Hasil Pencarian  ::  Simpan CSV :: Kembali

"Penyebaran virus corona (Covid-19) di Indonesia semakin meningkat. banyak inovasi mulai timbul diantarnya penggunaan bilik/chamber yang diletakkan dijalan, pintu gerbang kampung masih secara manual dengan adanya petugas yang menekan saklar bagi tamu yang masuk, dan ada juga penyemprotan yang dilakukan secara otomatis, membaca tamu yang datang, secara otomatis, Kendala yang dihadapi terkadang kehabisan cairan desinfektannya, menuntut petugas mesti mengecek secara rutin agar tidak kehabisan. penelitian ini akan mengembangkan bilik desinfektan berbasis IoT selain dapat menyemprotkan cairan desinfektan secara otomatis, juga dapat mengisi cairan desinfektan secara otomatis dan dapat dipantau melalui Smartphone. Kebutuhan sistem dan alatnya terdiri dari : NodeMcu Esp 8266, sensor flow water, sensor ultrasonic, Relay, Solenoid Valve, Arduino IDE, Blynk Apps, ThingSpeak Proses pendeteksian ketinggian cairan desinfektan tersebut dibedakan menjadi 2, level aman dengan ketinggian air antara 11-50 cm, Level bahaya dengan ketinggian air antara 0-10 cm, maka nodemcu mengirimkan sinyal output ke relay, relay meneruskan sinyal tersebut yang berfungsi sebagai saklar untuk membuka solenoid, air akan mengalir melalui pipa saat katup solenoid dibuka sehingga kran air terbuka untuk mengisi derigen. Platform Iot Thingspeak digunakan untuk menampilkan grafik level cairan desinfektan. Data output sensor akan dilaporkan secara real time ke admin melalui aplikasi Blynk apps. Dengan perkembangan perangkat ini, diharapkan dapat menekan penyebaran virus covid-19.

---

The spread of the coronavirus (Covid-19) in Indonesia is increasing. Many innovations have begun to emerge between the use of chambers that are placed on the streets is rampant, the village gate is still manually with an officer pressing the switch for incoming guests, and there is also spraying that is done automatically, reads guests who come, automatically, the obstacles encountered are sometimes run out of disinfectant fluid, demanding officers must regularly check so as not to run out. This research will develop an IoT-based disinfecting booth in addition to spraying disinfecting liquid automatically. It can also fill disinfecting liquid automatically and can be monitored via a Smartphone. System and tool requirements consist of NodeMcu Esp 8266, flow water sensor, ultrasonic sensor, Relay, Solenoid Valve, Arduino IDE, Blynk Apps, ThingSpeak The process of detecting disinfectant fluid level is divided into 2, safe level with water level between 11-50 cm, The danger level with the water level between 0-10 cm. Then the node sends an output signal to the relay. The relay continues that signal, which functions as a switch to open the solenoid, water will flow through the pipe when the solenoid valve is opened so that the water tap is open to fill the derijen. The Thing speak IoT platform is used to display disinfectant liquid level graphs. Sensor output data will be reported in real-time to the admin via the application of the Blynk app. With the development of this device, it is expected to reduce the spread of the COVID-19 virus."

"ABSTRAK"Metode pengendalian suatu proses dengan menggunakan pengendali fuzzy selama ini telah berkembany dengan pesat Perkembangan ini disebabkan oleh kemampuan pengendali fuzzy mengatasi ketidaklinieran suatu sistem Pengendali fuzzy yang dapat mengimplernentasikan pola pikir dari seorang operator dapat menghasilkan pengendaii yang ""cerdas"". Hal mii tidak dapat dihasilkan oleh pengendali yang biasanya didesain secara matematis dan mengahaikan beberapa sifat sistem yang tidak linier agar didapatkan pengendali yang sederhana.NaMun, dalam mendesain suatu pengendali fuzzy pun terdapat beberapa masalah seperti tidak mudahnya membentuk suatu fungsi keanggotaan input dan output pengendali, sulitnya menentukan aturan yang dipergunakan sebagal rule base. Kesulitan menentukan aturan ini karena pada dasarnya tiap ahli (expert) akan mengutarakan aturan-aturan yang berbeda.Untuk itulah diperlukan tuning aturan atau faktor skala agar diperoleh unjuk kerja pengendali yang baik. Ketika pengendali didesain, pengendali di-tune sesuai dengan keadaan simulasi sistem. Bahkan jika pengendali telah di-tune dengan balk, faktor skala atau aturan tersebut perlu di-tune setelah instalasi pengendali.Steam generator pada pembangkit listrik tenaga nuklir adalah sistem yang penting karena faktor keamanan pembangkit listrik dan is merupakan sistem yang menghasilkan uap bagi turbin yang akan menggerakan generator dan kemudian akan menghasilkan listrik. Karena hal-hal tersebut seseorang tidak dapat melakukan tuning secara terus menerus untuk menghindari kecelakaan atau efek lain yang tidak diinginkan karena proses tuning yang tidak tepat."

