the criteria like overshoot, rise time, and settling time. And output respons from PI controller that have been tunning with genetic algoritms shows the better result when compares with output response from PI controller which tunning with trial error method [2] , [3]."

"Untuk mendesain pengendali adaptif pada sistem nonlinier, dibutuhkan estimator dan sintesa pengendali agar parameter pengendali terus diperbaharui jika terjadi perubahan parameter model sistem. Pada skripsi ini, estimator yang digunakan untuk mengestimasi parameter model adalah recursive least square dengan faktor pelupaan, sedangkan sintesa pengendali yang digunakan adalah Generalized Predictive Conlrol (GPC).Perancangan pengendali dengan algoritma GPC berdasarkan pada model sistem yang linier. Oleh karena itu, untuk menerapkan algoritma GPC pada perancangan pengendali adaptif untuk sistem nonlinier, harus dilakukan estimasi parameter model sistem dengan algoritma recursive leasl square sehingga diperoleh model sistem yang linier. Model sistem yang diperoleh akan digunakan sebagai dasar untuk merancang pengendali yang diinginkan dengan menggunakan GPC.Kemampuan adaptasi metode pengendali GPC tergantung pada nilai horizon N dan vektor bobot yang digunakan dalam sintesa pengendali. Dari hasil ujicoba simulasi diperoleh bahwa semakin besar nilai N semakin baik respon sistem namun ada batasan nilai N dimana peningkatan nilai N tidak menunjukkan peningkatan unjuk keija sistem yang signifikan. Sedangkan untuk nilai ZSK, semakin kecil nilainya maka respon sistem akan mengalami osilasi sebelum menuju nilai tunaknya, dan semakin besar nilainya maka respon sistem akan semakin lambat menuju nilai tunaknya. Dengan penggunaan nilai A' dan AGPC yang tepat, diperoleh respon sistem yang baik jika sistem mengalami pembahan set point yang besar dan perubahan set point yang terjadi dalam waktu lebih besar daripada waktu yang dibutuhkan sistem untuk mencapai keadaan tunak. Dengan hasil tersebut dapat disimpulkan bahwa metode pengendali GPC memiliki kemampuan adaptasi yang baik dalam pengendalian sistem nonlinier."

"Dalam Tugas Akhir ini digunakan sistem kendali yang merupakan gabungan antara pengendali jaringan syaraf dengan pengendali PID. Pengendali jaringan syaraf yang digunakan menggunakan sebuah jaringan syaraf lain yang berfungsi sebagai ideenrifier. Identifier di sini berfungsi untuk menghitung sinyal error bagi jaringan syaraf pengendali. 3aringan syaraf pengendali di sini berfungsi untuk memberikan sinyal koreksi bagi sinyal kendali pengendali PID untuk memperbaiki respon transien sistem. Dengan menggunakan kombinasi dua jenis pengendali seperti ini, diperoleh basil kendali dengan tanggapan yang eepat dan stabil, yang terlihat pada basil simulasi yang dilakukan."

"Keseimbangan lini lintasan perakitan merupakan salah satu masalah penting di area produksi atau area manajemen operasi. Karena perbaikan yang sedikit pada performa sistem dapat membuat pengaruh yang signifikan terhadap keuangan, maka sangat penting untuk mengembangkan suatu solusi yang praktis dari permasalahan keseimbangan lini dan juga kebutuhan akan waktu perhitungan yang minimal untuk memecahkan masalah keseimbangan lini tersebut. Metode heurisfik adalah salah satu cara yang umum digunakan dalam kehidupan nyata untuk memecahkan masalah keseimbangan lini lintasan perakitan ini.Dalam skripsi ini, metode heuristik yang efisien digunakan untuk memecahkan masalah keseimbangan lini lintasan perakitan dengan pendekatan deterministik dan model tunggal. Metode heuristik tersebut adalah metode heuristik Algoritma Genetika. Algoritma Genetika yang digunakan untuk memecahkan masalah keseimbangan lini lintasan perakitan ini dibentuk dengan struktur kromosom yang khusus dan diaplikasikan melalui software MATLAB.Hasil dari perhitungan keseimbangan lini lintasan perakitan dengan menggunakan metode Algoritma Genetika akan dibandingkan dengan keseimbangan lini lintasan perakitan yang telah diterapkan oleh PT XYZ. Metode Algoritma Genetika terbukti menghasilkan keseimbangan lini lintasan perakitan yang lebih optimal dibandingkan keseimbangan lini yang lama. Hal itu dapat dibuktikan dengan membandingkan jumlah stasiun kerja, efisiensi lintasan, dan nilai smoothness. Selain itu, metode Algoritma Genetika mampu untuk memecahkan masalah keseimbangan lini lintasan perakitan dengan 172 elemen pekerjaan dengan waktu di bawah 150 detik. Metode Algoritma Genetika yang digunakan dalam skripsi ini menghasilkan sistem keseimbangan lini lintasan perakitan Trimming PT XYZ dengan jumlah stasiun kerja sebanyak 16 stasiun kerja, efisiensi lintasan sebesar 94,82%, dan nilai smoothness sebesar 197,79 detik.

