Hasil Pencarian  ::  Simpan CSV :: Kembali

Abstrak :
ABSTRAK
Persoalan Isolasi selama ini merupakan persoalan yang terbesar dalam perencanaan sistem tenaga listrik, baik dalam hal teknis maupun dalam hal ekonomis. Karenanya kehandalan Insulator dalarn melaksanakan fungsinya memegang peranan yang sangat penting dalam menjaga kestabilan sistem. Pada pengaplikasiannya di lapangan terbuka (ourdoor), Insulator terkontaminasi dengan berbagai macam polutan yang mengandung karbon (C), ion logam (metal Oxides) serta garam yang apabila bercampur dengan air akan menjadi electrolyte. Dengan adanya electrolyre pada permukaan insulator, tegangan jatuh (flashover critical voltage) akan menjadi menjadi lebih kecil.

Insulator Epoxy Resin sebagai salah satu jenis insulator alternatif, memiliki beberapa kelebihan dan kekurangan. Salah satu kekurangannya adalah menurunnya kinerja insulator, apabila digunakan pada daerah yang berpolutan tinggi.

Dalam Skripsi ini akan dilakukan pengujian terhadap Insulator Epoxy Resin berpolutan dengan menggunakan Fog Test Merhode , polutan yang digunakan adalah garam-garaman yaitu NaCl dan CaCl2.

Hasil dari pengujian didapat bahwa dengan artificial polutan berupa CaCl2, penurunan tegangan flashover menjadi lebih besar dibandingkan dengan polutan NaCl. Juga diperoleh persamaan grafis dari data pengujian yang dapat digunakan untuk memperkirakan besarnya tegangan flashover.

---

Abstrak :
ABSTRAK
Kabut merupakan salah satu fenomena cuaca yang dapat mengurangi jarak pandang. Hal ini akan berdampak pada operasional penerbangan (taxiing, take-off, landing). Oleh karena itu, prakiraan kabut diperlukan untuk mendukung keselamatan penerbangan. Tantangan terbesar dalam membuat prakiraan kabut adalah proses atmosfer yang chaos dan tidak pernah sama dari waktu ke waktu. Oleh karena itu penelitian ini mencoba menggunakan metode Deep Learning untuk memprakirakan kejadian kabut di Bandara Wamena. Desain model prakiraan menggunakan data cuaca pengamatan sinoptik per-jam dari Januari 2015 hingga Mei 2018. Variabel cuaca seperti suhu bola kering, suhu bola basah, titik embun, kelembaban relatif, tutupan awan, arah angin, kecepatan angin, jarak pandang, cuaca saat ini, dan jam pengamatan digunakan untuk memprakirakan kejadian kabut atau tidak kabut untuk 3 jam ke depan. Hyperparameter tuning pada optimizer (SGD, Adam), learning rate (1, 0.1, 0.01, 0.001), dan epoch (25, 50, 100) dilakukan untuk proses trial and error mencari model terbaik. Hyperparameter tuning menunjukkan parameter terbaik adalah optimizer Adam, learning rate 0.001, dan epoch 100. Hasil menunjukkan Deep Learning menunjukkan performa yang baik dengan hasil testing mencapai akurasi 92.56% untuk prakiraan kejadian kabut 1 jam kedepan, 88.45% untuk prakiraan kejadian kabut 2 jam kedepan, dan 85.68% untuk prakiraan kejadian kabut 3 jam kedepan. Hasil prakiraan kejadian kabut dengan Deep Learning juga memberikan akurasi yang lebih baik dibandingkan prakiraan TAF yang dibuat oleh forecaster setempat.

