Hasil Pencarian  ::  Simpan CSV :: Kembali

"Salah satu upaya meminimalkan hambatan gelombang untuk mengurangi hambatan total adalah konfigurasi multi lambung dengan memvariasikan penempatan outrigger. Penelitian ini bertujuan untuk mencari konfigurasi optimal pentamaran lambung warp-chine untuk mengurangi hambatan total yang signifikan untuk berbagai kecepatan. Terbatasnya informasi penggunaan lambung warp-chine pada multihull berkaitan dengan karakteristik lambung serta optimalisasi penempatan outrigger menjadi dasar dari penggunaan lambung warp-chine pada penelitian ini. Perhitungan dan optimasi menggunakan program komputer MATLAB menggunakan metode Artificial Neural Network dan Algoritma Genetika. Hasil optimasi menunjukkan penurunan hambatan pada saat Fr>0.4 baik koefisien hambatan gelombang maupun koefisien hambatan total dengan penurunan rata-rata dari masing-masing hambatan sebesar 1.47% dan 4.06%. Hasil menunjukkan bahwa proses optimasi pentamaran pada penelitian ini dapat diprediksi dengan baik pada pentamaran dengan kecepatan tinggi, namun belum bisa diprediksi dengan baik pada pentamaran dengan kecepatan rendah.

---

One effort to minimize wave resistance to reduce total resistance is a multihull configuration by varying the placement of the outrigger. This study aims to find the optimal configuration of the warp chine hull to reduce significant total resistance for various speeds. The limited information about the use of warp chine hull in multihull related to the characteristics of the hull and the optimization of outrigger placement is the basis of the use of warp chine hull in this study. Calculation and optimizations using the MATLAB computer program using Artificial Neural Network methods and Genetic Algorithms. The optimization results show a decrease in resistance when Fr> 0.4 both the wave resistance coefficient and the total resistance coefficient with an average reduction of each resistance by 1.47% and 4.06%. The results show that the optimization process in this study can be predicted well in the high speed application, but it cannot be predicted well in the low speed application."

"ABSTRAKPenelitian disertasi ini mencakup analisis Sistem Kendali berbasis Neural Network NN untuk rotorcraft dan Unmanned Aerial Vehicle UAV fixed-wing. Quadrotor dan UAV fixed-wing berekor inverted-V mewakili kedua tipe UAV dengan dinamika terbangnya yang nonlinear, serta kopling-silang yang kuat dan karakteristik under-actuated. Oleh karena itu, metode Direct Inverse Control DIC berbasis NN cocok diterapkan sebagai pengendali terbang kedua tipe UAV tersebut, dengan unjuk kerja yang lebih baik dibandingkan dengan Sistem Kendali saat ini yang berbasis metode Proportional-Integral-Differential PID .UAV berkembang pesat untuk berbagai aplikasi, mulai dari penggunaan quadrotor untuk videografi jarak dekat, hingga UAV fixed-wing berekor inverted-V untuk misi taktis dan strategis. Quadrotor banyak digunakan karena kemampuan hovering serta take-off dan landing secara vertikal untuk misi di area yang sempit dan berlangsung singkat sesuai keterbatasan daya baterainya. Untuk mengatasi keterbatasan tersebut, UAV fixed-wing digunakan untuk area yang luas dan berlangsung lama. BPPT merespon kebutuhan ini dengan mengembangkan Pesawat Udara Nir Awak PUNA Alap-Alap dengan konfigurasi fixed-wing dan ekor inverted-V.Penggunaan ekor inverted-V akan meningkatkan kemampuan maneuver UAV. Meski demikian, ekor inverted-V tersebut memunculkan kopling tambahan antara modus gerak pitch dengan modus roll-yaw sehingga kompleksitas pengendaliannya meningkat dibandingkan dengan ekor T konvensional. Oleh karena itu, diperlukan metode kendali komprehensif yang mengakomodasi aspek nonlinearitas dan kopling-silang akibat hal tersebut. Metode berbasis NN cocok diterapkan untuk UAV karena mekanisme pembelajaran yang dimilikinya untuk mereplika dinamika sistem untuk Identifikasi Sistem dan sebaliknya, mampu membangun inversi dinamika sistem untuk DIC-NN .Di dalam analisis ini, kedua UAV dimodelkan dengan identifikasi berbasis NN untuk mengakomodasi karakter nonlinear dan kopling silangnya. Selanjutnya, DIC-NN dibangun untuk memetakan output UAV terhadap input yang bersesuaian. Unjuk kerja DIC- NN ini dibandingkan terhadap PID sebagai representasi metode kendali yang ada saat ini. Sistem Kendali DIC-NN menghasilkan settling time yang lebih singkat dan overshoot yang lebih kecil dibanding PID.