---

"

"ABSTRAKTugas Akhir ini menjelaskan tentang bagaimana membuat suatu sistem pemantauanketinggian air dengan memanfaatkan gelombang ultrasonik berbasis mikrokontrolerATMEGA16 dan terdapat 2 buah motor yang berfungsi untuk membersihkan sampahyang menyumbat saluran air. Hal ini perlu dilakukan mengingat banyaknya kerugianyang ditimbulkan dari penyumbatan sampah pada saluran air ,seperti banjir. Kamimenggunakan sensor Ping dengan memanfaatkan prinsip pantulan suara, digunakanuntuk mengukur ketinggian air. Selang waktu yang diperlukan untuk memancarkan danmenerima pantulan gelombang ultrasonic dikalikan dengan cepat rambat suara dalam airguna memperoleh nilai jarak. Hal ini dilakukan oleh program Bascom AVR yangdisimpan dalam memori mikrokontroler. Terdapat 2 buah sensor Ultrasonik yangberfungsi untuk membandingkan ketinggian air pada aliran air masuk dan air keluar.Hasil Perbedaan ketinggian air yang diperoleh ditampilkan LCD. Kami juga membuatbatas kritis perbedaan ketinggian air yaitu sebesar 3 cm. Apabila perbedaan ketinggian airmelebihi batas kritis yang kami tetapkan, maka crane akan terangkat. Setelah cranesampai diatas maka ada saringan sampah yang turun dan terdapat motor pendorong yangmengembalikan ke tempat semula. Setelah itu crane turun kembali dan proses akanterjadi berulang-ulang. Dari hasil pengujian, diperoleh system dapat bekerja dengan baik

---

ABSTRACTThis final task describes how to create a water level monitoring system utilizingultrasonic wave ATMEGA16 microcontroller and there are 2 motors that function toclean up the garbage that clog waterways. This needs to be done considering the numberof loss arising from the blockage of trash in waterways, such as flooding. We use thePing sensor by utilizing the principle of sound reflection, is used to measure water levels.Lapse of time required for transmitting and receiving ultrasonic wave reflectionsmultiplied by the propagation of sound in water to obtain a distance value. This is doneby a program stored in the Bascom AVR microcontroller memory. There are two piecesUltrasonic sensors are used to compare the level of water in the flow of incoming waterand outgoing water. Results obtained by the difference in water elevation LCD display.We also make a critical difference in water height limit that is equal to 3 cm. If thedifference in water height exceeds the critical threshold that we set, then the crane will belifted. After the crane up above then there are the filters that garbage down and there isthe motor driving the back into place. After the crane fell again and the process will occurrepeatedly. From the test results, obtained by the system can work well"

"Sistem Coupled tank umum digunakan pada bidang industri otomatis, salah satu pengendalian yang umum terjadi pada coupled tank adalah pengendalian ketinggian air. Sistem pengendalian tersebut bertujuan untuk menjaga ketinggian air yang berada pada tangki. Penelitian ini melakukan simulasi pengendalian ketinggian air pada coupled tank dengan menerapkan Reinforcement Learning (RL) dengan algoritma Deep Deterministic Policy Gradient (DDPG). Proses simulasi tersebut dilakukan menggunakan simulink pada MATLAB. Algoritma DDPG melalui serangkaian training sebelum diimplementasikan pada sistem coupled tank. Kemudian pengujian algoritma DDPG dilakukan dengan memvariasikan nilai set point dari ketinggian air dan sistem diberikan gangguan berupa bertambahnya flow in dari control valve lain. Performa dari algorima DDPG dalam sistem pengendalian dilihat dari beberapa parameter seperti overshoot, rise time, settling time, dan steady state error. Hasil yang diperoleh pada penelitian ini bahwa algoritma DDPG memperoleh nilai settling time terbesar sebesar 109 detik, nilai steady state error terbesar sebesar 0.067%. Algoritma DDPG juga mampu mengatasi gangguan dengan waktu terbesar sebesar 97 detik untuk membuat sistem kembali stabil.

