Hasil Pencarian  ::  Simpan CSV :: Kembali

Abstrak :
Konsumsi bahan bakar pada kendaraan roda empat tidaklah terlalu efisien. Salah satu alasan di balik kurang efisiennya penggunaan bahan bakar adalah perilaku berkendara yang tidak tepat karena didasar pada perasaan pengemudi. Hal ini menghasilkan efisiensi konsumsi BBM rendah. Untuk mengatasi masalah tersebut, dibutuhkan suatu sistem di mana perilaku berkendara seorang pengemudi dan konsumsi bahan bakar yang dihasilkan dapat dinilai dan dikalkulasikan. Penelitian ini mencoba untuk mengembangkan sistem di mana data dari On-Board Diagnostics-II (OBD-II) Port diambil oleh Raspberry Pi dan dikalkulasikan untuk mendapat angka konsumsi BBM, dan dikirim ke backend cloud storage untuk disimpan. Data tersebut didapatkan melalui serangkaian kegiatan berkendara yang dimonitor untuk mengembangkan aplikasinya dengan mengambil data accelerator pedal position dan fuel economy, sebelum akhirnya menggunakan data sesungguhnya dari kegiatan berkendara biasa. Hasil yang didapat adalah, fuel economy perilaku berkendara sport bernilai 0,4-5,9 km/L, normal 4,8-8,5 km/L, eco 8,5-11,1 km/L. Data accelerator pedal position perilaku berkendara eco 6-12%, normal 12-24%, sport 24-45%. Data ini kemudian ditampilkan melalui telepon genggam Android melalui serangkaian protokol yang mengambil data yang sudah dikalkulasikan dari cloud storage dan menyajikannya dalam format yang lebih mudah dimengerti bagi penggunanya. Lalu dilakukan validasi konsumsi BBM melalui aplikasi dengan metode full-to-full yang menghasilkan angka Mean Absolute Percentage Error (MAPE) sebesar rata-rata 13,1%. Angka ini merupakan angka kesalahan rata-rata aplikasi.

---

Fuel consumption in automobiles are not particularly efficient. One of the reasons behind the inefficiency is improper driving behavio due to the usage of feeling and judgment. To mitigate this problem, there needs to be a system where driver's driving behavior and the car's fuel consumption can be assessed and calculated. This research tried to develop a system where data from car's OBD-II Port are taken by Raspberry Pi, sent to cloud database, where it is then calculated to acquire the driving behavior and fuel consumption. The data are first obtained through a series of monitored driving to develop the application, before using real data from usual driving activity. The results are driving behavior's fuel consumption figure which is sport 0,4-5,9 km/L, normal 4,8-8,5 km/L, sport 8,5-11,1 km/L. The accelerator pedal position figures fore eco is 6-12%, 12-24%, and sport 24-45%.  This data is displayed on an Android phone through sets of protocol that collect the calculated data from cloud database and serve it in a more understandable manner in order for users to acquire useful information regarding the fuel consumption and driving behavior. The final application's fuel economy figures are then validated using full-to-full method to produce Mean Absolute Percentage Error (MAPE) which is 13,1%. This is the application's average fuel consumption reading's figure.

