Hasil Pencarian  ::  Simpan CSV :: Kembali

"Budidaya mikroalga menggunakan PBR mampu memberikan hasil yang maksimal dikarenakan PBR mampu dikontrol secara maksimal. Meskipun begitu sistem ini sulit untuk dikembangkan untuk skala besar dikarena volume dan biaya yang dibutuhkan sangat besar. Pada penelitian ini dikembangkan sistem sepuluh photobioreactor (PBR) volume kecil dengan sistem kontinu yang disusun secara seri dengan sistem sirkulasi. Hal ini terbukti mempu meningkatkan produktivitas produksi biomassa mikroalga. Model yang dikembangkan mendapatkan hasil yang baik yaitu 162,2 g/m3 ­dan 192,2 g/m3 konsentrasi biomassa pada dua kondisi tekanan parsial karbon dioksida yang berbeda. Menggunakan metode regresi linear didapatkan bahwa model ini merupakan sistem yang tidak linear terhadap perubahan lajur alir masuk PBR dengan nilai regresi sebesar 0,69. Dikarenakan tingkat ke non-linearannya yang tinggi maka digunakan neural network model predictive control (NNMPC) pada sistem PBR ini sebagai pengendali. NNMPC digunakan dikarenakan kelebihannya dalam identifikasi sistem dibandingkan model MPC konvensional serta memiliki kinerja yang lebih baik dibandingkan pengendali MPC dan PID. NNMPC menggunakan neural network untuk mengidentifikasi hubungan nonlinear pada sistem dan mampu mengidentifikasi dengan akurat. Pada sistem ini konsentrasi biomassa dikontrol dengan cara memanipulasi laju alir masuk PBR. NNMPC terbukti mampu mengendalikan sistem PBR dengan baik dengan model neural network dan desain NNMPC yang tepat. Parameter optimum NNMPC yang berupa sampling time (T), prediction horzion (P), dan control horizon (M) yang digunakan pada sistem PBR ini berturut-turut adalah 0,2, 10, dan 3. NNMPC mampu mengatasi perubahan set point dan gangguan meskipun terdapat overshoot dan offset yang relatif kecil yaitu di bawah 1%. Selain itu settling time ketika menggunakan NNMPC berkisar 110 hingga 269 jam.

---

Microalgae cultivation using PBR is able to provide maximum results because PBR can be controlled optimally. This system is difficult to develop for a large scale because the volume and cost required are substantial. In this study, a ten-volume photobioreactor (PBR) system with a continuous system was developed in series with the circulation system. This has proven to be able to increase the productivity of microalgae biomass production. The developed model has good results, namely 162.2 g / m3 ¬ and 192.2 g / m3 biomass concentration under two different carbon dioxide partial pressure conditions. Using the linear regression method, it was found that this model is a non-linear system for changes in the PBR inlet flow with a regression value of 0.69. Due to the high level of non-linearity, the neural network predictive control (NNMPC) model is used as a controller in this PBR system . NNMPC is used because of its advantages in system identification compared to conventional MPC models and has better performance than MPC and PID controllers. NNMPC uses neural networks to identify non-linear relationships in the system and able to identify accurately. In this system, the biomass concentration was controlled by manipulating the PBR inflow rate. NNMPC is proven able to control PBR systems well with neural network models and the right NNMPC designs. The optimum parameters of NNMPC in the form of sampling time (T), prediction horizon (P), and control horizon (M) used in this PBR system are 0.2, 10, and 3. NNMPC is able to overcome changes in setpoints and interference, although there is a relatively small overshoot and offset, which is below 1%. Besides settling time when using NNMPC ranges from 110 to 269 hours."