---

The Coupled Tank system is commonly used in the field of industrial automation, and one of the common controls implemented in this system is water level control. The purpose of this study is to simulate water level control in a coupled tank using Reinforcement Learning (RL) with the Deep Deterministic Policy Gradient (DDPG) algorithm. The simulation process is performed using Simulink in MATLAB. The DDPG algorithm undergoes a series of training sessions before being implemented in the coupled tank system. Subsequently, the DDPG algorithm is tested by varying the set point values of the water level and introducing disturbances in the form of increased flow from another control valve. The performance of the DDPG algorithm in the control system is evaluated based on parameters such as overshoot, rise time, settling time, and steady-state error. The results obtained in this study show that the DDPG algorithm achieves a maximum settling time of 109 seconds and a maximum steady-state error of 0.067%. The DDPG algorithm is also capable of overcoming disturbances, with the longest recovery time of 97 seconds to restore system stability."

"Proses industri banyak melibatkan penggunaan coupled tank, salah satu proses yang dilakukan adalah pengendalian ketinggian cairan. Pada penelitian ini dilakukan pengendalian ketinggian air pada sistem coupled tank menggunakan Reinforcement Learning berbasis algoritma Soft Actor Critic (SAC) menggunakan MATLAB dan Simulink. Sebelum diimplementasikan ke dalam sistem coupled tank dilakukan serangkaian proses training pada algoritma SAC. Hasil dari proses training ini merupakan action dalam bentuk besar bukaan control valve. Kinerja pengendali dievaluasi menggunakan nilai rise time, settling time, overshoot, dan steady state error. Berdasarkan parameter ini, algoritma SAC dapat mengendalikan sistem dengan baik dengan rise time kurang dari 47 sekon, settling time kurang dari 62 sekon, overshoot dibawah 10%, dan steady state error kurang dari 1%. Ketika diberikan gangguan algoritma SAC dapat kembali ke keadaan stabil dalam waktu kurang dari 45 sekon.

---

A lot of industrial processes utilize the use of coupled tanks, with one of the processes being liquid level control. In this study, Reinforcement Learning is implemented to control the water level in the coupled tank system using Soft Actor Critic (SAC) algorithm through MATLAB and Simulink. Before being implemented into the coupled tank system, the SAC algorithm went through a series of training processes. The result of this training process is an action in the form of adjusting control valve opening percentage. The controller performance is evaluated using parameters such as rise time, settling time, overshoot, and steady state error. Based on these parameters, the SAC algorithm manages to perform well in controlling the system with a rise time of less than 47 seconds, a settling time of less than 62 seconds, overshoot of less than 10%, and steady state error below 1%. When the system received a disturbance the SAC algorithm can return to a steady state in less than 45 seconds."

"Penelitian ini menyimulasikan sistem pengendalian temperatur dan ketinggian air pada sistem pengendali MIMO, yang bekerja dengan cara mengendalikan debit air dingin dan air panas untuk menghasilkan temperatur dan ketinggian air yang diinginkan. Simulasi ini dilakukan dengan menggunakan pengendali Reinforcement Learning dengan algoritma Proximal Policy Optimization (PPO) pada Simulink MATLAB. Tujuan dari penelitian ini, sistem dapat menjaga temperatur campuran dan ketinggian air yang terukur agar tetap berada di daerah set point yang ditentukan. Hasil training pengendali PPO diuji dengan melakukan perubahan set point, baik penambahan nilai ataupun pengurangan nilai set point. Pada penelitian ini diasumsikan bahwa proses pencampuran temperatur terdistribusi secara sempurna dan tangki tidak menyerap kalor. Penelitian ini memiliki batasan dimana temperatur air dingin 25℃ dan air panas 90℃ serta ketinggian maksimum tangki sebesar 7,5 dm. Kemampuan agent PPO dilihat dari beberapa parameter seperti overshoot, settling time, rise time, dan error steady state sebagai data kualitatif. Berdasarkan hasil simulasi, secara keseluruhan agent PPO meiliki hasil settling time dan rise time yang berbanding lurus dengan banyaknya perubahan set point. Nilai error steady state tertinggi sebesar 0.98%, terjadi pada pengendalian ketinggian air. Sedangkan nilai overshoot tertinggi sebesar 1,02% dan terjadi pada pengendalian ketinggian air juga.