---

ABSTRACTThe research in this dissertation focused to analyze the Neural Network NN based control system for rotorcraft and the fixed-wing Unmanned Aerial Vehicle UAV . The Quadrotor and the fixed-wing UAV with incerted-V tail were chosen to represent both of UAV types characterized by the nonlinear flight dynamics, as well as strong cross-coupling and under-actuated condition. Therefore, the NN based Direct Inverse Control DIC method is suitable for a UAV flight controller, with a better performance compared to the existing Proportional-Integral-Differential PID -based Control System.UAVs are growing rapidly for a variety of applications, ranging from Quadrotor for a close-range videography, to the inverted-V tail fixed-wing UAVs in the tactical and strategic missions. Quadrotor is popular due to the ability of hovering and vertically take-off and landing in the narrow areas for short duration due to the limitation of the battery capability. To overcome these limitations, fixed-wing UAVs are used for large areas and long-duration mission. BPPT responds this requirement by developing the Alap-Alap UAV with the fixed-wing configuration and equipping it with inverted-V tail.The application of inverted-V tail aimed to increase UAV maneuverability. However, the inverted-V tail generates an additional coupling between the pitch-motion mode and the roll-yaw mode so that the control complexity increases than the conventional T-tail. Therefore, a comprehensive control method is required to accommodates the nonlinearity and cross-coupling aspects of it. The NN-based method is suitable for UAVs because of the learning mechanism it has to replicate system dynamics for System Identification and vice versa, capable of building system dynamic inversions for DIC-NN .In this analysis, both UAVs are modeled with NN-based identification to accommodate their nonlinear characters and cross-coupling. Furthermore, DIC-NN is built to map the UAV output with the corresponding input. The DIC-NN performance is compared against PID as a representation of the existing control method. The DIC-NN Control System produces a shorter settling time and a smaller overshoot than the PID. "

"ABSTRAKDalam banyak kendaraan modern, faktor keamanan menjadi pertimbangan penting dalam mendesain kendaraan. Sebagai salah satu bagian dari Advanced Driver Assistant Systems (ADAS) yang diperuntukkan untuk meningkatkan keamanan dalam berkendara, Adaptive Cruise Control (ACC) diperkenalkan untuk mengurangi kemungkinan terjadinya kecelakaan lalu lintas. Sistem pada ACCdapat membantu pengendara dalam menjaga jarak aman dengan kendaraan yang berada di depannya dengan mengendalikan besaran pada katup gas serta tekanan pada rem. Selain untuk meningkatkan faktor keamanan, sistem ACC harus mampu memberikan respon yang halus agar pengendara tetap merasa nyaman. Pada penelitian ini, sistem ACC akan didesain dengan memanfaatkan metode switchingyang memiliki respon yang halus dengan memanfaatkan kecepatan relatif, jarak antar kendaraan, dan percepataan kendaraan untuk menentukan kondisi follow mode ketika terdapat kendaraan di depannya, dan kondisi cruise mode ketika tidak terdapat halangan. Kemudian dalam mengendalikan kecepatan kendaraan, akan memanfaatkan pengendali Neural Network Predictive Control (NNPC) yang mengatur besaran katup gas dan tekanan rem yang diberikan. Metode NNPC akan memanfaatkan model Artificial Neural Network (ANN) dalam melakukan identifikasi model longitudinal kendaraan yang sangat tidak linier, dan menggabungkan dengan metode Model Predictive Control (MPC) untuk melakukan prediksi keadaan dari kendaraan yang dikendalikan. Hasil dari penelitian memperlihatkan bahwa pengendali NNPC serta algoritma switching yang digunakan mampu menjaga jarak dengan kendaraan yang ada di depannya, serta memiliki respon yang cukup halus.

---

ABSTRACTIn many modern vehicles, safety is an important consideration in designing a vehicle. As one part of the Advanced Driver Assistant Systems (ADAS) which is intended to improve safety in driving, Adaptive Cruise Control (ACC) is introduced to reduce the possibility of traffic accidents. The ACC system can help the driver maintain a safe distance from the vehicle in front of him by controlling the throttle and the pressure on the brakes. In addition to increasing the safety factor, the ACC system must be able to provide a smooth response so that the driver feels comfortable. In this study, the ACC system will be designed by using a switching method that has a smooth response by utilizing the relative speed, distance between vehicles, and vehicle acceleration to determine the condition of follow mode when there is a vehicle in front of it, and the cruise mode condition when there are no obstacles. Then in controlling vehicle speed, Neural Network Predictive Control(NNPC) controllers will control the amount of throttle and brake pressure applied. The NNPC method will utilize the Artificial Neural Network (ANN) model to identify longitudinal models of vehicles that are highly non-linear, and combine them with the Model Predictive Control (MPC) method to predict the state of the controlled vehicle. The results of the study show that the NNPC controller and switching algorithm used are able to maintain a distance from the vehicle in frontof it, and have a fairly smooth response."

