Hasil Pencarian  ::  Simpan CSV :: Kembali

"Salah satu aspek pertahanan negara yang cukup penting adalah pertahanan udara negara. Sayangnya, Industri Pertahanan Indonesia masih cukup kurang mendukung. Salah satu isu yang diakibatkan oleh masalah ini adalah kurang berkembangnya teknologi pertahanan udara di Indonesia dibanding dengan negara-negara lain, seperti teknologi pengendalian pesawat, seperti Unmanned Aerial Vehicle (UAV). Oleh karena ini, diperlukan pengembangan teknologi pengendalian pesawat yang mandiri dan bersetara dengan pihak luar negeri. Dinamika penerbangan merupakan masalah yang bersifat non-linear, time-varying, memiliki coupling, dan terefek oleh gangguan eksternal. Untuk memecahkan masalah ini, diperlukan pengendali pesawat berbasis metode Direct Inverse Control. Direct Inverse Control memerlukan sistem identifikasi dari sistem yang ingin dikendalikan agar dapat mengembangkan neural network inverse. Pada penelitian ini, diajukan sistem identifikasi pesawat Cessna-172P berbasis Deep Neural Network dan Recurrent Neural Network. Kinerja kedua sistem identifikasi sudah cukup dalam mereplikasikan dinamika penerbangan pesawat Cessna-172P. Dari analisis kinerja kedua sistem identifikasi, sistem identifikasi berbasis recurrent neural network menghasilkan kesahalan prediksi yang lebih rendah, tetapi menggunakan daya dan waktu komputasi yang lebih banyak.

---

One important aspect of national defense is the country's air defense. Unfortunately, the Indonesian Defense Industry still lacks sufficient support. One issue resulting from this problem is the underdevelopment of air defense technology in Indonesia compared to other countries, such as aircraft control technology like Unmanned Aerial Vehicles (UAV). Therefore, the development of independent aircraft control technology that is on par with foreign counterparts is needed. Flight dynamics pose nonlinear, time-varying challenges with coupling and are affected by external disturbances. To address this problem, an aircraft controller based on the Direct Inverse Control method is required. Direct Inverse Control necessitates system identification of the desired controlled system to develop an inverse neural network. In this study, a Deep Neural Network and Recurrent Neural Network-based identification system for the Cessna-172P aircraft is proposed. Both identification systems perform well in replicating the flight dynamics of the Cessna-172P aircraft. From the performance analysis of both identification systems, the recurrent neural network-based identification system produces lower prediction errors but requires more computational power and time."

"Identifikasi sistem dinamik merupakan tahapan awal dalam melakukan perancangan algoritma kendali pada suatu sistem dinamik. Namun, pada sistem dinamik yang multivariabel, tidak linier dan kopling tinggi-seperti pada misil AIM-9L Sidewinder-identifikasi sistem dinamik umumnya akan gagal dan sering terjadi simplifikasi pada sistem yang diidentifikasi, seperti dekopling dan linearisasi sistem. Pada penelitian ini, identifikasi sistem dinamik misil dilakukan dengan menggunakan algoritma artificial neural network dengan harapan karakteristik sistem dinamik tetap terjaga dengan baik. Penerbangan misil dilakukan dengan menggunakan simulator X-Plane dan akuisisi data penerbangannya dilakukan menggunakan bahasa pemrogramman python. Penerbangan dilakukan dengan sinyal referensi swept-sine dan zig-zag untuk mancakup banyak kemungkinan penerbangan misil. Hasilnya, artificial neural networks dapat melakukan pemetaan pola sistem dinamik misil dengan standardized MSE 7.155x10^(-2).

---

Dynamical system identification is the very first step in designing a control algorithm on a dynamic system. However, in the multivariate, nonlinear and coupled dynamical system-like the AIM-9L Sidewinder missile-dynamical system identifications are often failed and oversimplified the dynamical system, such as decoupling and linearization. In this research, system identification is done by using artificial neural networks algorithm with expectations that its characteristics will be maintained well. The missile flights are done by using the X-Plane flight simulator and the acquisition process is done by using python language. The flights use swept sine and zig-zag references to cover lots of missile flight conditions possibility. As a result, artificial neural networks can do missile dynamical pattern mapping with 7.155x10^(-2) standardized mean squared errors."