---

ABSTRACT
Fog is one of the weather phenomena that can reduce visibility. This will have an impact on flight operations (taxiing, take-off, and landing). Therefore, fog forecasts are needed to support flight safety. The biggest challenge in making fog forecast is chaotic atmospheric processes that have never been the same over time. This study tries to use the Deep Learning method to predict the occurrence of fog at Wamena Airport. Design forecast models use hourly synoptic observational weather data from January 2015 to May 2018. Weather variables such as dry bulb temperature, wet bulb temperature, dew point, relative humidity, cloud cover, wind direction, wind speed, visibility, present weather, and the observation hours are used to forecast the occurrence of fog or no fog. Hyperparameter tuning of optimizer (SGD, Adam), learning rate (1, 0.1, 0.01, 0.001), and epoch (25, 50, 100) are used for the trial and error to find the best model. Hyperparameter tuning shows the best parameters are Adam optimizer, learning rate 0.001, and epoch 100. The results show Deep Learning has good performance with the results of testing 92.56% accuracy for forecasting the occurrence of fog for next 1 hour, 88.45% for next 2 hour, and 85.68% for next 3 hour. The results of the forecast fog event with Deep Learning also provide better accuracy than the TAF forecasts made by the local forecaster.

Abstrak :
Pendahuluan: Covid-19 merupakan penyakit menular yang disebabkan oleh virus SARS Cov-2. Covid-19 menyebabkan pandemic yang sudah berlangsung sejak tahun 2020. Sejak pandemic banyak orang yang pernah terkonfirmasi dan ada banyak juga yang sudah sembuh yang dikatakan sebagai penyintas covid-19. Penyintas covid-19 masih dapat merasakan gejala seperti brain fog (kabut otak). Pada mahasiswa sebagai penyintas Covid-19 yang melakukan pembelajaran dapat merasakan stress, stress yang di dapat ini disebut stress akademik. Tujuan: Penelitian ini dilakukan untuk mencari suatu hubungan antara stress akademik dengan brain fog pada mahasiswa penyintas Covid-19. Metodologi: Penelitian ini menggunakan desain potong lintang dengan melibatkan 125 mahasiswa penyintas Covid-19. Hasil: Analisa data menunjukan sebanyak 49 mahasiswa (39.2%) tidak mengalami Brain Fog, sedangkan 76 mahasiswa (60.8%) diduga mengalami Brain fog. Uji korelasi Rank Spearman juga menunjukan adanya korelasi antara tingkat stres akademik dengan Brain Fog (p value= 0.000) pada mahasiswa penyintas Covid-19 dengan nilai r sebesar 0.409. Kesimpulan: Kejadian Brain Fog pada penyintas Covid-19 diduga dipengaruhi adanya stres akademik. Perlu adanya manajamen stres yang baik pada mahasiswa penyintas Covid-19 untuk menjaga kemampuan berpikir. ......Introduction: Covid-19 is an infectious disease caused by the SARS Cov-2 virus. Covid-19 caused a pandemic that has been going on since 2020. Since the pandemic many people have been confirmed and many have recovered who are said to be survivors of covid-19. Covid-19 survivors can still experience symptoms such as brain fog. Students as survivors of Covid-19 who do learning can feel stress, the stress they get is called academic stress. Purpose: This research was conducted to find a relationship between academic stress and brain fog in students who survived Covid-19. Methodology: This study used a cross-sectional design involving 125 student survivors of Covid-19. Results: Data analysis showed that 49 students (39.2%) did not experience Brain Fog, while 76 students (60.8%) were suspected of experiencing Brain Fog. Spearman's Rank correlation test also showed a correlation between academic stress levels and Brain Fog (p value = 0.000) in students who survived Covid-19 with an r value of 0.409. Conclusion: The incidence of Brain Fog in Covid-19 survivors is deemed to be influenced by academic stress. There needs to be good stress management for students who are survivors of Covid-19 to maintain their thinking skills

