Hasil Pencarian  ::  Simpan CSV :: Kembali

"Telah dibuat sistem akuisisi data EEG 16 kanal menggunakan ADS1299FE Texas Instrument, USA berbasis FPGA Zedboard Diligent,USA . EEG merupakan suatu divais yang digunakan untuk mengukur aktivitas kelistrikan pada permukaan kepala yang dikenal sebagai sinyal EEG. Sinyal EEG memiliki beda potensial 0.5-100 V dengan frekuensi 0.5 ndash; 40 Hz. Sistem akuisisi data EEG ini terdiri atas 2 buah chip ADS1299 yang terhubung secara Daisy-Chain yang diproses menggunakan FPGA Zedboard. Rancangan sistem akuisisi ini dapat dikonfigurasi ulang baik gain dan data ratenya. Pengaturan ulangini dapat dilakukan melalui program terminal pada komputer maupun dengan menggunakan perangkat lunak yang didisain khusus untuk sistem ini. Perangkat lunak tersebut dapat merekam dan menampilkan data hasil akuisisi secara real time. Validasi sistem akuisisi data EEG ini telah diuji menggunakan EEG Simulator NETECH Mini-Sim EEG , pengujian dilakukan pada frekuensi 2Hz dan 5Hz dengan rentang amplitudo 10 V, 30 V , 50 V dan 100 V. Hasil uji validasi pada frekuensi 2Hz diperoleh hasil pengukuran dengan maksimal deviasi 1.3 dan pada frekuensi 5Hz diperoleh hasil pengukuran dengan maksimal deviasi 1.8.

---

Has been developed Electroencepharography EEG data acquisition system base on FPGA Zedboard Diligent, USA usin ADS1299FE Texas Instrument, USA . EEG is a device used to measure the electrical activities on the scalp. The voltage range of EEG signal are around 0.5 100 V with frequency 0.5 ndash 40 Hz. This data acquisition system consisted of 2 chips ADS1299 which were connected in Daisy Chain mode and processes using Zedboard. This acquisition system can be reconfigured both its gain and data rate. This configuration could modified both using terminal program or software specially design respectively. The feature of this software are data recording and display the EEG signal graphically in real time. The recorded EEG signal were validated using EEG Simulator NETECH Mini Sim EEG with frequency 2Hz and 5Hz and voltage test in 10 V, 30 V, 50 V and 100 V. The result of the validation test at 2Hz obtained measurement result with a maximum deviation of 1.3 and at a frequency of 5Hz obtained measurement result with a maximum deviation of 1.8 ."

"Dalam penelitian ini, telah dibuat sebuah sistem akuisisi data 32-channel berbasis Field Programmable Gate Array FPGA untuk mengakuisisi dan memroses sinyal Electroencephalography EEG . Sistem akuisisi data yang dibangun menggunakan board PYNQZ1, dengan Xilinx ZYNQ XC7Z20-1CLG400C All Programmable System-on-Chip APSoCs yang dapat memberikan sebuah sistem tertanam dengan performa tinggi, karena memiliki kombinasi antara fleksibilitas serta versatility dari programmable logic PL dengan prosesor embedded atau programmable system PS dengan kecepatan tinggi. Sebagai pusat dari sistem akuisisi data yang dibangun, FPGA menerima, memproses, dan menyimpan data dari Front-End Analog to Digital Converter ADC ADS1299EEG-FE. Komunikasi data yang digunakan dalam sistem akuisisi data yang dibangun adalah Serial Peripheral Interface SPI dengan konfigurasi daisy-chain. Untuk bagian pemrosesan sinyal, penulis mengimplementasikan filter bandpass Butterworth dengan orde 5 dan Fast Fourier Transform FFT pada overlay dari PYNQ-Z1. Overlay merupakan desain FPGA yang dapat dikonfigurasi sehingga menghubungkan PS pada ZYNQ dengan PL, memberikan penulis kemampuan untuk mengendalikan secara langsung platform hardware memanfaatkan Python pada PS. Rerata dari error akurasi yang didapatkan dari hasil validasi adalah 1.34 dan kriteria performa Total Harmonic Distortion THD menghasilkan 0.0091 , dengan memanfaatkan NETECH MiniSIM EEG Simulator 330. Perbandingan dari sistem akuisisi data dengan Neurostyle NS-EEG-D1 System yang mengambil data EEG yang sama menghasilkan parameter korelasi gradien dengan 0.9818, y-intercept dengan -0.1803, dan R2 dengan 0.9742 berdasarkan analisis least square. Parameter tersebut memperlihatkan sistem akusisi data yang telah dibangun cukup, jika tidak setara, dengan sistem akuisisi data komersil dengan standar medis, yaitu Neurostyle NS-EEG-D1 System, karena dapat memastikan dan mempertahankan akurasi dengan konfigurasi frekuensi sampling yang lebih tinggi.

