Hasil Pencarian  ::  Simpan CSV :: Kembali

"Proses sistem kendali adalah proses penting yang terjadi di dunia perindustrian, salah satunya di ranah industri hulu migas. Salah satu instrumen utama pada proses upstream migas adalah separator yang memiliki fungsi untuk memisahkan kandungan fluida minyak mentah yang mengalir melalui pipa menjadi beberapa wujud fase. Pada kenyataanya hampir semua proses pengendalian separator pada fasilitas produksi PT. Pertamina EP masih menggunakan model pengendalian PID konvensional yang harus terus dimonitoring oleh sumber daya manusia selama 24 jam per hari. Oleh karenanya, pada penelitian ini dirancang sebuah metode pengendalian berbasis intelligent system, yaitu simulasi pengendalian Neuro Fuzzy. Metode pengendalian Neuro-Fuzzy ini didesain menggunakan algoritma ANFIS dengan input berupa setpoint, error, dan selisih error dari proses variabel fluida separator, yaitu level (h) fluida. Penelitian dilakukan menggunakan aplikasi Simulink/MATLAB dengan memasukkan fungsi transfer dari model matematis separator lalu melakukan perbandingan dengan melihat grafik respon dan parameter antara model pengendali PID dan ANFIS. Hasil dari penelitian menunjukan bahwa performa pengendali model ANFIS secara rata-rata memiliki overshoot yang jauh lebih baik dari model PID karena selalu mendekati nol dalam tiap kondisi set point serta model ANFIS memiliki nilai error yang lebih baik pada saat set point bernilai 5 dengan perbedaan error 0,712 dari error model pengendali PID.

---

The control system process is an important process that occurs in the industrial world, one of which is in the upstream oil and gas industry. One of the main instruments in the upstream oil and gas process is a separator which has afunction to separate the crude oil fluid content flowing through the pipe into several phases. In fact, almost all separator control processes at PT. Pertamina EP still uses the conventional PID control model which must be continuously monitored by human resources 24 hours per day. Therefore, in this study, a control method based on intelligent systems is based on Neuro Fuzzy control of the level (h) of the fluid. The research was conducted using the Simulink/MATLAB application by entering the transfer function of the separator mathematical model and then making comparisons by looking at the response and parameter charts between the PID and ANFIS controller. The results of the study show that the ANFIS model controller performance on average has a much better overshoot than the PID model because it is always close to zero in each set point condition and the ANFIS model has a better error value when the set point is 5 with an error difference of 0.712. of the PID controller model error."

"Banjir di Jakarta merupakan masalah yang kompleks yang dipengaruhi oleh kombinasi faktor geografis, sosial, ekonomi, dan lingkungan. Studi ini berfokus pada prediksi banjir dengan membandingkan data stasiun darat Automatic Rain Gauge (ARG) dan data satelit Climate Hazards Group InfraRed Precipitation (CHIRPS) menggunakan Adaptive Neurofuzzy Inference System (ANFIS) yang terintegrasi dengan Principal Component Analysis (PCA). Dataset mencakup pengukuran curah hujan dari ARG dan CHIRPS, serta data ketinggian air dari tahun 2014 hingga 2020. ARG menyediakan data curah hujan lokal yang akurat, sementara CHIRPS menawarkan cakupan curah hujan regional yang luas. Teknik praproses seperti imputasi rata-rata, normalisasi data, dan metode interquartile range (IQR) digunakan untuk meningkatkan kualitas data. Model ANFIS-PCA, yang mengintegrasikan logika fuzzy dan pelatihan jaringan saraf tiruan, diterapkan dengan pembagian data 80:20 untuk pelatihan dan validasi. Ketika dilatih dengan data stasiun darat ARG dan pengukuran ketinggian air, model ANFIS-PCA menunjukkan akurasi yang superior, dengan root mean square error (RMSE) sebesar 0,13, mean absolute error (MAE) sebesar 0,12, dan R² sebesar 0,82. Sebaliknya, model ANFIS tanpa PCA menghasilkan kesalahan yang lebih tinggi, dengan RMSE 6,3, MAE 6,2, dan R² 0,74. Pelatihan dengan data satelit CHIRPS menghasilkan kesalahan yang jauh lebih tinggi (RMSE 30,14, MAE 24,05, R² 0,42). Sedangkan hasil ANFIS – PCA menghasilkan akurasi yang lebih bagus (RMSE 4,8, MAE 2,0 dan R² 0,55) . Hasil penelitian menunjukkan bahwa ANFIS-PCA memiliki kinerja yang lebih baik dibandingkan model ANFIS tanpa PCA, terutama ketika dilatih dengan data dari stasiun darat. Integrasi PCA berhasil mengurangi dimensi data, meningkatkan efisiensi komputasi dan akurasi model. Selain itu hasil ini juga menegaskan keunggulan pengukuran curah hujan data ground station untuk prediksi banjir, mempunyai angka presisi yang lebih tinggi dan kerentanan yang lebih rendah terhadap kesalahan dibandingkan data satelit. Sementara itu data satelit CHIRPS menawarkan cakupan spasial yang lebih luas.