Abstrak :
Aki merupakan sebuah komponen penting dalam sebuah kendaraan roda empat, oleh karena aki sebagai penyedia arus listrik pada saat penyalaan yang membutuhkan energi listrik secara besar dan cepat, sehingga performa aki harus dipantau agar tidak memperngaruhi kenyamanan dalam menggunakan kendaraan roda empat. Kendaraan roda empat biasanya tidak memiliki indikator atau instrument yang memberi peringatan jika performa aki sudah berkurang, juga sulitnya dan tidak tepatnya melihat kondisi aki dengan melihat langsung indikator aki, jika aki tersebut dilengkapi dengan indikator. Sehingga pada penelitian kali ini dibuatnya aplikasi pemantauan performa aki yang berbasis android, sehingga performa aki dapat dilihat dengan mudah dan juga dapat nilai performa secara akurat, juga dalam penelitian kali ini, penelitian juga membuat perbandingan performa aki dalam tiga cara berkendara, yaitu Sport, normal, dan eco, dengan adanya tiga cara berkendara penelitian ini akan memiliki hasil perbedaan performa dengan cara berkendara. Penelitian ini dilakukan dengan cara mengambil dua nilai voltase aki yang berurutan pada saat penyalaan sehingga kita dapat mengkalkulasi niali performa aki. nilai voltase aki tersebut diambil menggunakan bantuan OBD-II pada kendaraan roda empat menggunakan ELM327 yang terhubung dengan Raspberry Pi sebagai penyimpan, pengolah, dan pengirim data ke aplikasi android, sehingga data performa aki dapat langsung dilihat pada aplikasi android.Pada penelitian ini juga didapati aki yang digunakan tidak memiliki pengaruh terhadap suhu kerja aki, juga kendaraan roda empat yang digunakan juga memiliki pembebanan yang stabil dan juga memiliki perangkat untuk mengetahui energi yang keluar dan masuk dari aki, sehingga didapat nilai perhitungan pada performa aki dapat ditetapkan dengan menggunakan penurunan voltase aki paling besar dengan nilai yang didapat dari pengujian. Pada kendaraan roda empat ini memiliki teknologi yang memaksimalkan energi perlambatan untuk dijadikan energi listrik yang disimpan kedalam aki, sehingga pada cara berkendara sport memiliki nilai performa aki yang tinggi hingga +7% dan pada cara berkendara eco memiliki nilai performa aki yang lebih rendah -1,4% dari yang diberikan produsen aki, dan cara berkendara normal memiliki nilai performa aki +0,3% dari nilai performa yang diberikan oleh produsen aki. ......The battery is an important component in a four-wheeled vehicle, because the battery as a storage of electric energy when starting. Starting requires large and fast electrical energy, so battery performance must be monitored to affect the comfort of using a four-wheeled vehicle. Four-wheeled vehicles usually do not have indicators or instruments that give a warning if the battery performance has decreased, it is also difficult to see the condition of the battery by looking directly at the battery indicator, if the battery is equipped with an indicator. So in this research, an Android-based battery performance monitoring application was made, so the battery performance can be seen easily and can also be accurately assessed performance, also in this research, this study also made a comparison of battery performance in three driving behaviour, Sport, Normal , and Eco, with the existence of three ways of driving behaviour this study will have the results of differences in performance by driving. This research was conducted by taking two consecutive battery voltage values at the time of ignition so that we can calculate the battery performance value. The battery voltage value is taken using OBD-II on four-wheeled vehicles using ELM327 which is connected to the Raspberry Pi as a storage, processing, and sending data to the Android application, so that battery performance data can be seen directly in the Android application. The battery not have an effect on the working temperature of the battery, also the four-wheeled vehicles used also have a stable loading and also the four-wheeled vehicles have a current sensor, a device to find out the energy that charge or discharge from four-wheeled vehicles battery, so that the calculation value on battery performance can be determined using the largest reduction in battery voltage with the value obtained from testing. This four-wheeled vehicle has technology that maximizes deceleration energy to be converted into electrical energy stored in the battery, so that in sports driving, the battery performance value is high up to + 7% and in eco-driving it has a lower battery performance value of -1, 4% of what the battery manufacturer provides, and normal driving has a battery performance value of + 0.3% of the performance value given by the battery manufacturer.

Abstrak :
ABSTRAK
Penerapan Internet of Things (IoT) diproyeksikan akan memberikan nilai ekonomis yang besar pada bidang-bidang bisnis. Namun, berdasarkan penelitian Harvard Business Review, pertumbuhan penerapan IoT masih relatif kecil. Salah satu penyebabnya adalah belum jelasnya manfaat implentasi IoT terhadap bisnis. Internet of Things dapat diterapkan dalam berbagai bidang bisnis. Salah satu bidang yang diprediksi akan mereguk manfaat dari penerapan IoT adalah bidang kendaraan atau otomotif. Penerapan IoT pada kendaraan memerlukan alat khusus yaitu OBD-II reader yang terhubung dengan internet. Salah satu bidang usaha yang mengoperasikan armada dalam jumlah besar adalah perusahan logistik.

Penelitian ini bertujuan untuk menyusun manfaat terhadap bisnis dari penerapan OBD-II sebagai perangkat IoT, secara khusus pada perusahaan logistik. Penyusunan manfaat bisnis dilakukan menggunakan metodologi Value Proposition Design. Data primer yang digunakan dalam penelitian dikumpulkan dari Systematic Literature Review dan wawancara langsung. Data sekunder dikumpulkan dari studi terhadap dokumen perusahaan dan studi literatur terhadap penelitian yang relevan.

Hasil penelitian ini diharapkan dapat menjadi justifikasi awal bahwa OBD-II sebagai perangkat IoT mampu memberikan manfaat terhadap bisnis. Dengan kata lain, mampu membuka peluang bisnis penggunaan OBD-II sebagai perangkat IoT, khususnya pada perusahaan logistik.

---

ABSTRACT
The implementation of Internet of Things (IoT) was predicted to give enormous economic value to businesses. However, according to the research held by Harvard Business Review, the growth of IoT implementation is relatively small. One of the reasons is the benefit of IoT implementation for businesses is still unclear. One of the area which has been predicted to gain much benefits from IoT implementation is automotive. Implementation of IoT in a vehicle needs a specific device (i.e: OBD-II reader) which able to connect to internet. One of business fields which operate big numbers of vehicle is logistic company.

This research aimed to compile the benefits of OBD-II implementation as an IoT device to business, specifically for logistic company. The benefits were compiled using Value Proposition Design methodology. Primary data for this research was gathered from Systematic Literature Review and interview. Secondary data was gathered from study to company documents and literature review to relevant research.

