Hasil Pencarian  ::  Simpan CSV :: Kembali

"Dalam pengamatan gerak Brown untuk mencari nilai koefisien difusi, dibutuhkan sebuah sistem yang memiliki akurasi tinggi untuk pendeteksian koordinat partikel dalam orde mikrometer. Pada penelitian ini dibuat sebuah sistem untuk menganalisa pergerakan partikel microbead dalam larutan nanogold dengan variasi temperatur dalam bentuk input berupa video dan menghasilkan output berupa nilai koefisien difusi dari partikel yang terdapat pada video. Sistem ini memanfaatkan machine learning sebagai detektor koordinat partikel. Digunakan TensorFlow Object Detection API sebagai backend sistem ini dan CenterNet sebagai aristektur model yang digunakan. Koordinat partikel berhasil dideteksi dengan rata-rata error pada pendeteksian senilai 0.6 piksel. Metode mean squared displacement digunakan untuk menghitung koefisien difusi. Didapatkan nilai koefisien difusi untuk microbead pada suhu 36,37,38,39,40oC secara berurutan sebesar 8.581 x 10-14, 9.925 x 10-14, 10.113 x 10-14, 10.374 x 10-14, 14.875 x 10-14 m2/s. Didapati nilai kenaikan koefisien difusi setiap kenaikan 1oC sebesar 1.3037 x 10-14 m2/s.

---

In observing Brownian motion to find the value of the diffusion coefficient, a system that has high accuracy is needed for the detection of particle coordinates in domain of micrometers. In this study, a system was created to analyze the movement of microbead particles in a nanogold solution with temperature variations in the form of video input and produce output in the form of the diffusion coefficient value of the particles in the video. This system utilizes machine learning as a particle coordinate detector. The TensorFlow Object Detection API is used as the backend of this system and CenterNet as the model architecture. The particle coordinates were detected successfully with an average detection error of 0.6 pixels. The mean squared displacement method is used to calculate the diffusion coefficient. The diffusion coefficient values for microbeads at a temperature of 36,37,38,39,40oC respectively were 8,581 x 10-14, 9.925 x 10-14, 10,113 x 10-14, 10,374 x 10-14, 14,875 x 10-14m2/s. It was found that the value of the increase in the diffusion coefficient for every 1oC increase was 1.3037 x 10-14 m2/s"

"Dalam melakukan pengamatan gerak Brown untuk mencari nilai koefisien difusi, dibutuhkan sebuah sistem yang memiliki akurasi tinggi untuk pendeteksian koordinat partikel dalam orde mikrometer. Pada penelitian ini dibuat sebuah sistem untuk menganalisa pergerakan partikel microbead dalam larutan nanogold dengan variasi temperatur dalam bentuk input berupa video dan menghasilkan output berupa nilai koefisien difusi dari partikel yang terdapat pada video. Sistem ini memanfaatkan machine learning sebagai detektor koordinat partikel. Digunakan TensorFlow Object Detection API sebagai backend sistem ini dan CenterNet sebagai aristektur model yang digunakan. Koordinat partikel berhasil dideteksi dengan rata-rata error pada pendeteksian senilai 0.6 piksel. Metode mean squared displacement digunakan untuk menghitung koefisien difusi. Didapatkan nilai koefisien difusi untuk microbead pada suhu 36, 37, 38, 39, 40oC secara berurutan sebesar 8.581 x 10-14, 9.925 x 10-14, 10.113 x 10-14, 10.374 x 10-14, 14.875 x 10-14 m2/s. Didapati nilai kenaikan koefisien difusi setiap kenaikan 1oC sebesar 1.3037 x 10-14 m2/s.

---

In observing Brownian motion to find the value of the diffusion coefficient, a system that has high accuracy is needed for the detection of particle coordinates in domain of micrometers. In this study, a system was created to analyze the movement of microbead particles in a nanogold solution with temperature variations with video file as an input and produce diffusion coefficient value of the particles in the video as the output. This system utilizes machine learning as a particle coordinate detector. The TensorFlow Object Detection API is used as the backend of this system and CenterNet as the model architecture. The particle coordinates were detected successfully with an average detection error of 0.6 pixels. The mean squared displacement method is used to calculate the diffusion coefficient. The diffusion coefficient values ​​for microbeads at a temperature of 36, 37, 38, 39, 40oC respectively were 8,581 x 10-14, 9.925 x 10-14, 10,113 x 10-14, 10,374 x 10-14, 14,875 x 10-14m2/s. It was found that the value of the increase in the diffusion coefficient for every 1oC increase was 1.3037 x 10-14 m2/s."