---

Flooding in Jakarta is a complex issue influenced by a combination of geographical, social, economic, and environmental factors. This study focuses on flood prediction by comparing ground station data from Automatic Rain Gauges (ARG) and satellite data from the Climate Hazards Group InfraRed Precipitation (CHIRPS) using the Adaptive Neuro-Fuzzy Inference System (ANFIS) integrated with Principal Component Analysis (PCA). The dataset includes rainfall measurements from ARG and CHIRPS, as well as water level data from 2014 to 2020. ARG provides accurate local rainfall data, while CHIRPS offers broad regional precipitation coverage. Preprocessing techniques such as mean imputation, data normalization, and the interquartile range (IQR) method were employed to enhance data quality.

The ANFIS-PCA model, which integrates fuzzy logic and neural network training, was implemented using an 80:20 data split for training and validation. When trained with ARG ground station data and water level measurements, the ANFIS-PCA model demonstrated superior accuracy, achieving a root mean square error (RMSE) of 0.13, mean absolute error (MAE) of 0.12, and R² of 0.82. In contrast, the ANFIS model without PCA yielded higher errors, with RMSE of 6.3, MAE of 6.2, and R² of 0.74. Training with CHIRPS satellite data resulted in significantly higher errors (RMSE 30.14, MAE 24.05, R² 0.42). Meanwhile, the ANFIS-PCA model trained on combined datasets showed improved performance, achieving RMSE of 4.8, MAE of 2.0, and R² of 0.55.

The results indicate that the ANFIS-PCA model outperforms the ANFIS model without PCA, particularly when trained with ground station data. The integration of PCA successfully reduced data dimensionality, improving computational efficiency and model accuracy. Furthermore, the findings reaffirm the superiority of ground-based measurements for flood prediction due to their higher precision and lower susceptibility to errors compared to satellite-derived data, while CHIRPS satellite data offers wider spatial coverage."

"Dalam penelitian ini dilakukan simulasi pengendalian temperatur dan level air (multivariable) pada proses pencampuran dalam suatu tangki berkapasitas 80 liter menggunakan MATLAB Simulink. Tujuan dari penelitian ini adalah menjaga temperatur dan level air di set point pada sebuah proses dengan mengendalikan debit air dingin dan panas yang masuk ke tangki pencampuran. Keterkaitan antara satu variabel dengan variabel lainnya dapat direduksi menggunakan decoupling. Sistem akan diuji dengan banyak perubahan set point dan diberikan input gangguan berupa ketidakakuratan temperature transmitter dalam membaca temperatur air campuran. Pengujian sistem dilakukan menggunakan pengendali PI dan ANFIS. Pengendali PI digunakan sebagai data training ANFIS. Pada penelitian ini diberikan batasan bahwa debit maksimal yang digunakan adalah 15 l/min, temperatur maksimum pada tangki campuran adalah 90℃, dan level air maksimum tangki adalah 75 cm. Performa dari kedua pengendali akan dibandingkan dengan melihat parameter-parameter seperti RMSE, rise time, settling time, dan %Overshoot sebagai data kualitatif. Penelitian ini menunjukkan bahwa pengendali ANFIS secara keseluruhan lebih baik daripada pengendali PI dalam pengujian perubahan set point yang dapat dilihat dari nilai RMSE ANFIS untuk kendali temperatur berada di angka rata-rata 0.174 dan level pada angka 0.196. RMSE pengendali PI untuk kendali temperatur adalah 0.21 dan level 0.2. Pemberian input gangguan menunjukkan pengendali ANFIS lebih baik daripada pengendali PI dalam menangani adanya kesalahan pembacaan sensor oleh temperature transmitter.