The output of this research is expected to be a justification that OBD-II as an IoT device can give benefit to business. In other words, it can create a new business opportunity of using OBD-II as an IoT devices, specifically for logistic company.

Abstrak :
Dengan berbagai kemajuan teknologi, transportasi tetap bertanggung jawab sebagai penyumbang polusi udara terbesar khususnya emisi CO2. Dampak emisi CO2 ini sangat berbahaya bagi kesehatan dan lingkungan. Sudah ada beberapa cara yang dilakukan untuk mengurangi dampak yang dihasilkan emisi CO2 pada kendaraan roda empat. Salah satunya dengan melakukan tes emisi. Prosedur tes emisi ini dilakukan dengan perilaku berkendara tetap yang menyebabkan tes ini tidak representative terhadap keadaan nyata di jalan, oleh karena itu dibutuhkan monitoring langsung pada perilaku berkendara yang berbeda-beda. Dengan memanfaatkan teknologi OBD II dan konsep IoT (Internet of Things), peneliti dapat melakukan pengembangan ke arah monitoring. Pengembangan dilakukan dengan cara menghubungkan OBD II dan Raspberry Pi ke kendaraan roda empat. Perhitungan emisi CO2 dilakukan dengan memanfaatkan data MAF yang diperoleh dari OBD II. Hasil perhitugan tersebut dikirim ke aplikasi Android melalui Cloud Server agar dapat dibaca oleh pengguna aplikasi Android tersebut. Untuk memverifikasi model perhitungan, pengetesan dilakukan pada Nissan Juke tahun 2015 dengan melakukan uji jalan sejauh 300km pada tiga perilaku berkendara yang berbeda. Emisi CO2 yang dihasilkan diukur menggunakan Portable CO2 Meters Detector Tvoc Hcho AQI Monitor dan dibandingkan dengan hasil uji pada aplikasi. Nilai error verifikasi pengukuran pada masing-masing perilaku berkendara yaitu 11,65 % untuk eco, 7,38% untuk Normal, dan 49,56% untuk Sport. pengetesan yang dilakukan juga menunjukkan bahwa model perilaku berkendara Eco memiliki tingkat emisi terendah dibanding dua perilaku berkendara lainnya dengan jumlah emisi CO2 yang dihasilkan sebesar 33.401,25 g sedangkan untuk Normal dan Sport masing-masing secara berurutan menghasilkan emisi CO2 sebesar 56.250,26 g dan 123.122,99 g. Kemudian apabila dihubungkan dengan parameter perilaku berkendara, perilaku berkendara Eco dengan interval nilai Accelerator Position 4,63% – 10,99% menghasilkan CO2 per detiknya sebesar 0,57 g/s – 1,93 g/s, perilaku berkendara Normal dengan interval nilai Accelerator Position 16,23% – 24,15% menghasilkan CO2 per detiknya sebesar 3,37 g/s – 5,09 g/s, dan perilaku berkendara Sport dengan interval nilai Accelerator Position 71,89% – 78,39% menghasilkan CO2 per detiknya sebesar 13,00 g/s – 14,24 g/s.

---

With various technological advances, transportation remains responsible as the biggest contributor to air pollution, especially CO2 emissions. The impact of CO2 emissions is very dangerous for health and the environment. There have been several ways to reduce the impact of CO2 emissions on four-wheeled vehicles. One of them is by conducting emission tests. This emission test procedure is carried out with a fixed driving behavior which causes this test not to be representative of the actual situation on the road, because of that we require direct monitoring of different driving behaviors. By utilizing OBD II technology and collaborating with the concept of IoT (Internet of Things) Researchers can make development towards monitoring. Development is carried out by connecting the OBD II and Raspberry Pi that has been programmed to calculate CO2 emissions. The calculation of CO2 emissions is done by calculating the MAF data that can be obtained from OBD II. The results of these calculations are sent to the Android application via Cloud Server so that they can be read by the application's users. To verify the calculation model, testing was done on the 2015 Nissan Juke by conducting a road test on three different driving behaviors. The resulting CO2 emissions are measured using Portable CO2 Meters Detector Tvoc Hcho AQI Monitor and compared with test results on the application. The verification error measurement value on each driving behavior is 11,65% for Eco, 7,38% for Normal, and 49,56% for Sport. The testing also shows that the Eco-driving behavior model has the lowest emission level compared to the other two driving behaviors with the amount of CO2 emissions produced of 33.401,25 g while for Normal and sport respectively produced CO2 emissions of 56.250,26 g and 123.122,99 g. Then when connected with driving behavior parameters, Eco-driving behavior with an interval value of Accelerator Position 4.63% - 10.99% produces CO2 per second of 0.57 g/s - 1.93 g/s, Normal driving behavior with an interval value Accelerator Position 16.23% - 24.15% produces CO2 per second of 3.37 g/s - 5.09 g/s and Sport driving behavior with an interval of Accelerator Position 71.89% - 78.39% produces CO2 per second of 13.00 g/s - 14.24 g/s.