---

This study proposes a novel Field Programmable Gate Array FPGA based 32 channel data acquisition system to acquire and process Electroencephalography EEG signal. The data acquisition system is utilizing PYNQ Z1 board, which is equipped with a Xilinx ZYNQ XC7Z020 1CLG400C All Programmable SoC APSoCs that can offer high performance embedded system because of the combination between the flexibility and versatility of the programmable logic PL and the high speed embedded processor or programmable system PS . As the core of the data acquisition system, the FPGA collect, process, and store the data based on Front End Analog to Digital Converter ADC ADS1299EEG FE. The communication protocol used in the data acquisition system is Serial Peripheral Interface SPI with daisy chain configuration. For the signal processing part, we implement a 5th order Butterworth bandpass filter and Fast Fourier Transform FFT directly on the PYNQ Z1 rsquo s overlay. The overlay are configurable FPGA design that extend the system from the PS of the ZYNQ to the PL, enabling us to control directly the hardware platform using Python running in the PS. The mean accuracy error obtained from validation result of the developed system is 1.34 and the Total Harmonic Distortion THD performance criterion resulting in 0.0091 , both of them validated with NETECH MiniSIM EEG Simulator 330. The comparison between the developed system with Neurostyle NS EEG D1 System acquiring the same EEG data shows correlation parameter gradient of 0.9818, y intercept with 0.1803, and R2 of 0.9742 based on the least square analysis. The parameter above indicates that the developed system is adequate enough, if not on a par, with the commercialized, medical grade EEG data acquisition system Neurostyle NS EEG D1 as it can assure and maintain accuracy with higher sampling frequency."

"Sistem akuisisi data Electroencephalography (EEG) telah dikembangkan. menggunakan Analog Front End (AFE) ADS1299 EEGFE-PDK berbasis Raspberry Pi. Sistem ini merupakan kelanjutan dari sistem yang dikembangkan sebelumnya, dengan menambahkan fitur Relative Power Ratio (RPR), komunikasi Local Area Networking (LAN) dan GUI (Graphical User Interface). Fitur RPR perlu dipahami Karakteristik sinyal EEG. ADS 1299 memiliki beberapa keunggulan diantaranya Akuisisi data secara simultan, resolusi 24 bit, membutuhkan daya <0,2 mW dan noise <1 μV. Sistem akuisisi data ini terdiri dari 4 unit AFE yang dikonfigurasi secara daisy rantai. Komunikasi antara AFE dan Raspberry Pi menggunakan periferal serial antarmuka (SPI) dengan format RDATA. Bahasa pemrograman C digunakan untuk komunikasi antara Raspberry dengan AFE dan Matlab digunakan untuk pemrosesan sinyal. Data dari Raspberry ditransfer melalui LAN ke Personal Computer (PC). Kemudian disaring menggunakan Butterworth order 5. Data EEG dan perhitungan RPR ditampilkan secara real-time. Perhitungan dilakukan dengan Fast Fourier Transforms (FFT) dan Power Spectral Density (PSD). Sistem ini telah dievaluasi dengan menggunakan simulator EEG (NETECH Mini-Sim EEG) yang menghasilkan sinyal listrik sinusoidal dengan frekuensi 2 Hz, 5 Hz, dan amplitudo tegangan 30, 50 μV. Dengan perbandingan rata-rata FWHM (Full Width at Half Maximum) didapatkan untuk frekuensi 2Hz di sistem akuisisi tersebut memperoleh nilai 4 Hz, dan dalam Neurostyle 4 Hz. Di frekuensi 5 Hz, rata-rata nilai FWHM yang diperoleh untuk sistem akuisisi yang dibuat adalah 13 Hz dan Neurostyle pada 14 Hz.