---

In this research, a simulation program for temperature and level control on a liquid (water) mixing process with assumed to have a tank volume 80 liter is proposed using MATLAB Simulink. The purpose of this study is to maintain the temperature and water level at the set point in a process by controlling the flowrate of cold and hot water that enters the mixing tank. The influence of one variable with others can be reduced using decoupling technique. The system will be tested with many set point changes and given input an inaccurate transmitter temperature in reading the temperature of the mixed water. System testing is performed using a PI and ANFIS Controller. PI Controller is used to generate the ANFIS training data. In this research, a limit is given that the maximum discharge used is 15 liters/min, the maximum temperature and level in the mixed tank is 90℃ and 75 cm. The performance of those two controllers will be compared by observing parameters such as RMSE, rise time, settling time, and %Overshoot as qualitative data. This research shows that ANFIS controllers are generally better than PI controllers when tested with set point changes which can be seen from the ANFIS RMSE values ​​for temperature control at an average rate of 0.174 and a level of 0.196. The RMSE of the PI controller for temperature control is 0.21 and level 0.2. Tests with disturbance input show that ANFIS controllers are better at handling inaccurate transmitter temperature in reading the temperature of the mixed water than PI Controller."

"

Kanker payudara adalah suatu jenis tumor ganas yang berkembang pada sel-sel payudara. Pada penelitian ini digunakan model Adaptive Neuro Fuzzy Inference System (ANFIS) dengan Selecting Feature. Neuro Fuzzy (NF) menghibridisasi keunggulan dari Artificial Neural Network (ANN) dan Fuzzy Logic (FL) untuk mengatasi masalah input informasi yang tidak pasti dan tidak tepat. Penelitian model ANFIS dengan selecting feature dilakukan dengan 4 tahap. Pada tahap pertama dilakukan preprocessing data, di mana terlebih dahulu dilakukan cleaning dataset untuk menghilangkan 16 missing value, kemudian data dinormalisasi dalam interval [0,1], selanjutnya dipilih fitur mana yang mewakili dataset menggunakan algoritma relief, correlation plot, dan ilmu di bidang kesehatannya. Tahap kedua yaitu pembagian dataset menjadi 4 label. Hal ini bertujuan untuk melihat pembagian data antara data training dan data testing mana yang proporsional untuk diuji. Tahap ketiga merupakan pengujian model ANFIS dengan eppoch= 50, 100, 150 pada 4 label dataset. Tahap ini menghasilkan nilai RMSE untuk melihat seberapa kecil tingkat kesalahan dari model ANFIS. Pada tahap akhir, dilakukan uji performance data untuk melihat akurasi pada data testing. Berdasarkan hasil uji dalam 4 label dataset, diperoleh rata-rata untuk akurasi 96,35%. Dari hasil penelitian disimpulkan bahwa model Adaptive Neuro Fuzzy Inference System dengan Selecting Feature cukup baik untuk memprediksi kanker payudara.

---

Breast cancer is a type of tumor that develops in breast cells. In this study, the Adaptive Neuro Fuzzy Inference System (ANFIS) model was used with the Selecting Feature. Neuro Fuzzy (NF) hybridizes the advantages of Artificial Neural Network (ANN) and Fuzzy Logic (FL) to solve the problem of uncertain and imprecise information input. The ANFIS research model with feature selection was carried out in 4 stages. In the first stage, data preprocessing is carried out, where first cleaning the dataset to eliminate 16 missing values, then the data is normalized in intervals [0,1], then selected which features represent the dataset using relief algorithms, correlation plots, and science in the field. his health. The second stage is dividing the dataset into 4 labels. This aims to see the distribution of data between training data and testing data which is proportional to be tested. The third stage is the ANFIS testing model with eppoch = 50, 100, 150 on 4 dataset labels. This stage generates the RMSE value to see the slightest error rate of the ANFIS model. In the final stage, a data performance test is carried out to see the accuracy of the data testing. Based on the test results in 4 dataset labels, an average of 96.35% accuracy is obtained. From the research, it was concluded that the Adaptive Neuro Fuzzy Inference System model with the Selecting Feature was good enough to predict breast cancer.