---

Assembly Line Balancing (ALB) is one of the important problems of production/ operations management area. As small improvements in the performance of the system can lead to significant monetary consequences, it is utmost importance to develop practical solution procedures of ALB problems and minimal computational time requirement. Heuristics are generally used to solve ALB problems in real life.

In this paper, an efficient heuristic is proposed to solve the deterministic and single-model ALB problem. The proposed heuristic is a Genetic Algorithm (GA). This GA is built with special chromosomes structure and applied with MATLAB. In this paper, the result of ALB using GA will be compared with old ALB that has been used by PT XYZ.

It can be proven by comparing total workstations, line efficiency, and smoothness index. Furthermore, GA can solve ALB problems with 172 task elements in 150 seconds. GA used in this paper, solve Trimming PT XYZ line balancing problem with 16 workstations, 94,82% line efficiency, and 197,79 seconds smoothness index."

"Penjadwalan perkuliahan dalam sebuah institusi pendidikan sering kali menjadi kendala, sebab penyusunan sebuah jadwal perkuliahan dengan skala besar, membutuhkan waktu yang cukup lama dengan kompleksitas yang tinggi.untuk menyusun jadwal perkuliahan, harus mempertimbangkan beberapa komponen seperti mata kuliah. selain itu penjadwalan perkuliahan, waktu berlangsungnya proses perkuliahan, kebijakan dari institusi pendidkan tersebut. apabila dalam penjadwalan tidak dilakukan dengan tepat, akan menjadi kendala dikemudian hari. pembuatan sistem penjadwalan perkuliahan dengan menggunakan algoritma genetika ini mempermudah penyusunan jadwal perkuliahan dengan cara menggunakan metoda genetika dalam proses penjadwalannya."

"Perkembangan bare dalam neural network telah memberikan keuntungan-keuntungan dalam aplikasi sistem kontrol. Berdasarkan teori stale space dan pendekatan neural network, dikembangkan suatu algoritma yang disebut Stochastic Neural Direct Adaptive Control (SNDAC) untuk mengendalikan plant yang diketahui sebagian matriks sistemnya, yaitu matdks masukan B(.) dan matriks keluaran C(.). Pengendali neural network menggunakan algoritma SNDAC untuk mengubah bobot-bobotnya sehingga dihasilkan sinyal kendali yang mengoptimalkan quadratic performance index. Parameter yang berpengaruh pada pengendalian adalah banyaknya neuron pada lapisan tersembunyi dan besarnya koefisien belajar. Pemilihan banyaknya neuron pada lapisan tersembunyi dan besarnya koefisien belajar tidak dapat dilakukan secara eksak, tetapi dengan trial and error. Dengan pemilihan yang tepat dihasilkan pengendalian yang stabil dengan toleransi kesalahan yang kecil, seperti terlihat pada hasiI simulasi."

"Badan Narkotika Nasional (BNN) merupakan lembaga pemerintahan yang bertugas dalam Pencegahan dan Pemberantasan Penyalahgunaan dan Peredaran Gelap Narkotika (P4GN). BNN menggunakan Teknologi Informasi dan Komunikasi (TIK) untuk melaksanakan tugasnya, wajib melakukan pengukuran indeks Sistem Pemerintah Berbasis Elektronik (SPBE) sesuai dengan arahan pemerintah. Pada tahun 2023, hasil penilaian indeks SPBE BNN hanya mencapai 2,47 dari skala 5, yang menjadi masalah utama. Salah satu penyebab rendahnya nilai tersebut adalah indikator 26 terkait penerapan manajemen pengetahuan yang masih bernilai 1. Selain itu, road map SI grand desain TIK BNN untuk periode 2021-2025 belum terpenuhi karena belum diterapkannya manajemen pengetahuan di BNN. Kedua hal ini menegaskan pentingnya penerapan manajemen pengetahuan di BNN. Penelitian ini bertujuan untuk merancang sistem manajemen pengetahuan yang sesuai dengan kebutuhan dan budaya BNN. Penelitian ini diharapkan dapat mengidentifikasi jenis proses manajemen pengetahuan yang paling dibutuhkan saat ini dan mengembangkan sistem manajemen pengetahuan yang sesuai. Metode penelitian yang digunakan adalah kuantitatif, dengan menyebarkan kuesioner kepada seluruh pegawai BNN. Dari 5.686 pegawai, 410 responden mengisi kuesioner yang hasilnya digunakan untuk mengukur tingkat kesiapan implementasi manajemen pengetahuan dan mengidentifikasi faktor-faktor kontingensi yang mempengaruhi kebutuhan organisasi saat ini. Badan Riset dan Inovasi Nasional (BRIN), sebagai badan yang ditugaskan oleh pemerintah untuk menyusun pedoman manajemen pengetahuan SPBE, telah menerbitkan peraturan mengenai pedoman tersebut. Pedoman manajemen pengetahuan ini digunakan sebagai acuan dalam mengembangkan sistem manajemen pengetahuan di BNN, terutama untuk memenuhi kebutuhan pengukuran indeks SPBE. Dari penelitian ini dihasilkan rancangan manajemen pengetahuan yang dapat digunakan oleh BNN untuk mengelola pengetahuannya, selain untuk memenuhi kebutuhan pengukuran indeks SPBE dan road map SI grand desain TIK BNN periode 2021-2025.