"Dengan semakin menipisnya cadangan dan produksi minyak di Indonesia, dibutuhkan sumber energi alternatif yang dapat menggantikan pemakaian BBM. Salah satunya adalah dimetil eter (DME). DME dapat digunakan sebagai substitusi bahan bakar diesel serta LPG. Selama ini DME disintesis dari metanol dan dimurnikan dalam dua kolom distilasi, dimana kolom ini menyumbang 50-70% dari total ongkos produksi. Dengan menggunakan proses distilasi reaktif, konversi metanol dapat ditingkatkan dengan signifikan sekaligus memurnikan produk DME pada waktu yang sama, sehingga dapat memangkas ongkos produksi DME dengan signifikan. Kendala dari penerapan distilasi reaktif adalah rumitnya gabungan fenomena perpindahan dan reaksi kimia yang terjadi pada zona reaksi. Pada penelitian ini dibuat simulasi CFD zona reaksi kolom distilasi reaktif untuk sintesis DME dari metanol menggunakan bantuan piranti lunak COMSOL Multiphysics. Hasil simulasi digunakan untuk menentukan pengaruh tinggi zona, komposisi umpan, dan temperatur umpan terhadap komposisi keluaran dari produk gas zona reaksi, konversi metanol, dan profil temperatur sepanjang zona. Hasil simulasi menunjukkan peningkatan konversi yang signifikan dengan peningkatan tinggi zona dan temperatur umpan, sementara komposisi umpan mempengaruhi kemurnian DME yang keluar dari zona secara signifikan. Gabungan ketiga parameter pada keadaan optimum menghasilkan konversi total metanol sebesar 99%.

---

With the decreasing amount of oil supply and production in Indonesia, a utilization of alternative energy is highly on demand. One of the promising energy source is dimethyl ether (DME). DME can be used as a diesel fuel and LPG substitute. Conventionally, DME is synthesized from methanol and purified using two distillation columns, which contributes about 50-70% to the cost of production. By using reactive distillation process, the conversion of methanol can be enhanced greatly while purifying the DME at the same time, thus cutting the cost of production significantly. The problem to apply this process is the complicated behavior from transport phenomena and chemical reaction inside the reaction zone. Therefore, in this research a reaction zone inside reactive distillation column is simulated using CFD software, with synthesis of DME from metanol as a base case. The simulation is done using COMSOL Multiphysics. The purpose of this research is to know the influence of zone height, feed composition, and feed temperature to the gas product of reaction zone, methanol conversion, and the temperature profile across the zone. Simulation results show a significant increase in conversion by increasing the zone height and feed temperature, while the feed composition greatly affect the gas product composition. Combination of this three parameter at its optimum value results in methanol total conversion about 99%."

"Dimetil eter DME sebagai energi alternatif yang bersih telah mendapat perhatian dalam beberapa tahun terakhir. Produksi DME dengan distilasi reaktif memiliki potensi untuk menghemat biaya kapital dan penggunaan energi. Meski begitu, kombinasi sistem reaksi dan distilasi dalam satu kolom membuat proses distilasi reaktif menjadi sistem multivariabel yang kompleks dengan perilaku proses yang sangat non linear dan adanya interaksi antar variabel proses yang kuat. Studi ini menginvestigasi pengendalian proses distilasi reaktif DME dengan multivariable Model Predictive Control MPC berdasarkan struktur pengendalian suhu dua titik untuk menjaga kemurnian kedua aliran produk. Model proses diestimasi dengan model first-order plus dead time. Kemurnian DME dan air masing-masing dijaga dengan mengendalikan suhu tahap 5 di zona rektifikasi dan suhu tahap 47 pelucutan. Hasil simulasi menunjukkan bahwa nilai integral of squared error ISE untuk perubahan set point suhu tahap 5 dan 47 dapat dikurangi masing-masing 19,89 dan 18,26 untuk sistem dengan pengendali multivariable MPC dibandingkan dengan pengendali PI konvensional. Selain itu, pengendali multivariable MPC mampu menangani interaksi lup pengendalian yang ditunjukkan oleh respon yang lebih stabil dan tidak berosilasi.