"Salah satu metode penelitian yang ikut berperan penting dalam pengukuran berskala mikro yakni Brownian Motion yang merupakan fenomena gerakan acak beberapa partikel yang diamati di bawah lensa objektif mikroskop akibat tabrakan antarpartikel dan molekul cairan di sekitarnya. Dalam penelitian ini akan digunakan Brownian Motion untuk menentukan nilai viskositas melalui perpindahan partikel polimer (microbead) terhadap perubahan konsentrasi cairan (gliserin dan NaCl) dan ukuran partikel polimer. Pengukuran dilakukan menggunakan rancangan sistem optik seperti kamera dan lensa objektif mikroskop. Pergerakan partikel kemudian direkam dan hasil citra rekaman diolah menggunakan image processing pada MATLAB. Dengan menggunakan fungsi korelasi, lintasan pergerakan partikel dapat dilacak hingga diperoleh data perpindahan partikel untuk setiap frame. Data ini kemudian diolah ke dalam persamaan mean square displacement untuk menentukan nilai viskositas cairan tersebut melalui nilai koefisien difusi partikel, yang merupakan hasil fitting least square dari mean square displacement. Dari data yang telah diperoleh, kesalahan literatur dari pengukuran viskositas menggunakan partikel berukuran 1 mikron pada larutan gliserin dengan variasi 10%-40% bernilai tidak lebih dari 10% dibandingkan pengukuran viskositas menggunakan partikel berukuran 3 dan 5 mikron. Untuk pengukuran viskositas menggunakan partikel 1 mikron pada larutan NaCl dengan variasi konsentrasi 0%, 50%, dan 100% memiliki nilai kesalahan literatur kurang dari 7%.

---

One research method that plays an important role in micro-scale measurement is Brownian Motion, which is a phenomenon of random movement of several particles observed under the microscope's objective lens due to collisions between particles and liquid molecules around it. In this study Brownian Motion will be used to determine the value of viscosity through the displacement of polymer particles (microbead) to the changes of fluid concentration (glycerin and NaCl) and polymer particle size. Measurements were made using the design of optical systems such as camera and microscope objective lense. The movement of particles is then recorded and the recording image results are processed using image processing in MATLAB. By using the correlation function, the trajectory of particle movement can be traced until particle displacement data is obtained for each frame (in second). From the data, the literature error from the viscosity measurement uses 1-micron particle in the glycerin solution with a variation of 10% - 40% is no more than 10% compared to the viscosity measurement using 3 and 5-micron particle. For the measurement of viscosity using 1-micron particle in NaCl solution with variations in the concentration of 0%, 50%, and 100%, the literature error is less than 7%."

"Difusi seringkali ditinjau secara makroskopis namun pada kasus ini, masing masing partikel yang mempengaruhi terjadinya difusi yaitu perataan konsentrasi dalam suatu larutan akan ditinjau. Masing-masing partikel akan bergerak secara bebas akibat interaksi antar partikel dan molekul gas sekitar yang dapat mengakibatkan terjadinya peristiwa Gerak Brown. Melalui studi ini, diamati 3 variasi dari suatu partikel bernama microbead polystyrene yang akan diamati peristiwa gerak Brown yang terjadi pada partikel untuk menghitung koefisien difusi dari partikel tersebut. Digunakan metode Mean Square Displacement (MSD) sebagai metode utama perhitungan koefisien difusi namun untuk mewujudkan hal tersebut, diperlukan data berupa koordinat pergerakan partikel dalam 2 dimensi sehingga dengan bantuan dari 2 instrumen utama berupa machine learning dan Python 3.7, dibuatlah suatu sistem untuk mengukur koefisien difusi suatu partikel microbead polystyrene yang dapat dilakukan secara otomatis dengan memberikan video pergerakan partikel tersebut. Hasil dari penelitian akan menunjukan bahwa semakin besar partikel, semakin kecil koefisien difusi yang dihasilkan.