---

The National Narcotics Agency (BNN) is a government agency tasked with the Prevention and Eradication of Narcotics Abuse and Illicit Trafficking (P4GN). BNN utilizes Information and Communication Technology (ICT) to carry out its duties and is required to measure the SPBE (Electronic-Based Government System) index in accordance with government directives. In 2023, BNN's SPBE index score was only 2.47 out of 5, which is a major issue. One reason for this low score is Indicator 26 related to knowledge management implementation, which scored just 1. Additionally, the SI grand design ICT roadmap for BNN for the 2021-2025 period has not been fulfilled due to the lack of knowledge management implementation in BNN. These two factors highlight the urgent need for the implementation of knowledge management in BNN. This research aims to design a knowledge management system that aligns with the needs and culture of BNN. The research seeks to identify the types of knowledge management processes most needed currently and to develop a suitable knowledge management system. The research method used is quantitative, involving the distribution of questionnaires to all BNN employees. Out of 5,686 employees, 410 respondents completed the questionnaires. The results are used to measure the readiness level for knowledge management implementation and to identify contingency factors affecting the current organizational needs. The National Research and Innovation Agency (BRIN), tasked by the government to formulate SPBE knowledge management guidelines, has issued regulations regarding these guidelines. These knowledge management guidelines serve as a reference for developing the knowledge management system in BNN, particularly to meet the SPBE index measurement requirements. This research results in a knowledge management design that can be used by BNN to manage its knowledge, in addition to meeting the SPBE index measurement needs and the SI grand design ICT roadmap for BNN for the 2021-2025 period."

"Perusahaan Industri Make to Order dapat memulai produksi jika konsumen telah memastikan pesanannya. Kunci kompetitif dari industri Make to Order adalah kemampuan teknis, harga dan kemampuan untuk memenuhi saat pengiriman. Waktu pengiriman dapat dicapai apabila kita dapat membuat sistem pengurutan dan penjadwalan produksi yang baik untuk mengurangi keterlambatan. Pada penelitian ini algoritma quicksort digunakan dalam perancangan sistem komputerisasi penjadwalan produksi dengan menggunakan aturan pengurutan SPT, dimana pekerjaan yang waktu pengerjaannya terpendek dikerjakan lebih dulu.Algoritma quicksort termasuk salah satu dari 10 algoritma terbaik pada abad ke-20. Ditemukan pertama kali oleh C.AR. Hoare pada tahun 1962. Quicksort sangat popular karena tidak terlalu sulit untuk diimplementasikan dan hasilnya sangat baik Quicksort juga merupakan contoh desain program yang baik untuk membagi dan menyelesaikan masalah pengurutan.Penelitian ini memberikan kemudahan dalam penjadwalan produksi dan menghasilkan waktu operasi yang lebih efisien dibandingkan dengan sebelumnya.

---

Make to Order industry begin the production while customers have decided their orders. The competitive keys of Make to Order industry are technical capabilities, price and reliability to meet delivery time. Delivery time can be achieve if we can build a good sequencing and schedulling system to reduce tardiness. In this research, quicksort algorithm is used to desing a computerized production schedule using SPT (shortest processing time) priority dispatching.

Quicksort is listed as one of the top 10 algorithms of the 20th century. It was discovered by C.AR. Hoare in 1962. Quicksort is popular because it is not difficult to implement and it is generally very good. It is also a good example of program design. That is follows the divide and conquer strategy to sort out the number.

This research offered an easy way to build production schedule and resulted more efficient operation times than before."