---

Dimethyl ether DME as an alternative clean energy has attracted a growing attention in the recent years. DME production via reactive distillation has potential for capital cost and energy requirement savings. However, combination of reaction and distillation on a single column makes reactive distillation process a very complex multivariable system with high non linearity of process and strong interaction between process variables. This study investigates a multivariable model predictive control MPC based on two point temperature control strategy for the DME reactive distillation column to maintain the purities of both product streams. The process model is estimated by a first order plus dead time model. The DME and water purity is maintained by controlling stage 5 temperature in rectifying section and stage 47 in stripping section, respectively. The results show that the integral of squared error ISE values for the set point tracking in stages 5 and 47 temperatures can be reduced, respectively, 19.89 and 18.26 for the system under multivariable MPC controller compared to the conventional PI controllers. In addition, the MPC controller is able to handle the loop interactions that is shown by more stable and non oscillatory responses."

"ABSTRAKSelama ini DME (dimetil eter) disintesis dari metanol dalam satu reaktor dan dimurnikan dalam dua kolom distilasi sehingga biaya produksinya tinggi karena reaktor dan kolom ini menyumbang 50-70% dari total biaya produksi. Dengan proses distilasi reaktif, konversi metanol dapat ditingkatkan dengan signifikan sekaligus memurnikan produk DME pada waktu yang sama, sehingga memangkas biaya produksi DME dengan signifikan pula. Akan tetapi, dua proses (reaksi dan separasi) yang terjadi dalam satu kolom menyebabkan berkurangnya katup pengendalian yang berfungsi sebagai aktuator pada sistem pengendalian. Akibatnya, unit ini bersifat sangat non-linear, dan perancangan sistem pengendalian unit distilasi reaktif menjadi tantangan tersendiri. Penelitian ini ingin menemukan konfigurasi pengendalian PI yang optimum untuk mengatasi gangguan. Parameter konfigurasinya meliputi pemilihan manipulated variable (MV) yang dapat berupa laju alir umpan atau laju alir pemanas pada reboiler, dan controlled variable (CV) yang dapat berupa suhu talam yang paling sensitif atau laju produksi DME. Konfigurasi tersebut juga disertai penyetelan (tuning) pada pengendali PI dengan metode penyetelan Auto Tuning Variation. Pemilihan CV dan MV menghasilkan dua kemungkinan struktur pengendalian (control structure, CS), yakni CS 1 dan CS 2. Hasil simulasi menunjukkan talam 5 memiliki suhu yang paling sensitif sehingga suhu talam ini dipilih sebagai CV. Simulasi dinamiknya menunjukkan bahwa CS 2 lebih baik dari pada CS 1, karena CS 1 gagal menangani gangguan sebesar -5%, sedangkan CS 2 mampu menangani gangguan hingga ±25%.

---

ABSTRACT

Conventionally, DME was synthesized from methanol and purified using two distillation columns, which contributes about 50-70% to the cost of production. Using reactive distillation process, the conversion of methanol can be enhanced greatly and purifying the DME at the same time, thus reducing the cost of production, significantly. The two processes (reaction and separation) occurred in the same column reduce the number of control valves as the actuator for control system. This makes reactive distillation column is very non-linear in terms of controllability, and therefore the design of control system of such column can be quite a challenge. In this research, the optimum PI controller configuration will be obtained. The parameters for this configuration are the choice of manipulated variable (MV) that can be the feed flow rate or steam flow rate in reboiler and the controlled variable (CV) that can be the most sensitive tray temperature or the production rate. The configuration also including the PI controller tuning by using Auto Tuning Variation (ATV) method. The CV-MV pairing choice results two possible control structures, namely CS 1 and CS 2. The result showed that the tray #5 was the most sensitive tray temperature and selected as CV. The dynamic simulation showed that CS 1 failed to handle -5% disturbance change, while CS 2 succesfully handle up to ±25% disturbance change."