---

The systems have been developed to obtain Electroencephalography (EEG) data using the Raspberry Pi based Analog Front End (AFE) ADS1299 EEGFE-PDK. This system is a continuation of a previously developed system, supported by Relative Power Ratio (RPR) features, Local Area Networking (LAN) and GUI (Graphical User Interface) features. EPR. ADS 1299 has several advantages that can be taken from simultaneous data, 24 bit resolution, requires power <0.2 mW and noise <1 μV. This data acquisition system consists of 4 AFE units completed by daisy chains. Communication between AFE and Raspberry Pi uses a serial peripheral interface (SPI) with RDATA format. C programming language is used for communication between Raspberries and AFE and MATLAB is used for signal implementation. Data from Raspberry is transferred via LAN to Personal Computer (PC). Then filtered using Butterworth order 5. EEG data and realtime calculations. The calculations are carried out by Fast Fourier Transforms (FFT) and Power Spectral Density (PSD). This system has been evaluated using an EEG simulator (NETECH Mini-Sim EEG) which produces sinusoidal electrical signals with a frequency of 2 Hz, 5 Hz, and a amplitude of 30, 50 μV. With the average change in FWHM (Full Width at Half Maximum) obtained for the 2Hz frequency in the acquisition system a value of 4 Hz is obtained, and in Neurostyle it is 4 Hz. At a frequency of 5 Hz, the average FWHM value obtained for the acquisition system is 13 Hz and Neurostyle is 14 Hz."

"Sistem instrumentasi akuisisi data yang telah dibuat berhasil diuji untuk mengakuisisi sinyal EEG (Electroencephalogram) berbasis mikrokontroler 32-bit ATSAM3X8E ARM Cortex-M3. Instrumen ini terdiri dari elektroda 16-channeldalam bentuk EEG head-caps yang terhubung dengan ADC (Analog to Digital Converter) ADS1299Texas Instrument. ADC ini memilikiresolusi sebesar 24-bit sehingga dapat presisi mengakuisisi sinyal analog sinyal EEG dalam orde microvolt (μV). Sistem front-end ADS1299 dirancang dalam format double-layer PCB (Print Circuit Board) dengan konfigurasi daisy-chain, sehingga dapat secara simultan mengakuisisi data sebanyak 16-channel. Protokol SPI (Serial Peripheral Interface) untuk proses aktivasi ADS1299 berhasil diuji dengan SPI Analyzer Hantek 4032L logic analyzer dengan sampling rate sebesar 400 MSa/s. Sistem akuisisi data dapat menampilkanhasil akuisisi secara real-time dalam bentuk grafik, brain-mapping 16-channel, serta hasil pengolahan sinyal (signal processing) dengan metode FFT (Fast Fourier Transform). Aplikasi firmware software GUI (Graphical User Interface) yang dikembangkan berbasis OpenBCI (Brain Computer Interface) dengan Java Processing dan dapat melakukan proses penyimpanan data dalam format *.txt. Sistem akuisisi data EEG telah divalidasi dengan EEG Simulator NETECH 330.Proses pengujian dilakukan pada frekuensi 2 Hz dan 5 Hz, dengan variasi amplitudo sebesar 10 μV, 30 μV, 50 μV, dan 100μV pada channel-1 hingga channel-16. Pada pengujian di frekuensi 2 Hz menghasilkan deviasi error maksimum sebesar 8.66% ± 2% dan deviasi minimum sebesar12.11% ± 2%, serta pada pengujian di frekuensi 5 Hz menghasilkan deviasi error maksimum sebesar 7.18% ± 2% dan deviasi minimum sebesar 0.03±2 %.