"Penelitian mengenai optimasi multiobjektif terhadap pertumbuhan populasi Synechococcus HS-9 telah dilakukan. Pada penelitian digunakan Synechococcus HS-9 yang merupakan koleksi dari Laboratorium Taksonomi Tumbuhan Departemen Biologi FMIPA UI, Depok. Penelitian bertujuan untuk mengetahui hasil simulasi hidrodinamika Synechococcus HS-9 pada program Computational Fluid Dynamics (CFD) dan mengetahui kondisi hidrodinamika yang optimum untuk pertumbuhan Synechococcus HS-9. Penelitian dilakukan dengan mensimulasikan photobioreactor dengan menggunakan program CFD. Penelitian juga melakukan optimasi untuk mengetahui kondisi optimum untuk pertumbuhan Synechococcus HS-9 menggunakan Artificial Neural Network (ANN). Hasil penelitian menunjukkan kondisi optimum untuk pertumbuhan Synechococcus HS-9 dicapai dengan kondisi, yaitu suhu (T) sebesar 30,30C; derajat keasaman (pH) sebesar 9,4; Dissolved oxygen (DO) sebesar 1,4 mg/l, oxidation reduction potential (ORP) sebesar 34,7 mV; intensitas cahaya (I) sebesar 291,2 µmol m-2s-1; turbulance eddy dissipasion (TED) sebesar 0,00135 m2s-2; dan turbulance kinetic energy (TKE) sebesar 0,000238 m2s-2.

---

Research on the Multiobjective Optimization of Synechococcus HS-9 Population Growth using Artificial Neural Network has been carried out. Research using Synechococcus HS-9, which is the collection of the Plant Taxonomy Laboratory, FMIPA UI, Depok. This research purposes are to find out the results of the hydrodynamic simulation of Synechococcus HS-9 in the Computational Fluid Dynamics (CFD) and to find out the optimum hydrodynamic conditions for the growth of Synechococcus HS-9. The research was conducted by simulating a photobioreactor using CFD program. The study also carried out optimization to determine the optimum conditions for the growth of Synechococcus HS-9 using Artificial Neural Network (ANN). The results showed that the optimum conditions for the growth of Synechococcus HS-9 were achived with the following conditions, i.e. Temperature (T) of 30.3 0C, acidity (pH) 9.4, dissolved oxygen (DO) 1.4 mg/l, oxidation reduction potential (ORP) sebesar 34.7 mV, intensity (I) 291.2 µmol m-2s-1, turbulance eddy dissipasion (TED) 0.00135 m2s-2 and turbulance kinetic energy (TKE) 0.00023872 m2s-2."

"Quadcopter atau Quadrotor adalah sebuah jenis helikopter tanpa awak yang memiliki empat rotor yang terpasang dengan propeller. Pada quadcopter memiliki 2 buah rotor yang berputar searah jarum jam dan 2 buah rotor yang berputar berlawanan arah jarum jam. Pada sebuah quadcopter memiliki keseimbangan yang tidak stabil secara aerodinamis sehingga memerlukan komputer untuk mengkonversi perintah input menjadi perintah yang dapat mengganti kecepatan rotasi dari propeller sehingga menghasilkan gerakan yang diinginkan. Seiring dengan perkembangan teknologi, khususnya Artificial Intelligence dan Machine Learning, teknologi telah menjadi bagian penting serta berpengaruh secara signifikan dalam kehidupan manusia. Pengaplikassian Artificcial Intelligence seperti Neural Network juga tidak luput pengaplikasiannya di bidang Quadcopter Unmanned Aerial Vehicles (UAV). Dalam hal ini Neural Network digunakan sebagai basis dari metode pengendalian yang hendak diaplikasikan pada Quadcopter Unmanned Aerial Vehicles (UAV) yang disebut sebagai Pengendali Neural Network. Metode pengendalian Neural Network merupakan metode pengendalian yang memiliki model matematika yang disusun oleh Artificial Neural Network (ANN) dimana pengendali Neural Network terdiri dari dua buah komponen dasar yakni komponen inverse dan komponen identifikasi. Jenis pengendali yang digunakan untuk menstabilisasi manuver pada pergerakan Quadcopter UAV kemudian diuji dan diverifikasi melalui simulasi yang dilakukan dengan bahasa pemrograman MATLAB serta dilakukan perbandingan dengan pengendali Single Neuron Adaptive PID sebagai pembanding dalam hal performa pengendali.