"Pertumbuhan dokumen putusan pengadilan sangat pesat, setiap bulannya bertambah hingga kurang lebih sebanyak 100.000 dokumen dan 94% diantaranya merupakan putusan pengadilan tingkat pertama. Meskipun sistem hukum Indonesia menganut sistem civil law yang mengutamakan perundang-undangan sebagai sumber hukum, namun salah satu sumber pertimbangan hukum dapat bersumber dari putusan hakim terdahulu (yurisprudensi). Oleh karena pertumbuhan dan kebermanfaatan yurisprudensi dalam memutuskan suatu perkara, sangat sulit menemukan informasi atau memanfaatkan dokumen yang bersesuaian dengan kasus yang dihadapi. Penelitian ini melakukan suatu prediksi masa hukuman putusan pengadilan tingkat pertama dengan memanfaatkan yurisprudensi menggunakan Multi-Level Learning CNN+Attention. Hasil dari eksperimen ini mendapatkan kombinasi fitur terbaik yang diperoleh dari dokumen yaitu dengan menggunakan fitur informasi dari riwayat_tuntutan, fakta, fakta_hukum, dan pertimbangan_hukum. Prediksi dilakukan dengan cara category prediction dan regresion prediction. Pada category prediction membuktikan bahwa model Multi- Level CNN+Attention mendapatkan akurasi yang lebih baik dibandingkan model deep learning lainnya yaitu sebesar 77.32%. Untuk regresion prediction menunjukkan bahwa label amar putusan representasi tahun menghasilkan R2-Score lebih baik dibanding representasi hari dan bulan dengan peningkatan sebesar 28.51% dan 25.62%.

---

The growth of court decision documents has been extremely rapid, each month increasing to approximately 100,000 cases, and 94% of them are court decisions of the first-level case. Although the Indonesian legal system adheres to a civil law system that prioritizes legislation as a source of law, one source of legal considerations can come from previous judges' decisions (jurisprudence). Because of jurisprudence's growth and usefulness in deciding a case, it is complicated to find information or use documents relevant to the topic at hand. This study conducted a prediction of first-level judicial decisions by utilizing jurisprudence using Multi- Level Learning CNN+Attention. This experiment's results get the best combination of features obtained from the document, namely by using the features of prosecution history, facts, legal facts, and legal considerations. Prediction is made through category prediction and regression prediction. The category prediction proves that the Multi-Level CNN+Attention model gets better accuracy than other deep learning models, which is 77.32%. The regression prediction shows the label of year representation decision results in a better R2-Score than the representation of days and months with an increase of 28.51% and 25.62%."

"Pada penelitian ini, didiskusikan mengenai metode kendali dengan menggunakan algoritma Direct Invers Control. Algoritma DIC yang digunakan berbasiskan pada Neural Networks untuk mendapatkan model identifikasi dan inverse dari plant. Untuk merancang kendali helicopter berbasis Neural Network, maka diperlukan pengumpulan data experiment penerbangan seperti data input kendali ke motor servo berupa sinyal PWM, sinyal output yaitu pitch, roll, yaw dan posisi. Untuk mendapatkan sinyal input dan output tersebut maka pada helicpoter dilengkapi dengan avionic system dan grounds station. Data penerbangan ini dikumpulkan untuk digunakan melatih dan menguji identifikasi dan kendali Neural Network. Dari hasil penelitian telah berhasil mensimulasikan kendali Neural Network DIC untuk attitude dan altitude dari helicopter. Pengembangan kendali Neural Network DIC menjadi kendali helicopter yang berbasis trajectory. Kendali berbasis trajectory ini terdiri dari dua bagian yaitu Outer Loop dan Inner Loop. Dari hasil simulasi, kendali ini dapat mengikuti trajectory dengan baik baik dengan data yang terkondisi maupun dengan data real.

---

In this study, we discussed the control method using Direct Invers Control algorithm. The DIC algorithm used is based on Neural Networks to obtain the identification and inverse model of the plant. To design a helicopter control based on Neural Network, it is necessary to collect flight experiment data such as control input data to servo motor in the form of PWM signal, output signal including pitch, roll, yaw and position. To get the input and output signals then the helicpoter equipped with avionic system and grounds station. This flight data is collected for use in training and testing the identification and control of Neural Network. From the research results have been successfully simulate the control of Neural Network DIC for the attitude and altitude of the helicopter. The development of Neural Network DIC controls into trajectory based helicopter control. Trajectory based control consists of two parts namely the Outer Loop and Inner Loop. From the simulation results, this control can follow trajectory well with both conditioned data and real data."