Abstrak :
Data kehadiran adalah data yang penting baik di lingkup sekolah, universitas, maupun perkantoran untuk karyawan. Presensi yang berupa tandatangan dapat dipalsukan oleh siapa saja dan kapan saja. Sehingga dibutuhkan sebuah perangkat yang dapat mempermudah proses absensi sekaligus mendeteksi keterlambatan siswa/pegawai sebelum memasuki ruangan. Skripsi ini mengembangkan Smart Presence System berbasis Face Recognition dengan machine learning yang dirancang dengan komputasi pada awan (Cloud Computing) dan komputasi pada sebuah node/titik (Fog Computing). Skripsi ini melakukan perbandingan performa Smart Presence System yang dibangun dengan Cloud Computing menggunakan layanan AWS Face Rekognition dan Fog Computing yang ditulis menggunakan bahasa Python dengan library OpenCV yang menggunakan perangkat Raspberry Pi sebagai titik komputasi. Penulis telah melakukan pengujian perbandingan waktu komputasi, penggunaan memori, serta penggunaan biaya antara Cloud Computing dan Fog Computing. Pengujian waktu komputasi dilakukan dengan menggeser router/titik uji sejauh 3 meter, 5 meter dan 7 meter dari sensor kamera. Pengujian waktu komputasi pada Cloud Computing didpat sebesar 11.02 detik, 2.99 detik dan 3.02 detik dengan total penggunaan memori sebesar 0.0042 MB dan total biaya yang diperlukan untuk membangun rancangan Cloud Computing sebesar Rp2.819.516 dalam penggunaan 12 bulan. Dan rata-rata waktu untuk komputasi pada fog sebesar 0.723 detik, 0.99 detik, 1.94 detik dengan total penggunaan memori sebesar 540MB dan total biaya untuk membangun rancangan ini sebesar Rp2.220.00 dalam penggunaan 12 bulan. ...... Attendance document is an important thing in schools, universities, and offices for employees. Attendance is usually done by giving a signature on a piece of paper, and it can be forged by anyone. In school, attendance is usually done manually by the teacher and it takes time. So we need a device that can simplify the attendance process and can not be forged. This thesis has developed a Smart Presence System with machine learing designed with Cloud Computing and Fog Computing. This Thesis compared the performance of The Smart Presence System that built with Cloud Computing using AWS Rekognition and Fog Computing that built in Raspberry pi and written in python and library Opencv. The author has tested the comparison of Cloud Computing and Fog Computing in Computing Time, Memory usage and Cost. Computing time testing is done by shifting the router/test point as far as 3 meters, 5 meters, and 7 meters. The computing time on Cloud Computing were 11.02s, 2.99s, and 3.02s with total memory usage of 0.0042MB and the total cost is Rp.2.819.516 in 12 months of use. And The computing time on Fog Computing were o.72s, 0.99s, and 1.94s with the total memory usage of 540MB and the total cost to build this architecture is Rp2.220.000 in 12 months of use.

Abstrak :
Sampah organik sebagian besar berasal dari sampah makanan yang menyebabkan karakteristiknya memiliki konsentrasi nitrogen dan lemak tinggi, kelembaban tinggi. Limbah domestik di Indonesia memiliki karakteristik kandungan organik yang sesuai dengan kondisi anaerobik. Limbah minyak dan lemak dapat membantu dalam proses AD yang dijadikan sebagai ko-substrat. Penelitian ini bertujuan untuk menganalisis kinerja reaktor dry anaerobic digestion sampah makanan dan menganalisis pengaruh penambahan limbah minyak dan lemak terhadap kinerja reaktor dry anaerobic digestion. Penelitian dilakukan menggunakan Continuous Stirred Tank Reactor CSTR dengan volume terisi 400 L yang beroperasi pada suhu rata-rata 27,8 1,07oC. Penelitian operasi skenario pertama dilakukan dengan input substrat sampah makanan dengan Organic Loading Rate OLR 10 kg VS/m3 selama 43 hari dan diaduk menggunakan variasi intensitas pengadukan 30 rpm dan 60 rpm secara konstan. Operasi skenario kedua dilakukan selama 59 hari menggunakan substrat sampah makanan dan kotoran sapi banding limbah Fat Oil and Grease FOG dengan Organic Loading Rate OLR yang sama dengan skenario pertama dan diaduk menggunakan intensitas 30 rpm secara konstan. Hasil penelitian menunjukkan terdapat perbedaan yang signifikan antara input substrat sampah makanan dengan penambahan limbah minyak dan lemak.