---

Diffusion has been widely researched macroscopically but, in this case, each particle that influences the diffusion phenomenon which is the spreading of a concentrated liquid will be observed. Each particle will move freely as a result of the interactions between the gasses of the liquid covering the particle and the particle itself in where Brownian motion can occur. Through this study, 3 size variants of a particle known as the polystyrene microbead will be observed under microscope to see how it acts when Brownian motion occurs which in result, will be able to calculate the diffusion coefficient of the particle. The Mean Square Displacement (MSD) is used as the main method for calculating the diffusion coefficient but a specific dataset, the coordinates of the particles center of mass, is required hence needing the help of a system to find its coordinates. This research develops a method for doing so using the help of machine learning and Python 3.7 to create an automated system that is able to calculate the diffusion coefficient of this specific particle with only needing a video input of the particle moving. The result of this research will show that the larger the particle, the smaller the diffusion coefficient."

"Difusi seringkali ditinjau secara makroskopis namun pada kasus ini, masing masing partikel yang mempengaruhi terjadinya difusi yaitu perataan konsentrasi dalam suatu larutan akan ditinjau. Masing-masing partikel akan bergerak secara bebas akibat interaksi antar partikel dan molekul gas sekitar yang dapat mengakibatkan terjadinya peristiwa Gerak Brown. Melalui studi ini, diamati 3 variasi dari suatu partikel bernama microbead polystyrene yang akan diamati peristiwa gerak Brown yang terjadi pada partikel untuk menghitung koefisien difusi dari partikel tersebut. Digunakan metode Mean Square Displacement (MSD) sebagai metode utama perhitungan koefisien difusi namun untuk mewujudkan hal tersebut, diperlukan data berupa koordinat pergerakan partikel dalam 2 dimensi sehingga dengan bantuan dari 2 instrumen utama berupa machine learning dan Python 3.7, dibuatlah suatu sistem untuk mengukur koefisien difusi suatu partikel microbead polystyrene yang dapat dilakukan secara otomatis dengan memberikan video pergerakan partikel tersebut. Hasil dari penelitian akan menunjukan bahwa semakin besar partikel, semakin kecil koefisien difusi yang dihasilkan.

---

Diffusion has been widely researched macroscopically but, in this case, each particle that influences the diffusion phenomenon which is the spreading of a concentrated liquid will be observed. Each particle will move freely as a result of the interactions between the gasses of the liquid covering the particle and the particle itself in where Brownian motion can occur. Through this study, 3 size variants of a particle known as the polystyrene microbead will be observed under microscope to see how it acts when Brownian motion occurs which in result, will be able to calculate the diffusion coefficient of the particle. The Mean Square Displacement (MSD) is used as the main method for calculating the diffusion coefficient but a specific dataset, the coordinates of the particles center of mass, is required hence needing the help of a system to find its coordinates. This research develops a method for doing so using the help of machine learning and Python 3.7 to create an automated system that is able to calculate the diffusion coefficient of this specific particle with only needing a video input of the particle moving. The result of this research will show that the larger the particle, the smaller the diffusion coefficient. "

"Karakterisasi dari mikropartikel umumnya dianalisa berdasarkan gerak Brown dengan besaran suhu tertentu. Kenaikkan suhu akan menyebabkan energi kinetik partikel berubah sehingga gerakan Brown dari partikel juga akan berubah. Mikropartikel mempunyai tipe-tipe yang sangat luas, salah satunya adalah magnetik. Sifat magnetik pada mikropartikel akan menyebabkan gerak Brown dari partikel akan berbeda apabila diberikan medan magnet eksternal. Dalam studi ini akan diteliti gerak Brown partikel dan magnetic polystyrene untuk diukur koefisien difusinya dalam kondisi medan magnet dan temperatur berbeda-beda. Nilai koefisien dapat ditentukan dari metode rerata kuadrat perpindahan yang membutuhkan analisa gerak partikel. Proses pelacakan dilakukan dengan algoritma pencitraan komputer seperti deteksi blob dan optical flow. Hasil menunjukkan deteksi partikel dengan metode blob seperti SURF dan optical flow RLOF lebih efisien dan cepat secara komputasi dan lebih akurat daripada EfficientDet, dengan hasil koefisien difusi yaitu 6,785034 x 10-15 m2s-1 untuk ukuran 1μm, 8,886335 x 10-16 untuk 3μm, dan 8,944864 x 10-16 untuk 5μm. Pada pengukuran koefisien difusi diperoleh bahwa semakin besar partikel, maka semakin kecil koefisien difusinya. Selain itu, dirancang juga sistem yang dapat menghasilkan medan magnet berotasi yang membutuhkan sinyal tiga fasa. Rangkaian flip-flop digital dapat menghasilkan sinyal tiga fasa, yang diproses dengan pengubah sinyal kotak menjadi sinus untuk menghasilkan sinyal sinus dengan beda fasa 119,752°.