"Jaringan saraf konvolusi telah terbukti bekerja dengan baik pada tugas klasifikasi citra. Hasil tersebut didukung oleh sifat transformasi-ekuivarian yang merupakan salah satu karakteristik jaringan saraf konvolusi. Namun, sifat tersebut hanya terbatas pada transformasi translasi. Penelitian ini memperkenalkan transformasi-ekuivarian variasional (TEV), suatu model representasi tidak terawasi yang bersifat transformasi-ekuivarian terhadap transformasi yang lebih general. Pada pengimplementasiannya, TEV memanfaatkan predictive-transformation, suatu model pemelajaran terawasi sendiri yang berperan sebagai bias induktif. Proses optimisasi TEV melibatkan 2 estimasi batas bawah informasi timbal balik: metode estimasi Barber-Agakov (selanjutnya dinamakan model TEVBA) dan information noise contrastive (selanjutnya dinamakan model TEVInfoNCE). Model representasi TEV diuji berdasarkan rata-rata rasio kesalahan pada serangkaian tugas klasifikasi citra. Pada penelitian ini, perseptron lapis banyak, K-nearest neighbor, dan multinomial logistic regression dipilih sebagai classifier untuk tugas klasifikasi citra menggunakan dataset CIFAR-10 dan STL-10. Hasil menunjukkan TEVBA dan TEVInfoNCE mengungguli model baseline untuk masing-masing classifier pada kedua dataset. Secara spesifik, TEVBA secara konsisten menghasilkan rata-rata rasio kesalahan terendah untuk klasifikasi pada kedua dataset.

---

Convolution neural network (CNN) has shown promising results on various image classification tasks. One of the reasons due to the ability of CNN to extract representation that is equivariant to transformations. However, the notion only holds for the translation transformation. This research introduces variational transformation equivariant (VTE), a more general unsupervised transformation-equivariant representation model. During the implementation, VTE utilizes the Predictive-transformation, a self-supervised learning model that acts as inductive bias. The optimization of VTE involves two lower bound mutual information methods: Barber-Agakov and information noise contrastive (InfoNCE). The VTE models are evaluated based on the average error rate on image classification tasks on CIFAR-10 and STL-10 datasets. We utilize multi-layer perceptron, K-nearest neighbor, and multinomial logistic regression as the classifiers. Results show VTE with Barber-Agakov and VTE with InfoNCE outperform the baseline model for each classifier on both datasets. Specifically, VTEBA consistently achieves the lowest average error rate for both datasets."

"Pelacakan orang banyak pada video berdasarkan hasil deteksi orang pada setiap frame merupakan problem yang menantang karena kompleksitas yang dimilikinya. Kesalahan deteksi orang pada setiap frame akan menyebabkan kesalahan pelacakan orang pada keseluruhan video. Pada penelitian ini, diusulkan metode pelacakan yang dapat meminimalkan propagasi kesalahan dari kesalahan deteksi dengan waktu pelacakan yang tidak terlalu lama. Penelitian ini menggunakan deep convolutional neural network (DCNN) seperti Faster-RCNN dan RetinaNet sebagai detektor objek dan algoritma Hungarian sebagai metode asosiasi antar orang-orang yang terdeteksi di setiap frame. Matriks masukan untuk algoritma Hungarian terdiri dari kedekatan vektor ciri DCNN yang dihasilkan oleh Siamese Network, jarak titik tengah bounding box, dan perbandingan irisan-gabungan (IoU) dari bounding box. Pada tahap akhir dilakukan interpolasi terhadap hasil pelacakan. Metode yang diusulkan menghasilkan MOTA 61.0 pada dataset benchmark pelacakan orang banyak MOT16.

---

Multiple object (human) tracking in video based on object detection in every frame is a challenging problem due to its complexity. Error in the detection phase will cause error in the tracking phase. In this research, a multiple human tracking method is proposed to minimize the error propagation. The method uses deep convolutional neural network (DCNN) such as Faster-RCNN and RetinaNet as object detector and Hungarian algorithm as association method among detected humans in consecutive frames. The input matrix for Hungarian algorithm consists of the similarity of DCNN feature vector resulted from Siamese network, the distance of bounding box centers, and bounding box intersection of union (IoU). In the last step, interpolation is applied to the tracking result. The proposed method achieves 61.0 MOTA in multiple object tracking benchmark MOT16."

"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."