---

A quadcopter, or quadrotor, is an unmanned helicopter with four rotors equipped with propellers. In a quadcopter, two rotors spin clockwise, and two rotors spin counterclockwise. A quadcopter has an aerodynamically unstable balance, which requires a computer to convert input commands into instructions that can change the rotation speed of the propellers to produce the desired movements. With the advancement of technology, especially Artificial Intelligence and Machine Learning, technology has become an integral and influential part of human life. Artificial Intelligence, such as Neural Networks, is also applied in the field of Quadcopter Autonomous Aerial Vehicles (UAV). In this context, Neural Networks are used as the basis for control methods to be applied to Quadcopter Unmanned Aerial Vehicles (UAV), referred to as Neural Network Controllers. The Neural Network Controller method is a control method with a mathematical model constructed by an Artificial Neural Network (ANN) consisting of two primary components: the inverse component and the identification component. The type of controller used to stabilize the maneuvers in the movement of the Quadcopter UAV is then tested and verified through simulations conducted in the MATLAB programming language and compared with Single Neuron Adaptive PID (SNAPID) controllers regarding controller performance."

"[ABSTRAKTugas akhir ini membahas mengenai Neural Network yang diaplikasikan dalam simulasi pengendalian plant. Plant yang digunakan adalah Pressure Process Rig 38-714. Pengendali yang digunakan adalah pengendali yang bekerja dengan nilai masukan berupa nilai eror dari nilai keluaran plant yang dibandingkan dengan nilai keluaran referensi. Kesuksesan percobaan ditinjau dari seberapa bagus keluaran plant yang dipasang pengendali ketika dibandingkan dengan sinyal referensinya dan ketahanannya terhadap gangguan. Hasil percobaan menunjukkan NN dengan metode Backpropagation memberikan performa yang baik walaupun diberi gangguan dengan batasan nilai tertentu.

---

ABSTRACTThis project discuss about the application of Neural Network in a simulation as a controller of a plant. Pressure Process Rig 38-714 is used as the plant. Error based NN is used as the controller. The controller’s input is the error signal from the output signal of plant compared to reference signal. The success rate is viewed by the similarity of the output of plant compared to the reference signal amd their robustness against noise. The testing result shows that NN based on backpropagation method has a great performance and robustness when there is noise., This project discuss about the application of Neural Network in a simulation as a controller of a plant. Pressure Process Rig 38-714 is used as the plant. Error based NN is used as the controller. The controller’s input is the error signal from the output signal of plant compared to reference signal. The success rate is viewed by the similarity of the output of plant compared to the reference signal amd their robustness against noise. The testing result shows that NN based on backpropagation method has a great performance and robustness when there is noise.]"

"

Perkembangan kecerdasan buatan (artificial intelligence/AI) bergerak semakin cepat dan mengalami kemajuan pesat dalam setiap bidang kehidupan manusia, tak terkecuali dalam dunia kendali industri. Sementara kendali industri mensyaratkan sistem pengendali yang mampu mengatasi perubahan karakteristik secara otomatis serta dapat beradaptasi dengan dinamika perubahan sistem yang diakibatkan adanya perubahan kondisi lingkungan kerja. Pengendali berbasis kecerdasan buatan dianggap mampu untuk beradaptasi dengan perubahan karakteristik dari sistem secara otomatis adalah pengendali berbasis neural network. Dalam penelitian ini disajikan desain dan simulasi sistem pengendali berbasis neural network dengan metode pembelajaran back propagation yaitu pengendali inverse langsung(direct inverse control/DIC), pengendali neuron tunggal(single neuron controller), serta pengendali PID pada plant modul training pressure process rig(PPR 38-417). Untuk pengujiannya, didesain sistem identifikasi berbasis neural network sebagai simulator plant. Hasilnya, semua sistem kendali yang didesain tersebut mampu mengendalikan plant sesuai dengan sinyal referensi yang dinginkan. Namun pengendali single neuron dan PID mampu mempertahankan keluarannya dengan baik saat diberi gangguan pada sinyal kendali maupun plant dibandingkan dengan pengendali inverse langsung(ANN-DIC). Hal ini dikarenakan kendali single neuron dan PID bersifat close loop sehingga mampu mengkoreksi kesalahan secara langsung. Sementara jika dibandingkan dengan kendali PID, kendali single neuron lebih adaptif untuk berbagai kondisi gangguan karena memiliki metode pembelajaran langsung, sementara kendali PID perlu dilakukan tunning untuk mendapatkan unjuk kerja yang handal.