---

The data acquisition instrumentation system has been successfully tested to acquire of EEG (electroencephalogram) signals with 32-bit microcontrollers based on the ARM Cortex-M3 ATSAM3X8E. The instrument consists of a 16-channel electrodes in the form of EEG head-caps connected to ADC (Analog to Digital Converter) ADS1299 Texas Instruments. The ADC device has a 24-bit resolution so that it can precision to acquire the analog of EEG signals in order microvolt (μV). The ADS1299 front-end system has been developed in the format of a double-layer PCB (Print Circuit Board) with a daisy-chain configuration, and also can simultaneously acquire as much data as 16-channel. The SPI (Serial Peripheral Interface) protocol for activation process the ADS1299 has been successfully tested SPI Analyzer based Hantek 4032L logic analyzer with 400 MSa/s sampling rate. The data acquisition system can display the results in realtime format in the form of graphs, brain-mapping of 16-channels, as well as the results of signal processing FFT (Fast Fourier Transform) based. The firmware application software of GUI (Graphical User Interface) have been developed based on OpenBCI (Brain Computer Interface) with Java Processing and can saved of data results in *.txt format. The EEG data acquisition system has been validated with EEG Simulator NETECH 330. The systemhas beentested at a frequency of 2 Hz and 5 Hz with amplitude variations of 10 μV, 30 μV, 50 μV, and 100 μV on channel-1 to channel-16. The final results of validation process at a frequency of 2 Hz was produced a deviation error maximum of 8.66% ± 2% and minimum deviation 12.11% ± 2%, as well as at frequency of 5 Hz was produced a deviation error to a maximum of 7.18% ± 2% and minimum deviation of 0.03 ± 2 %."

"

Elektroensefalografi (EEG), sebagai metode rekaman neurofisiologis yang telah dimanfaatkan secara luas, terutama dalam penelitian dasar tentang fungsi otak dan pemantauan pasien dengan gangguan neurologis. serta sistem Brain Computer Interface (BCI) untuk menerjemahkan sinyal menjadi perintah atau fungsi tertentu. Dalam perekaman sinyal EEG, terdapat tantangan interferensi dan noise akibat amplitudo sinyal yang sangat kecil (mikrovolt [V]) dan frekuensi rendah. Penelitian ini mengeksplorasi pengembangan elektroda aktif sebagai solusi untuk menguatkan sinyal EEG sehingga dapat meminimalisir noise yang mungkin ada. Elektroda aktif dirancang menggunakan filter aktif Sallen & Key orde 2 dengan respon butterworth menggunakan OPA378 sebagai operational amplifier dengan frekuensi cut-off 0 hingga 100 Hz. Untuk meminimalisir jumlah kabel, diterapkan operasi single-supply sehingga hanya 3 kabel yang diperlukan untuk mengoperasikan elektroda aktif. Prototype elektroda aktif diuji menggunakan EEG simulator NETECH MiniSim 330 dan direkam menggunakan ADS1299 PDK sebagai ADC dan Raspberry Pi 4 Model B untuk menyimpan file rekaman. Hasilnya, elektroda aktif mampu melakukan penguatan sinyal sebesar 22 kali dengan cukup stabil pada rentang frekuensi 20 hingga 100 Hz dengan error sebesar 3.53% dari target penguatan yang diinginkan.

---

Elektroensefalografi (EEG) is a widely used method for recording neurophysiological signals, primarily for research on brain functions and monitoring patients with neurological disorders. The development of active electrodes is being explored as a solution to improve the quality of EEG signals, which are characterized by very low amplitude (microvolts [μV]) and low frequency. The active electrode is designed using Sallen & Key filter or Butterworth filter with OPA378 as the operational amplifier with a cut-off frequency range of 0 Hz to 100 Hz. To minimize the number of wires, single-supply operation is applied, requiring only three wires to operate the active electrode. The prototype of the active electrode was tested using a NETECH MiniSim 330 EEG simulator and recorded using an ADS1299 PDK as an ADC and a Raspberry Pi 4 Model B to save the recorded file. The results show that active electrodes can provide signal attenuation up to 22 times with sufficient stability in the 20 Hz to 100 Hz frequency range, with an error of 3.35% from the expected