"

"Klasifikasi data citra Ultrasonograf (USG) tumor payudara telah dilakukan dengan menggunakan Adaptive Neuro Fuzzy Inference System (ANFIS). Untuk klasifikasi diberikan pasangan-pasangan input fungsi keanggotaan (MFs) antara 0 - 0,1 dengan output pasien tumor/kanker sangat parah; input MFs 0,11 - 0,2 dengan output pasien tumor/kanker parah; input MFs 0,21 - 0,4 dengan output pasien tumor/kanker tidak parah; dan input 0,41 - 1 dengan output pasien sehat. Klasifikasi dilakukan terhadap data citra ultrasonografi baik pada pasien sehat maupun pada pasien yang memiliki kelainan, dan memberikan persentase kebenaran data training sebesar 87 %. Rule base dibuat dengan menggunakan sistem pakar (expert system) dengan 8 aturan dan training data FMS dilakukan dengan menggunakan metode backpropagation."

"Metode Adaptif Neuro Fuzzy Inference System (ANFIS) untuk penerapan pada identifikasi dan aplikasi kendali sistem multi masukan multi keluaran (MIMO) dan sistem satu masukan satu keluaran (SISO) diharapkan dapat menjadi salah satu metode kendali cerdas alternatif selain mengandalkan metode kendali cerdas umum seperti Jaringan Syaraf Tiruan backpropagation. Sistem plant MIMO tersebut mengacu kepada sistem Pesawat Udara Nirawak SRITI yang menghasilkan 3 surface kendali. Metode ANFIS yang dibangun merupakan metode yang terdiri dari metode Jaringan Syaraf Tiruan Adaptif dan model sistem inferensi fuzzy. Algoritma pembelajaran identifikasi, invers, dan algoritma pembelajaran On-Line merupakan metode pembelajaran yang digunakan pada sistem ini. Melalui rancangan metode ANFIS ini kemudian dilakukan simulasi untuk memperlihatkan hasil identifikasi dan pembelajaran secara On-line sistem ketika masukan dan keluaran sistem Pesawat Udara Nirawak (UAV) diberikan. ANFIS dengan algoritma pembelajaran identifikasi dan invers telah dapat memberikan hasil respon yang baik, namun untuk menyempurnakan hasil metode pembelajaran Off-line sistem harus diberikan suatu pengestimasi tambahan yang menjadikannya sistem On-line. Hasil percobaan On-line telah menunjukkan keberhasilan sistem ANFIS dalam mengidentifikasi dan mempelajari sistem SISO dan MIMO.

---

Adaptif Neuro Fuzzy Inference System (ANFIS) method for Multi Input Multi Output (MIMO) plant system identification and control application expected to become one of an alternative smart control method in addition to relying on another smart control method such as backpropagation neural network. That MIMO plant system refers to Unmanned AeroVehicle which produce 3 control surface.

ANFIS method which will be proposed consist of adaptive neural network method and Fuzzy Inference System model. Identification learning algorithm, inverse learning algorithm, and On-line learning are identification and control methods used in this system.

From this proposed ANFIS method then simulated to demonstrate the identification and learning’s output when UAV SRITI plant system's input and output were given. ANFIS with identification and inverse learning algorithm had given good response, but for more perfection of Off-line system method, there should be given some additional estimator to make it On-line. The On-line method result has demonstrated the success of ANFIS system in identifying and learning SISO and MIMO systems."