"

Adulterasi beras adalah tindakan pencampuran beras kualitas tinggi dengan kualitas rendah dengan tujuan keuntungan ekonomi. Pada penelitian ini membuat sistem identifikasi adulterasi beras yang memiliki penyusun utama adalah Pandan Wangi dengan beras pencampurnya antara lain adalah IR64 Premium, IR64 Medium 1, IR64 Medium 2, IR64 Medium 3, dan Beras Kualitas Rendah. Pada pembuatan sistem identifikasi menggunakan citra hiperspektral dengan model klasifikasi support vector machine dan convolutional neural network. Model klasifikasi support vector machine dikombinasikan dengan principal component analysis sedangkan pada model klasifikasi convolutional neural network terdiri atas dua arsitektur yaitu autoencoder dan proposed convolutional neural network. Model yang digunakan adalah proposed convolutional neural network yang memiliki hasil paling tinggi diantara yang lainnya dengan hasil akurasi klasifikasi pada beras adulterasi Pandan Wangi dan IR64 Premium sebesar 90%, beras adulterasi Pandan Wangi dan IR64 Medium 1 sebesar 93%, beras adulterasi Pandan Wangi dan IR64 Medium 2 sebesar 97%, beras adulterasi Pandan Wangi dan IR64 Medium 3 sebesar 97%, dan beras adulterasi Pandan Wangi dan Beras Kualitas Rendah sebesar 100%. Dari hasil akurasi klasifikasi tersebut dapat disimpulkan bahwa sistem identifikasi beras adulterasi Pandan Wangi bekerja dengan optimal.

---

Rice adulteration is an act to mix high quality of rice with low quality rice for beneficial economic purposes. In this study, the rice adulteration testing system which has the main constituent is Pandan Wangi with its mixing rice, among others, IR64 Premium, IR64 Medium 1, IR64 Medium 2, IR64 Medium 3, and Low Quality Rice. In making the assessment system using hyperspectral images with classification models support vector machines and convolutional neural networks. The classification model supports vector machines combined with principal component analysis whereas the convolutional neural network classification model consists of two architectures, namely autoencoder and a proposed convolutional neural network. The model used is the proposed convolutional neural network which has the highest results related to the assessment results on Pandan Wangi and IR64 Premium adulteration at 90%, Pandan Wangi and IR64 Medium 1 adulteration at 93%, Pandan Wangi and IR64 Medium 2 at 97%, Pandan Wangi and IR64 Medium 3 at 97%,  Pandan Wangi and Rice Quality low-rice adulteration by 100%. From the results of verification of this classification it can be concluded that the Pandan Wangi adulteration rice system worked optimally.

"

"ABSTRACTPengenalan ekspresi wajah telah menjadi tantangan dalam ilmu digital selama bertahun-tahun. Dengan pertumbuhan baru-baru ini di dalam bidang machine learning, sistem pengenalan ekspresi wajah secara real-time dengan machine learning dapat berguna untuk sistem monitoring emosi untuk interaksi manusia-komputer (HCI). Model yang penulis ajukan dirancang dengan model Convolutional Neural Network (CNN) dan menggunakannya untuk melatih dan menguji gambar ekspresi wajah dengan TensorFlow. Sistem ini memiliki dua bagian, sebuah recognizer untuk validasi dan model pelatihan data untuk data training. recognizer berisi detektor wajah dan pengenal ekspresi wajah. Detektor wajah mengekstrak gambar wajah dari frame video dan pengenal ekspresi wajah mengklasifikasikan gambar yang diekstrak. Model pelatihan data menggunakan CNN untuk melatih data. Sistem pengenal juga menggunakan CNN untuk memantau keadaan emosi dari pengguna melalui ekspresi wajah mereka. Sistem ini mengklasifikasikan emosi dalam enam kelas universal, marah, jijik, senang, terkejut, sedih dan takut, ditambah dengan emosi netral.

---

ABSTRACTThe introduction of facial expressions has been a challenge in digital science for many years. With the recent growth in machine learning, a real-time facial recognition recognition system with machine learning can be useful for emotional monitoring systems for human-computer interaction (HCI). The model the author proposes is designed with the Convolutional Neural Network (CNN) model and uses it to train and test facial expression images with TensorFlow. The system has two parts, a recognizer for validation and a data training model for training data. The recognizer contains face detector and facial recognition. The face detector extracts the face image from the video frame and facial expression identifiers classify the extracted image. The data training model uses CNN to train data. The identification system also uses CNN to monitor the emotional state of the user through their facial expressions. This system classifies emotions in six universal classes, anger, disgust, pleasure, shock, sadness and fear, coupled with neutral emotions."