"

"Brain Computer Interface (BCI) merupakan sebuah teknologi yang sedang banyak dikembangkan di banyak negara di dunia, pasalnya teknologi BCI ini adalah teknologi yang modern dimana teknlogi ini dapat memungkinkan manusia dapat berkomunikasi dengan suatu sistem. Sampai sekarang BCI banyak dikembangkan pada dunia medis, salah satunya adalah stroke, stroke adalah sebuah penyakit yang diakibatkan oleh penguumpalan darah pada pembuluh darah diotak ataupun akibat pecahnya pembuluh datah diotak. Stroke mengakibatkan kelumpuhan pada bagian tubuh penderitanya, sehingga membuat ketebatasan pada mobilitasnya. Sehingga melalui penelitian ini diharapkan dapat membantu pasien stroke dalam mobilitiasnya. Pada pembuatan sistem sebelumnya dilakukan pengklasifikasian sinyal otak dengan cara perekaman sinyal EEG dengan menggunakan ADS1299EEG-FE, perekaman ini dilakukan dengan metode motor imagery sehingga subjek tidak perlu melakukan pergerakan cukup melakukan pemikiran pergerakan motorik untuk dapat menjalankan kursi roda. Pengklasifikasian sistem ini menggunakan fitur RPR yaitu nilai rasio power, setelah dilakukan klasifikasi dilakukanlah validasi sistem dengan melakukan pengujian lasngung pada sistem. Pada pengujian sistem terdapat 2 model pengujian yakni Diam – Maju – Mundur dan Diam – Kiri – kanan dengan presentase keberhasilan 46% dan 65%.

---

Brain Computer Interface (BCI) is a technology that is being developed in many countries in the world, because this BCI technology is a modern technology where technology can enable communicate human with a system. BCI has been widely developed in the medical, one of them is stroke, stroke is a disease caused by blood clots in blood vessels in the brain or due to ruptured brained vessels. Stroke results in paralysis of the part of the body of the sufferer, making it difficult for mobility. So that this research is expected to help stroke patients in their mobility. For making the system previously we classification the brain signals by recording EEG signals using ADS1299EEG-FE, this recording using the motor imagery method so that the subject did not need to move and just thinking about motor movements to control a wheelchair. The classification of this system uses the RPR feature, namely the value of the power ratio, after classification the system validation is done by direct testing on the system. In the system testing there are 2 test models namely Stop - Forward - Backward and Stop - Left - right with a success percentage 46% and 65%."

"Penerapan sistem embedded yang praktis dan portable menjadi salah satu tantangan saat ini. FPGA menawarkan perancangan sistem yang hemat daya, cepat, dan mudah dalam pengembangan lanjutan. Perancangan sistem cepat komunikasi secara serial dengan bluetooth low energy BLE pada FPGA dapat meningkatkan fleksibilitas, efisiensi daya, dan performa. Sistem komunikasi serial dengan metode UART akan diimplementasikan pada FPGA Xilinx Zynq-7000. FPGA akan diintegrasikan dengan Bluetooth low energy HM-10 dengan metode UART pada nilai baudrate yang tinggi. Enkripsi AES juga akan diimplementasikan pada FPGA dan diharapkan dapat menjamin aspek keamanan data. Pengujian sistem ini menunjukkan bahwa penggunaan baudrate yang tinggi pada bluetooth, selain dipengaruhi oleh latensi, dapat mempercepat transmisi data. Integrasi antara FPGA dengan Bluetooth low enery diharapkan mampu menjadi salah satu alternatif pengembangan sistem embedded yang efisien, mudah digunakan, dan praktis dengan komunikasi secara nirkabel.