"Pengontrol aliran banyak digunakan di berbagai industri, seperti di industri perminyakan untuk mengalirkan minyak dari minyak lepas pantai ke darat atau digunakan untuk distribusi minyak. Pengontrol aliran yang paling banyak digunakan dalam industri adalah pengontrol berbasis PID konvensional yang diimplementasikan menggunakan PLC. PLC banyak digunakan dalam industri karena kekompakannya, memiliki konektivitas standar dan memiliki keandalan yang tinggi. Dalam penelitian ini, pengontrol non-konvensional, yaitu pengontrol Neuro-Fuzzy, diterapkan pada pabrik prototipe yang mengandung air sebagai agen alirannya. Pabrik prototipe terdiri dari tangki air, pompa air, katup gerbang, katup kontrol, flow meter, dan sistem perpipaan. Kontroler Neuro-Fuzzy dalam penelitian ini dirancang berdasarkan algoritma ANFIS, dengan input berupa kesalahan dan perubahan kesalahan dari variabel proses yang diamati, dalam hal ini aliran air pada pipa keluaran pabrik prototipe. Pengontrol dioperasikan di lingkungan MATLAB/SIMULINK pada PC, yang memperoleh informasi laju aliran berasal dari flow meter yang terhubung ke PLC. PLC berkomunikasi dengan pengendali melalui fasilitas OPC. Output dari pengontrol, yang berupa bukaan katup kontrol, akan dikirim ke PLC melalui OPC, oleh karena itu PLC dapat mengontrol bukaan katup sesuai dengan laju aliran air yang diinginkan. Setelah menjalani proses pelatihan, pengendali berbasis ANFIS yang dikembangkan diuji dengan berbagai titik setel debit air untuk mendapatkan informasi kinerjanya. Dari penelitian ini ditemukan bahwa pengontrol berbasis ANFIS adalah pengontrol dengan kinerja yang baik, yang memiliki waktu naik rata-rata 16,88 detik, waktu penyelesaian 30,68 detik, dan dengan overshoot 0% dan 35,65%, dan memiliki relatif kecil kesalahan 2,59%.

---

Flow control is widely used in various industries, such as in the oil industry to flow oil from offshore to onshore oil or used for oil distribution. The most widely used flow controller in the industry is conventional PID-based controller which is implemented using PLC. PLCs are widely used in industry because of their compactness, standard connectivity and high reliability. In this study, a non-conventional controller, the Neuro-Fuzzy controller, is applied to a prototype plant that contains water as its flow agent. The prototype plant consists of a water tank, a water pump, a gate valve, a control valve, a flow meter, and a piping system. The Neuro-Fuzzy controller in this study was designed based on the ANFIS algorithm, with input in the form of errors and error changes of the observed process variables, in this case the flow of water in the prototype factory output pipe. The controller is operated in a MATLAB / SIMULINK environment on a PC, which gets flow rate information from a flow meter connected to the PLC. PLC communicates with controllers through OPC facilities. The output from the controller, which is the control valve opening, will be sent to the PLC via OPC, therefore the PLC can control the valve opening according to the desired flow rate. After undergoing the training process, the ANFIS-based controller that was developed was tested with various water discharge set points to obtain performance information. From this study it was found that ANFIS-based controller is a controller with good performance, which has an average rise time of 16.88 seconds, a completion time of 30.68 seconds, and with 0% and 35.65% overshoot, and has relatively small errors 2.59%."

"Sistem transmisi Voltage Source Converter-High Voltage Direct Current (VSC-HVDC) telah menjadi pilihan utama dalam transmisi daya jarak jauh karena keunggulannya dalam hal fleksibilitas dan stabilitas. Namun, tantangan utama dalam pengoperasian sistem VSC-HVDC adalah menjaga stabilitas dan performa optimal, terutama dalam kondisi transien dan saat terjadi gangguan. Penelitian ini bertujuan untuk mengoptimalkan kinerja sistem transmisi VSC-HVDC dengan menggunakan kontrol roportional-Integral Adaptive Neuro-Fuzzy Inference System (PI-ANFIS) dan membandingkan performanya dengan kontrol PI konvensional. Penelitian ini menggunakan pemodelan sistem transmisi VSC-HVDC dengan kontrol PI sebagai dasar. Data relasi input-output dari model tersebut kemudian digunakan untuk melatih model ANFIS. Setelah itu, model VSC-HVDC dengan kontrol PI-ANFIS dikembangkan dan dianalisis. Kinerja sistem dengan kontrol PI-ANFIS dievaluasi dalam kondisi transien dan saat terjadi gangguan, baik gangguan permanen maupun sementara.  Hasil penelitian menunjukkan bahwa kontrol PI-ANFIS mampu meningkatkan performa sistem transmisi VSC-HVDC secara signifikan dibandingkan dengan kontrol PI konvensional. Dalam kondisi transien, PI-ANFIS mampu mengurangi overshoot dan mempercepat settling time pada kendali daya aktif, daya reaktif, dan tegangan DC. Saat terjadi gangguan permanen, PI-ANFIS menunjukkan kemampuan yang lebih baik dalam menjaga kestabilan dan mempercepat waktu pemulihan sistem. Pada kondisi gangguan sementara, PI-ANFIS mampu mencapai kestabilan lebih cepat dan menjaga stabilitas dalam batas yang diinginkan. Keunggulan kontrol PI-ANFIS didasari oleh kemampuan adaptasi dan pembelajaran dari algoritma ANFIS, yang memberikan fleksibilitas tambahan dalam menghadapi kondisi dinamis dan gangguan tak terduga. Implementasi kontrol PI-ANFIS pada sistem transmisi VSC-HVDC tidak hanya meningkatkan kinerja sistem dalam jangka pendek, tetapi juga dapat memberikan manfaat ekonomi jangka panjang melalui peningkatan keandalan dan pengurangan biaya pemeliharaan sistem. Penelitian ini memberikan kontribusi signifikan dalam pengembangan teknologi kontrol cerdas untuk sistem transmisi daya yang lebih handal, efisien, dan adaptif. Hasil penelitian ini dapat menjadi landasan untuk penelitian lebih lanjut dan adopsi kontrol PI-ANFIS dalam aplikasi praktis pada sistem transmisi VSC-HVDC di masa depan.