---

The development of artificial intelligence (AI) is moving faster and experiencing rapid progress in every area of human life, not least in the world of industrial control. While industrial control requires a control system that is able to overcome changes in characteristics automatically and can adapt to the dynamics of system changes caused by changes in working environment conditions. Artificial intelligence-based controllers are considered capable of adapting to changes in the characteristics of the system automatically is a neural network-based controller. In this study, the design and simulation of a neural network-based controller system with back propagation learning methods, namely direct inverse control (DIC) and single neuron controller, as well as PID controllers for the pressure process rig (PPR 38-417) training module. For the test, a neural network-based identification system is designed as a simulator plant. As a result, all the control systems designed are able to control the plant in accordance with the desired reference signal. However, single neuron and PID controllers are able to maintain their output well when given interference with the control signal or plant compared to the direct inverse controller (ANN-DIC). This is because single neuron control and PID are close loop so that they can correct errors directly. Meanwhile, when compared to PID control, single neuron control is more adaptive for a variety of disruption conditions because it has a direct learning method, while PID control needs to be tuned to get reliable performance.

"

"Di dalam dunia industri, operasi pencampuran banyak digunakan untuk mengolah bahan mentah menjadi suatu produk seperti minyak bumi, bahan kimia, dan lainnya. Biasanya, pada plant skala industri digunakan PID kontroler sebagai sistem pengendaliannya, akan tetapi PID kontroler ini akan menjadi kurang baik ketika menghadapi sistem non-linear, sehingga pada penilitian ini dirancang suatu sistem kendali berbasis neural network yang diharapkan dapat memberikan performa yang lebih baik dan efisien dibandingkan PID konvensional. Model plant yang digunakan untuk simulasi di dalam penelitian ini adalah proses pencampuran air, dimana temperatur dan level air akan dikendalikan. Dibuat dua jenis sistem pengendali neural network (NN) dengan perbedaan pada input-nya, yaitu NN dengan input SP, PV(n), PV(n-1) dan NN dengan input SP, error, dan perubahan error. Kedua sistem pengendali neural network ini dibuat dengan menggunakan metode feed-forward neural network dan simulasinya dibuat dengan menggunakan Simulink. Berdasarkan hasil pengujian, dapat disimpulkan bahwa sistem pengendalian dengan menggunakan neural network memberikan performa yang lebih baik jika dibandingkan dengan sistem pengendalian PID konvensional, yaitu dengan settling time dan rise time yang lebih cepat, serta menghasilkan respon sistem yang tidak memiliki overshoot sama sekali.

---

In the industrial world, blending operations are widely used to process raw materials into products such as petroleum, chemicals, and others. Usually, in industrial-scale plants, the PID controller is used as a control system, but this controller will be less good when dealing with non-linear systems. In this study, a neural network-based control system is expected to provide better and more efficient performance compared to conventional PID control. The plant model used for simulation in this study is the process of mixing water, where the temperature and water level will be controlled. Created two types of neural network (NN) control systems with differences in the input, the first is a NN with SP, PV(n), PV(n-1) for the input, and the second is a NN with SP, error, and change of error for the input. Both of these neural network control systems are made using a feed-forward neural network method, and the simulation was created by using Simulink. Based on the test results, it can be concluded that the control system using a neural network provides better performance when compared to conventional PID control systems with a faster settling time and rise time, and produces a system response that has no overshoot at all."