---

Organic waste mostly comes from food waste that has characteristics of high concentrations of nitrogen and fat, high humidity. Domestic waste in Indonesia has characteristics of organic content which is suitable with anaerobic conditions. Waste oil and fat can help in the process of AD which is used as co substrate. This research is intended to analyze the performance of dry anaerobic digestion reactor of food waste and analyze the effect of oil and waste addition on dry anaerobic digestion reactor performance. The research was conducted using Continuous Stirred Tank Reactor CSTR with a volume of 400 L applied at an average temperature of 27.8 1.07oC. The first scenario operation study was performed with food waste substrate input with Organic Loading rate OLR is 10 kg VS m3 for 43 days and stirred using constantly strirring intensity variation of 30 rpm and 60 rpm. The second scenario operation was conducted for 59 days using food waste and cow dung substrate of Fat Oil and Grease waste FOG with Organic Loading Rate OLR which is similar to the first scenario and stirred using constant 30 rpm intensity. The results of study showed that there was a significant difference between the input of food waste substrate with the addition of Fat Oil and Grease p.

Abstrak :
Penggunaan perangkat Internet of Things (IoT) semakin meluas ke berbagai sisi kehidupan manusia. Oleh karena itu, semakin dibutuhkan pendekatan yang efektif untuk mengolah banyaknya data yang dihasilkan. Cloud computing dipercaya sebagai salah satu solusi untuk mengolah data pada jaringan internet dengan sumber daya yang ”tak terbatas”. Namun, hal ini memunculkan isu bandwidth yang terbatas ketika harus mengirimkan data yang besar dengan cepat ke cloud. Stream processing membantu dalam mengolah data yang datang dengan cepat setiap waktu. Fog computing merupakan paradigma pengolahan data pada perangkat yang dekat dengan sistem lokal sebelum diteruskan ke cloud. Penggunaan fog computing dengan stream processing membantu pengolahan data di lokal menjadi lebih efektif. Tidak hanya pemilihan paradigma komputasi, pemilihan model komunikasi untuk stream processing merupakan hal yang penting. Penggunaan Apache Kafka sebagai stream processing platform mendukung model komunikasi FogVerse. Apache Kafka mendukung FogVerse untuk mengolah data yang besar dan cepat, khususnya untuk sistem smart-CCTV. smart-CCTV merupakan salah satu contoh sistem yang membutuhkan pengolahan data yang bersifat besar dan cepat. Upaya untuk mendukung hal tersebut dilakukan dengan mengintegrasikan algoritma preprocessing. Pada penelitian ini, diusulkan pendekatan fog computing melalui empat skenario yang berisi kombinasi fog dan cloud untuk sistem smart-CCTV. Skenario 1 menggunakan Jetson Nano yang terhubung langsung dengan kamera sekaligus pengguna. Skenario 2 menggunakan komponen Jetson Nano dan kamera yang terhubung dengan Kafka lokal. Skenario 3 menggunakan kamera lokal dan mesin di cloud yang terhubung dengan Kafka cloud. Skenario 4 menggunakan fog dan cloud dengan implementasi preprocessing yang terhubung dengan Kafka lokal dan cloud. Evaluasi menghasilkan kesimpulan bahwa Skenario 2 memberikan framerate yang tinggi, delay yang rendah, serta memberikan peluang skalabilitas pada sistem. ......The use of Internet of Things (IoT) devices has spread to almost all aspects of human life. This has resulted in an increased need for a distributed system management of IoT devices to process the large amounts of data. Cloud computing is one solution that is often used to process this data on the internet with unlimited resources. However, this results in a bandwidth issue when a large amount of data needs to be sent quickly to the cloud. Stream processing can help process the data that is sent continuously. Fog computing is a paradigm in which the data processing is done on a device close to the local system before forwarding the data to the cloud. Fog computing with stream processing help local data processing become more effective. Aside from the computation paradigm, the model communication for stream processing must be selected carefully. In this research, FogVerse is proposed with Apache Kafka as a stream processing platform for the communication model. Apache Kafka supports FogVerse to process the large amounts of data quickly, specifically for a smart-CCTV system. Smart-CCTV is an example of a system that needs quick processing for a lot of data. The technique to support that is done using data preprocessing. This study compares fog computing for smart-CCTV through four scenarios using a combination of fog and cloud. Scenario 1 uses a Jetson Nano that connected directly to the camera and users. Scenario 2 uses a Jetson Nano and camera connected through local Kafka. Scenario 3 uses local camera and cloud server connected through cloud Kafka. Scenario 4 uses fog and cloud with preprocessing technique connected through local and cloud Kafka. The results show that Scenario 2 gives a high framerate, low delay, and shows the most potential for system scalability.