---

Implementation of an easy to use and portable embedded system is one of the challenges today. FPGA offers system design that is power efficient, fast, and easy in advanced development. Design of fast serial communication systems with low energy bluetooth BLE on FPGAs can improve flexibility, power efficiency, and performance. Serial communication system with UART method will be implemented on Xilinx Zynq 7000 FPGA. FPGA will be integrated with Bluetooth low energy HM 10 with UART method at high baudrate value. AES encryption will also be implemented on the FPGA and to ensure data security aspects. Result of this system shows that the use of high baudrate on bluetooth, besides influenced by latency, can speed up data transmission over bluetooth. Integration between FPGA and Bluetooth low enery can be an alternative to develop power efficient, easy to use, and flexible embedded system with wireless communication."

"ABSTRAKIsu kesehatan mental merupakan sebuah isu yang sangat berkembang pesat pada masa ini. Remaja dan dewasa muda pada usia 16 hingga 30 tahun adalah korban utama yang menjadi penderita penyakit mentalitas. Isu kesehatan mental merupakan isu yang cukup serius dalam bidang medis dan social. Salah satu penyebab dari penyakit pada mentalitas manusia adalah kurangnya kemawasan diri, yang merupakan salah satu kunci dalam menjaga kestabilan mental pada diri seseorang. Sinyal otak merupakan suatu sinyal yang diduga mampu mendekteksi aktifitas otak manusia, dan dari sinyal tersebut, kita mampu membuat suatu sistem klasifikasi kondisi emosional manusia. Pada penelitian ini, EEG Neurostyle dengan 24 kanal digunakan untuk menangkap sinyal kelistrikan dari otak manusia. Metodenya meliputi reaksi seorang subjek terhadap stimulus berupa audio-visual yang berdurasi kurang lebih 5 menit. Subjek terdiri dari 10 orang manusia berumur 18 hingga 22 tahun, dimana tiap subjek menonton sebuah video pada lingkungan yang sama. Ekspresi mimik wajah akan direkam menggunakan kamera sebagai referensi dan konfirmasi agar sesuai dengan emosi yang dideskripsikan oleh subjek. Fitur emosi berupa RPR kemudian diambil untuk kemudian dimasukan kedalam algoritme classifier. Emosi dibagi berdasarkan 4 jenis yaitu: senang, sedih, takut, dan jijik Menggunakan Supervised Machine Learning, kita dapat menggunakan fitur fitur tersebut untuk klasifikasi. Menggunakan k-NN, didapat akurasi diatas 70% dengan menggunakan 4 kelas.

---

ABSTRACT

Mental health issues are growing rapidly in these recent years. Teenagers and young adult on age 16-30 years old are the most common victims. Mental health is a really serious issue concerning emotional health. One of the causes on emotional health issues is a lack of self-awareness, which is the key cornerstone on maintaining emotional-state. Brain signals has proven that it can read human emotion, and from there we can use brain waves to classify human emotional-state. In this research study, EEG Neurostyle of 24 channels is used to obtain brain electrical signals. The method involves the subject reaction to a set of audio-visual stimuli of approximately 5 minutes, the subject consists of 10 subjects aged 18-22, with each person watched the video-clips in the same environment. The expressions of the subjects were recorded separately to ensure their emotion accordance with the source (i.e. sad clips resulting sad emotion). Then its feature were extracted. The feature were used to classify the emotion into 4 classes: happy, sad, scared, and disgust. Using Supervised Machine Learning Method, we can use these features to identify a new sample to predict which class it belongs to. Using k-NN algorithm as classifier, an accuracy greater than 70% is obtained with 4 classes."

"ABSTRAK

Untuk menunjang pemantauan konsentrasi manusia, perlu adanya pemahaman mengenai respon sinyal dari EEG terhadap dua kondisi manusia ya itu saat sedang konsentrasi penuh dan konsentrasi tidak penuh (adanya distraksi). Dalam mengolah data sinyal EEG tersebut, dibutuhkan metode algoritma dan klasifikasi sinyal untuk mendapatkan hasil data sinyal dari dua kondisi tersebut. Pada penelitian ini akan dijelaskan tentang sistem perancangan pendeteksian konsentrasi manusia berdasarkan sinyal EEG. Metode yang digunakan adalah Fast Fourier Transform (FFT) dan Discrete Wavelet Transform (DWT) sedangkan dalam algoritma klasifikasinya menggunakan Support Vector Machine (SVM). Hasil yang telah didapatkan dalam pengujian ini adalah SVM lebih mampu untuk mengklasifikasikan sistem dengan kernel RBF menggunakan 30% holdout validation. Keakurasian dari sistem ini adalah 91% pada metode DWT dan 72% pada metode FFT. Sehingga, dari kedua ekstraksi metode FFT dan DWT, yang memiliki nilai ekstraksi terbaik adalah DWT.