"

Bahan bakar fosil adalah bahan bakar yang tidak dapat diperbaharui. Semakin meningkatnya kebutuhan akan energi mengakibatkan krisis energi dunia, salah satunya Indonesia. Penggunaan BBM yang tidak terkontrol mengakibatkan dampak negatif yang mengkhawatirkan. Oleh sebab itu diperlukan alternatif untuk memenuhi kebutuhan energi dari sumber daya alam yang dapat diperbaharui. Indonesia memiliki potensi sumber energi alternatif, yaitu energi baru terbarukan dapat berupa pengembangan biofuel berbasis nabati dari mikroalga. Mikroalga membutuhkan proses yang cukup panjang untuk menghasilkan biodiesel. Adapun proses secara umumnya adalah proses kultivasi, pemanenan, ekstraksi lipid dari biomassa, dan sintesis biodiesel. Proses kultivasi mikroalga Synechococcus HS-9 sebanyak 7,5 L menghasilkan biomassa basah mikroalga sebesar 5,5295 g dan berat kering biomassa sebesar 3,323 g/L. Sintesis biodiesel menggunakan metode transesterifikasi dipengaruhi oleh suhu dan waktu reaksi. Dari penelitian yang dilakukan diperoleh yield biodiesel 5,5% pada variasi suhu 55 0C dengan waktu konstan 60 menit dan yield biodiesel tertinggi sebesar 4,25% pada waktu 30 menit dengan suhu konstan 65 0C. Kandungan FAME yang dimiliki oleh biodiesel mikroalga Synechococcus HS-9, yaitu dalam bentuk monounsaturated fatty acid sebesar 3,16%, polyunsaturated fatty acid sebesar 18,96% dan saturated fatty acid sebesar 77,87%. Nilai propertis biodiesel mikroalga Synechococcus HS-9 dari vikositas kinematik sebesar 0,42 mm2/s dan densitas sebesar 1482 kg/m3.

---

Fossil fuels are non-renewable fuels. The increasing demand for energy has resulted in the world energy crisis, one of which Indonesia. Uncontrolled use of BBM results in negative impacts. Therefore, an alternative is required to fulfill the energy needs of renewable natural resources. Indonesia has a potential alternative energy source, which is renewable energy can be the development of biofuel based on microalgae. Microalgae require a long enough process to produce biodiesel. The process are cultivation, harvesting, lipid extraction from biomass, and biodiesel synthesis. The cultivation process of Synechococcus HS-9 as much as 7,5 L obtained microalgae wet biomass of 5,5295 g and dry weight of biomass of 3,323 g/L. The synthesis of biodiesel using transesterification method is influenced by temperature and reaction time. From the research obtained 5,5% of biodiesel yield at a temperature variation of 55 0C with a constant time of 60 minutes. The highest biodiesel yield 4,25% at 30 minutes with a constant temperature of 65 0C. The FAME content of Synechococcus HS-9 microalgae biodiesel is in the form of monounsaturated fatty acid amount 3,16%, polyunsaturated fatty acids amount 18,96%, and saturated fatty acid amount 77,87%. The biodiesel property value of Synechococcus HS-9 microalgae from kinematic viscocity is 0,42 mm2/s and density amount 1482 kg/m3.

"

"Penggunaan analisis sentimen semakin umum digunakan. Dalam pengembangan analisis sentimen ini banyak tantangan yang perlu dihadapi. Karena analisis ini termasuk Natural Language Processing NLP, hal yang perlu dimengerti adalah kompleksitas bahasa. Dengan berkembangnya teknologi Artificial Neural Network, ANN semakin banyak permasalahan yang bisa diselesaikan. Ada banyak contoh struktur ANN dan untuk penelitian ini yang digunakan adalah Convolutional Neural Network CNN dan Recurrent Neural Network RNN. Kedua jenis ANN tersebut sudah menunjukkan performa yang baik untuk beberapa tugas NLP. Maka akan dilakukan analisis sentimen dengan menggunakan kedua jenis ANN tersebut dan dibandingkan kedua performa ANN tersebut. Untuk data yang akan digunakan diambil dari publikasi stanford dan untuk mengubah data tersebut bisa digunakan pada ANN digunakan word2vec. Hasil dari analisis menunjukkan bahwa RNN menunjukkan hasil yang lebih baik dari CNN. Walaupun akurasi tidak terlalu terlihat perbedaan yaitu pada RNN yang mencapai 88.35 0.07 dan CNN 87.11 0.50, tetapi waktu pelatihan RNN hanya membutuhkan waktu 8.256 detik sedangkan CNN membutuhkan waktu 544.366 detik.