Abstrak :
FOG deposit (FD) adalah kumpulan minyak dan lemak di saluran pembuangan air limbah yang dapat menyebabkan penyumbatan dan akumulasi gas yang dapat mengakibatkan ledakan di jaringan tertutup. FD membawa tantangan serius bagi pemeliharaan dan pengoperasian sistem pembuangan limbah karena dampak negatifnya. Dengan mempertimbangkan karakteristik air limbah, penelitian ini berupaya menganalisis laju pembentukan FD pada jaringan air limbah di Jakarta Selatan. Penelitian ini dilakukan dengan menggunakan sampel dari dua lokasi berbeda untuk membandingkan kondisi saluran air limbah yang tidak memiliki FD dan memiliki FD (A dan B secara berurutan). Hasil wawancara dan observasi menunjukkan bahwa rumah makan dan catering Padang merupakan sumber utama pencemar yang mempengaruhi pembentukan. Konsentrasi FOG pada sampel B 2 x 107 kali lebih besar dibandingkan sampel A, sedangkan konsentrasi TSS 1,8 x 104 kali lebih besar. Eksperimen reaktor selama 8 jam dilakukan dengan menggunakan toples dan balok beton sebagai media pengendapan untuk melihat proses pembentukannya. Sampel B menghasilkan akumulasi yang signifikan (0,72% minyak mengendap setelah 8 jam), sementara reaktor sampel A gagal menunjukkan tanda-tanda pembentukan. Asam lemak bebas (FFA) yang dominan adalah asam palmitat (51%) yang menyebabkan endapan relatif lebih padat. Software pemodelan OriginLab digunakan untuk menganalisis perhitungan laju agregasi dan menghasilkan nilai k = 0,41/jam untuk reaktor B. Rata-rata error dengan model yang diperoleh sebesar 6,17%, sehingga model dapat dikatakan memiliki prediksi yang baik. ......FOG deposits (FD) are significant aggregation of fat, oil, and grease in sewerage that can cause blockages and gas accumulation that may result in explosions in closed networks. FD carries serious challenges for the maintenance and operation of sewerage systems because of its negative impacts. By considering the characteristics of the wastewater, this study seeks to analyze the formation rate of FD South Jakarta's sewerage system. This study has been conducted using samples from two different locations to compare the condition of sewerage that doesn't have FD and has FD (A and B, respectively). The results of both interviews and observations indicate that rumah makan padang and catering are the primary sources of contaminants that influence the formation. The FOG concentrations in sample B were 2 x 107 times greater than those in sample A, while the TSS concentrations were 1.8 x 104 times greater. An 8-hour reactor experiment was conducted using a jar and concrete blocks as settling media to see the formation process. While sample B produced significant accumulation (0.72% oil precipitated after 8 hours), sample A's reactor failed to display any signs of formation. The dominant free fatty acid (FFA) is palmitic acid (51%), which causes the deposit to be relatively denser. OriginLab modeling software was used to analyze the calculation of the aggregation rate, resulting in k = 0.41/hour for reactor B. The average error with the model obtained is 6.17%, so the model can be said to have good predictions.