---

ABSTRACT

To support the monitoring focused human concentration, there is a need to understand the response of signals from EEG in two conditions which are when human is in full concentration and less concentration (presence of distraction).  To process those EEG signal data, an algorithm method and classification is needed to get the results of signal data from these two conditions In this research, the system of detecting design of human concentration levels based on EEG signals will be explained. The used methods are Fast Fourier Transform (FFT) and Discrete Wavelet Transform (DWT) while the classification algorithm uses Support Vector Machine (SVM).  The result of this research shows that by using SVM, a much more reliable result is achieved when a kernel RBF is used with 30% holdout validation. The result of the aforementioned method yields a 91% accuracy with DWT method and a 72% accuracy with FFT. 

 

"

"Indonesia telah mengalami peningkatan iklim dan memiliki ancaman peningkatan iklim lebih lanjut di masa depan. Hal ini mengakibatkan peningkatan pemakaian pengkondisi udara. Pemerintah mengeluarkan Permen ESDM No. 14 Tahun 2021 untuk memberikan regulasi terhadap pengkondisi udara yang digunakan di Indonesia, agar setiap pengkondisi udara yang digunakan di Indonesia memiliki standar kinerja energi, yang harus memenuhi standar energy efficiency ratio (EER) yang didapat dari hasil pengujian pengkondisi udara. Psychrometric chamber merupakan ruangan yang diciptakan khusus untuk pengujian pengkondisi udara, yang dapat mengatur dan mempertahankan temperatur dan kelembapan udara pada ruangan secara merata. Untuk mencapai kondisi ruangan tersebut, dibutuhkan sebuah sistem yang memiliki kapabilitas akuisisi data: mampu membaca data berupa kondisi temperatur, kelembapan, dan tekanan udara dan menampilkan data tersebut dalam bentuk grafik yang akan terus diperbaharui. Sistem juga harus memiliki kapabilitas kontrol yang baik, yang dapat mengambil input berupa temperatur yang diinginkan pengguna dan memberikan output berupa buka-tutup katup yang mengalirkan air panas ataupun dingin untuk menjaga kondisi ruangan dengan sistem feedback yang memenuhi standar SNI ISO 5151:2015. Penelitian ini berhasil mengembangkan sistem akuisisi data psychrometric chamber sehingga data dapat diperoleh dan ditampilkan. Sistem dapat memenuhi standar pengujian ruangan dengan variasi ruangan indoor ±0.2°C dan ruangan outdoor ±0.3°C.

---

Indonesia has undergone an increasing climate change with a threat of further increase. This phenomenon results in a usage increase of air conditioning systems. The government has issued Permen ESDM No. 14 Tahun 2021 to create a regulation on air conditioning systems used in Indonesia, which must satisfy a certain energy efficiency ratio (EER). Air conditioning systems must be tested to get the EER of each of the systems. A psychrometric chamber is a room created with the sole purpose of testing air conditioning equipment. It can produce and maintain constant temperature and humidity across the room. To obtain such conditions, a system with the capabilities of acquiring room temperature, humidity, and air pressure data and visualizing the data into a real-time updating graph is needed. A control system with the capabilities of taking user input of desired temperature and giving output in the form of opening and closing valve to make hot or cold-water flow to maintain room conditions with a feedback system fulfilling SNI ISO 5151:2015 standards is also needed. This study managed to develop the data acquisition system on the psychrometric chamber so that data is obtained and visualized. The control system can meet the maximum temperature variation requirement, with ±0.2°C indoor room variation and ±0.3°C outdoor room variation."