---

Characterizing of microparticle usually analyzed by using Brownian movement with controlled temperature. Increasing the temperature will lead to changes in kinetic energy particle, and the Brownian movement of the particle will be changed too. Microparticle has many types which one of them was magnetic microparticle. Magnetic characteristics of microparticle will lead to changes in Brownian motion of partice if given certain external magnetic field. In this study, the stochastic Brownian motion of magnetic polystyrene will be measured with various temperatures and magnetic fields. The value of coefficient could be measured from mean square displacement method by analyzing particle movements. Particle movement could be tracked by using computer vision algorithms such as blob detection and optical flow. Results showed that particle detection using blob such as SURF and optical flow such as RLOF is more computationally faster and more accurate than using EfficientDet with diffusion coefficient results such as 6,785034 x 10-15 m2s-1 for 1μm size, 8,886335 x 10-16 for 3μm, and 8,944864 x 10-16 for 5μm. In diffusion coefficient measurement results, shows that the larger particle sizes will results in smaller diffusion coefficient. Also, the system for generating rotating magnetic field is developed with three-phase signal as requirement. Flip-flop digital circuits is used to generate three-phase signal with square to sine converter to create sine signal with 119,752° phase difference."

"In this paper, the problem of natural convective heat transfer of kerosene-cobalt nanofluid inside a quarter circular enclosure in the presence of oriented magnetic field has been studied numerically using two-component non-homogeneous model. The round wall of the enclosure is maintained at constant low temperature; the left vertical wall is adiabatic whereas the bottom wall is considered as heated uniformly and non-uniformly. The effects of Brownian motion and thermophoresis are incorporated into the nanofluid model. The Galerkin weighted residual finite element method has been employed to solve the governing partial differential equations after converting them into a non-dimensional form using a suitable transformation of variables. Comparison with previously published work is performed and excellent agreement is obtained. The effects of various model parameters such as Hartmann number, Rayleigh number and magnetic field inclination angle on the streamlines, isotherms and isoconcentrations have been displayed graphically for both uniformly as well as non-uniformly heated bottom wall. In addition, the heat transfer augmentation for various model parameters as well as various thermal boundary conditions have been done in light of the average Nusselt number from the bottom heated wall. The obtained numerical results show that the average Nusselt number is an increasing function of the Rayleigh number, while it is a decreasing function of the Hartmann number."

"Para roboticist selalu berusaha agar robot dapat menghampiri bentuk dan kemampuan manusia sehingga robot dapat berinteraksi bersama manusia dengan baik. Untuk dapat berinteraksi dengan manusia, robot sebisa mungkin dibuat agar memiliki gerakan yang mirip dengan manusia. Imitation Learning atau sering disebut dengan Motion Capture, adalah salah satu teknik pengendalian robot humanoid dengan manusia sebagai aktor dan robot sebagai agen yang akan mengimitasi gerakan aktor. Metode ini menawarkan kefleksibelan dan kemudahan dalam mememodifikasi sistem robot. Pada penelitian ini telah dikembangkan sebuah sistem motion capture untuk mentransformasikan gerakan lengan manusia ke lengan robot humanoid secara real time, dengan setiap lengan terdiri dari 3 DOF serta dilakukan perancangan database motion agar robot dapat melakukan gerakan yang telah dilakukannya. Proses tracking dengan Microsoft Kinect dilakukan pada rate frekuensi 20 Hz dengan dengan satu loop proses komputasi mapping membutuhkan waktu rata-rata 340 us. Rata-rata error pendeteksian vektor skeleton yang dideteksi adalah 1.74 cm.

---

The roboticist always trying to get the robot to approach the form and abilities so that the robot can interact with humans as well. To be able to interact with humans, robot made as much as possible in order to have similar movement to human. Imitation Learning or often called Motion Capture, is one of the humanoid robot control techniques with human as an actor and the robot as an agent who will imitate the movement of the actor. This method offers flexibility and ease to modify robot system.

In this research, we have developed a motion capture system to transform human arm movement to humanoid robot in real time, with each arm consisting of 3 DOF and we have designed database motion so that robot can redo the movement which it can do previously. Tracking process with Microsoft Kinect performed at frequency of 20 Hz with a single loop computation mapping process takes an average of 340 us. The average error detection of skeleton vector is 1.74 cm."