---

Term of sentiment analysis become popular lately. There are many challenges developing sentiment analysis that need to be addressed. Because this kind analysis is including Natural Language Processing, the thing need to understand is the complexity of the language. With the current development of Artificial Neural Network ANN, more problems can be solved.

There are many type of ANN and for this research Convolutional Neural Network CNN and Recurrent Neural Network will be used. Both already showing great result for several NLP tasks. Data taken from stanford publication and transform it with word2vec so could be used for ANN.

The result shows that RNN is better than CNN. Even the difference of accuracy is not significant with 88.35 0.07 for RNN and 87.11 0.50 for CNN, the training time for RNN only need 8.256 secods while CNN need 544.366 seconds."

"Pembangkit Listrik Tenaga Bayu (PLTB) adalah sumber energi yang bisa menjadi sumber energi alternatif ketika dunia mengalami kelangkaan sumber energi fosil seperti minyak bumi, gas alam dan batu bara. Saat ini PLTB belum menjadi sumber energi yang menjanjikan di Indonesia. Salah satu penyebabnya adalah karena efisiensi daya yang sangat rendah. Hal ini diakibatkan oleh efisiensi yang berubah-ubah seiring dengan perubahan kecepatan angin. Untuk meningkatkan efisiensi PLTB, pada skripsi ini dirancang sebuah pengendali berbasiskan jaringan syaraf tiruan (JST) yang dapat mengendalikan sudut dari blade pada turbin angin. Dari hasil simulasi didapatakan efisiensi turbin angin yang sudut blade-nya dikendalikan menggunakan JST lebih besar dibandingkan turbin angin yang sudut blade-nya konstan.

---

Wind Energy Convertion System (WECS) can become as one of alternative energy resources in the future that replaces fosil energy resources like Oil and Gas. However, nowadays Wind Energy Convertion System is not properly applied to be the primary energy resource in Indonesia yet, because the energy efficiency of wind turbine is low due to high dependency on wind velocity. In this paper, we design a neural network based controller to control the pitch of blade on wind turbine. From the simulation result, we verified thatbetter wind turbin efficiency has been achieved by using proposed neural network based controller."

"Pada tesis ini dilakukan identifikasi sistem homogenisasi dengan menggunakan algoritma neural network, sehingga dapat dijadikan model untuk mengetahui dinamika sistem yang sebenarnya. Identitikasi dengan menggunakan neural network, dilakukan dengan memanfaatkan data tanggapan sistem homogenisasi di pabrik pembuatan susu kental manis. Dengan model hasil identitikasi ini, dapat diketahui bagaimana tanggapan sistem terhadap perubahan tekanan dengan memberikan fungsi step pada sistem lingkar terbuka. Dengan model yang ada, juga dapat diketahui bagaimana hubungan antara viskositas dan tekanan, dengan memberikan fungsi ramp pada sistem lingkar terbuka. Dari kurva hubungan antara viskositas dan tekanan, ternyata terdapat sifat non linearitas pada sistem homogenisasi. Dengan pengetahuan tentang dinamika sistem homogenisasi, maka dapat dilakukun simulasi sistem kendali dengan menggunakan pengendali P!. Tujuan simulasi ini ialah agar dapat diketahui bagaimana karaketeristik sistem sebelum diterapkan pada sistem yang sebenarnya. Dari simulasi yang dilakukan ternyata pengendali PI cukup baik melakukan pengendalian sistem homogenisasi tersebut."