Abstrak :
Penelitian fenomena yang terjadi pada textile ducting berbahan taslan telah dilakukan sebagai bentuk upaya pencarían bahan alternatif pengganti material ducting konvensional. Penelitian lanjutan diperlukan untuk lebih mendalami fenomena yang terjadi pada textile ducting berbahan taslan. Tujuan dari penelitian ini adalah untuk mengetahui karakteristik pola udara keluar dari lubang orifice dari textile ducting ujung tertutup dengan memakai high speed camera. Data yang ditangkap untuk menganalisa arah semburan menggunakan kamera DSLR Nikon dan diolah menggunakan software imageJ sehingga dapat terlihat arah aliran semburan keluar orifice yang menggunakan asap sebagai medianya. Tujuan berikutnya adalah untuk mengetahui getaran yang terjadi pada orificetextile ductingdengan menggunakan high speed camera. Pengukuran getaran dilakukan pula dengan menggunakan software ImageJ dengan melihat perubahan pixel setiap gambar per milisecon.Hasil yang didapat menunjukkan adanya perubahan arah semburan menjadi lebih radial mulai dari orifice 16 hingga orifice32.Getaran yang terjadi pada textile ducting tidak terlalu signifikan getaran yang terjadi.

---

A research of phenomena in taslan textile ducting has been done to looking for the alternative conventiomalmaterial of ducting. Advanced research needs in order to explore more the phenomena which happen attextile ducting with material taslan. The objective of this research is to find out the characteristic of air flow at outlet orificeof end cap with used high speed camera.Data which had captured for analyze the air flow outburst used Nikon DSLR camera and process it using ImageJ so the direction of air flow burst outlet at orifice that used smoke as the media can be known. Next objective of this research is to find out the vibration that occurred at orifice textile ducting. Vibration measurement also processed using ImageJ software which can be determines by the changes of pixel every image per milisecon. The results show there are changesof air flow outburst direction from orifice. Itbecomes more radial from orifice 16 to orifice 32. The vibration that occured at orifice textile duct shows is not too significant.

Abstrak :
Internet of Things (IoT) merupakan sebuah teknologi yang memungkinkan setiap benda atau barang dapat terhubung ke internet dan berkomunikasi satu sama lainnya. Salah satu teknologi berbasis IoT adalah LoRa. Terlepas dari semakin banyaknya layanan IoT yang diimplementasikan, aspek keamanan menjadi permasalahan tersendiri dalam pengembangan IoT. Salah satu solusinya adalah dengan memanfaatkan teknologi Blockchain dalam topologi IoT untuk mengamankan data dan transaksi yang terjadi di dalam jaringan Internet of Things (IoT). Akan tetapi Blockchain memerlukan waktu hingga hitungan menit untuk memecahkan suatu rantai kriptografi, serta sumber daya yang cukup besar untuk melakukan komputasi. Hal ini memunculkan ide membuat sebuah platform Blockchain yang ringan, Lightweight Multi-Fog (LMF) dengan latency yang kecil dan bisa berjalan pada perangkat dengan komputasi yang terbatas untuk IoT. Dalam tesis ini, teknologi bernama Lightweight Multi-Fog (LMF) disimulasikan dengan menggunakan kemampuan algoritma Lighweight Scalable Blockchain (LSB) dan jaringan Fog pada IoT untuk memecahkan masalah pengintegrasian Blockchain pada IoT. Hasil penelitian menunjukkan bahwa rata-rata peningkatan total waktu pengiriman (T-average) pada platform LMF memiliki (T-average) yang lebih kecil, yaitu 0,53 untuk variasi jumlah node dan -0,27 untuk variasi jumlah broker miner. Pada rata-rata peningkatan total energi pengiriman (E-average), platform PoW memiliki (E-average) yang lebih kecil, yaitu 1,68 pada variasi jumlah node. Sedangkan platform LMF memiliki rata-rata peningkatan total energi pengiriman (E-average) yang lebih kecil, yaitu 0,28 pada variasi jumlah broker miner.