---

Voltage Source Converter-High Voltage Direct Current (VSC-HVDC) transmission systems have become the preferred choice for long-distance power transmission due to their advantages in flexibility and stability. However, the main challenge in operating VSC-HVDC systems is maintaining optimal stability and performance, especially under transient conditions and during disturbances. This research aims to analyze the performance of VSC-HVDC transmission systems using Proportional-Integral Adaptive Neuro-Fuzzy Inference System (PI-ANFIS) control and compare its performance with conventional PI control. This research uses modeling of the VSC-HVDC transmission system with PI control as a basis. The input-output relationship data from the model is then used to train the ANFIS model. Afterward, the VSC-HVDC model with PI-ANFIS control is developed and optimized. The performance of the system with PI-ANFIS control is evaluated under transient conditions and during disturbances, both permanent and temporary. The results show that PI-ANFIS control can significantly improve the performance of the VSC-HVDC transmission system compared to conventional PI control. Under transient conditions, PI-ANFIS is capable of reducing overshoot and accelerating settling time in active power, reactive power, and DC voltage control. During permanent disturbances, PI-ANFIS demonstrates better ability in maintaining stability and accelerating system recovery time. Under temporary disturbance conditions, PI-ANFIS achieves stability faster and maintains stability within desired limits. The superiority of PI-ANFIS control is based on the adaptability and learning capabilities of the ANFIS algorithm, which provides additional flexibility in dealing with dynamic conditions and unexpected disturbances. The implementation of PI-ANFIS control in VSC-HVDC transmission systems not only improves short-term system performance but can also provide long-term economic benefits through increased reliability and reduced system maintenance costs. This research makes a significant contribution to the development of intelligent control technology for more reliable, efficient, and adaptive power transmission systems. The results of this research can serve as a foundation for further research and the adoption of PI-ANFIS control in practical applications of VSC-HVDC transmission systems in the future."

"Pada masa sekarang ini perkembangan teknologi cenderung memiliki kemampuan untuk berpikir dan mengambil keputusan layaknya manusia. Salah satu dari banyak metode untuk mengembangkan teknologi yang cerdas adalah dengan menggunakan Adaptive Neuro Fuzyy Inference System. Penelitian ini dilakukan dengan menerapkan ANFIS tipe Sugeno pada data-data penelitian umum, seperti data tanaman iris dan data ionosphere, melihat efek perubahan parameter-parameter terhadap recognisinya, lalu melakukan ANFIS terhadap data citra wajah.

---

The technology nowadays tends to have abbility to think and to size up decision, just like us humans. One of the kind of method to enhance smart technology is by using Adaptive Neuro Fuzyy Inference System. This research is done by using ANFIS Sugeno type on general research data, such as iris plant data and ionosphere data, observing the effect of the changing parameter over the recognition, then using ANFIS on face image data."