---

Internet of Things (IoT) is a technology that allows every object or item to be connected to the internet and communicate with each other. One of the technologies based on IoT is LoRa. Apart from the increasing number of IoT services, security aspects become a separate issue in the development of IoT. One of the solutions is to utilize Blockchain technology in the IoT topology to secure data and transactions that occur in the Internet of Things (IoT) network. The Blockchain takes up to minutes to compute a cryptographic chain. It also needs large enough resources to do computing. This problem gave rise to the idea of making a lightweight Blockchain platform, with low latency which could run on devices with low computing resources like IoT devices. The technology called Lightweight Multi-Fog (LMF) will be implemented using the ability of the Lightweight Scalable Blockchain (LSB) algorithm and the Fog network on the IoT to solve the problem of integrating the Blockchain on the IoT. The results showed that the average increase in total delivery time (T-average) on the LMF platform had a smaller average increase in total delivery time (T-average), which is 0.53 for variations in the number of nodes and -0.27 for variations in the number of brokers/miners. On the average increase in total energy delivery (E-average), the PoW platform has a smaller increase in total energy delivery (E-average), which is 1.68 in variations in this number of nodes. While the LMF platform has a smaller average increase in total shipping energy (E-average), which is 0.28 on variations in the number of brokers miners.

Abstrak :
Fiber Optic Gyroscope adalah sensor optik yang dapat menentukan posisi sudut gerak sebuah benda. FOG bekerja bedasarkan efek Sagnac, yang menyatakan bahwa pergeseran fase antara dua gelombang berlawanan merambat dalam interferometri cincin berputar, sebanding dengan putaran kecepatan sudut. Salah satu indikator performansi sistem pengukuran yang baik adalah memiliki noise yang kecil. Angle Random Walk adalah kontribusi noise terbesar pada nilai error. Dalam penelitian ini telah dilakukan estimasi noise dari ARW. Performansi OFOG berdasarkan ARW telah dijelaskan pada simulasi ARW berdasarkan emisi foton dan jumlah data cuplik per waktu. Pengaruh ARW terhadap performasi dijelaskan pada grafik PDF. Teknik mereduksi eror dari nilai ARW juga telah dipaparkan untuk meningkatkan performansi OFOG. Telah dibangun protipe OFOG, eksperimen non noise dan analisis koreksi data output melaui simulasi, dimana data output hasil eksperimen hampir sama dengan simulasi koreksi di L = 1,5 km. Nilai ideal rentang pengukuran prototipe OFOG pada 0-5,5 ?/detik, dan nilai ARW di 4,56 x 10-2 ?/ radic;detik.

---

Fiber Optic Gyroscope is an optical sensor that can determine the position of the angle of motion of an object. FOG works based on the Sagnac effect, which states that the phase shift between two opposite waves propagates in the interferometry of the rotating ring, and proportional to the angular velocity. Goodness performance indicator of measurement system, is having a small noise. Angle Random Walk is the biggest noise contribution to the error value. In this research, noise estimation from ARW has been done. OFOG performance based on ARW has been described in the ARW simulation based on photon emission and the amount of data sampling per time. The effect of ARW on performance is explained on the PDF graph. Error reduction techniques from ARW values have also been presented to improve OFOG performance. Has developed OFOG prototype, non noise experiments and output data correction analysis through simulation, where the experimental output data is almost the same as the correction simulation at L 1.5 km. The ideal value of the OFOG prototype measurement range at 0 5.5 sec, and the ARW value at 4.56 x 10 2 radic sec.