---

This research simulates water level and temperature control system on MIMO control system, which works by controlling the flow of cold water and hot water to produce the desired temperature and water level. This simulation is carried out using Reinforcement Learning with Proximal Policy Optimization algorithm on Simulink MATLAB. The purpose of this research, the system can maintain measured temperature of mixture and water level in order to remain in the set point area. The results training of the PPO controller set point, either adding or reducing the set point. In this study, it is assumed that the temperature mixing process is perfectly distributed and the tank does not absorb heat. This research has a limit where the temperature of cold water is 25 and hot water is 90, and the maximum height of the tank is 7.5 dm. The ability agent of the PPO can be seen from overshoot, settling time, rise time, and steady state error as qualitative data. Based on the result of simulation, overall the agent PPO has settling time and rise time that is directly proportional to the number of changes at set point. The highest value of steady state error is 0.98%, occurred in controlling water level. While the highest value of overshoot is 1.02% and occurs in controlling water level as well.

"

"Sistem pengendalian ketinggian air merupakan aplikasi yang umum digunakan dalam bidang industri otomasi. Aplikasi dari sistem ini berguna untuk menjaga nilai ketinggian air yang dibutuhkan dalam proses kontrol. Pada penelitian ini, sistem pengendalian ketinggian air dibuat dalam skala lab dengan menerapkan sistem kendali menggunakan reinforcement learning dengan policy gradient agent. Pada plant yang dibuat ini terdapat perangkat keras programmable logic controller (PLC), control valve, flow transmitter dan water level transmitter. Perangkat keras tersebut dihubungkan ke MATLAB dan Simulink menggunakan OPC server sebagai jalur komunikasi dua arah. Implementasi policy gradient agent pada sistem pengendalian ketinggian air digunakan dalam dua kondisi yaitu simulasi dan plant. Parameter yang digunakan untuk menentukan performa pengendalian adalah overshoot, rise time, dan settling time. Berdasarkan hasil pengendalian yang didapatkan, terdapat nilai overshoot yang cukup kecil, yaitu 0.38 % pada simulasi dan sebesar 2,92 % pada plant.

---

Water level control system is a commonly used application in industrial automation. The application of this system is useful for maintaining the value of the water level needed in the control process. In this study, the water level control system was made on a lab-scale by implementing a control system using reinforcement learning with a policy gradient agent. In this plant, there is a programmable logic controller (PLC), control valve, flow transmitter, and water level transmitter. The hardware is connected to MATLAB and Simulink using an OPC server as a two-way communication line. The implementation of the policy gradient agent in the water level control system is used in two conditions, namely simulation and plant. The parameters used to determine the control performance are overshoot, rise time, and settling time. Based on the control results obtained, there is a fairly small overshoot value, namely 0.38% in the simulation and 2.92% in the plant."

"Sistem coupled-tank MIMO banyak digunakan dalam industri untuk pengendalian ketinggian fluida dan menjadi platform ideal dalam studi sistem kendali. Metode Proportional-Integral-Derivative (PID) masih menjadi standar dalam pengendalian proses industri, namun memiliki keterbatasan pada sistem nonlinier dan tidak stabil karena memerlukan pemodelan matematis untuk penentuan parameternya. Penelitian ini mengusulkan penggunaan Reinforcement Learning (RL), khususnya algoritma Soft Actor-Critic (SAC), sebagai alternatif pengendali. SAC merupakan algoritma RL berbasis kebijakan stokastik yang mampu mempelajari aksi optimal melalui interaksi dengan lingkungan dan reward-based learning. Sistem dirancang dan diuji menggunakan MATLAB dan Simulink, dengan pengendali PID sebagai pembanding. Evaluasi performa dilakukan berdasarkan parameter overshoot, rise time, settling time, dan steady state error (SSE). Hasil menunjukkan bahwa agen SAC mampu mengendalikan ketinggian air dengan lebih baik dibanding PID dalam aspek overshoot (rata-rata 4,955% pada tangki 1 dan 2,43% pada tangki 2), rise time (32,6 detik pada tangki 1), serta settling time (102,46 detik pada tangki 1 dan 55,06 detik pada tangki 2). Kesimpulannya, SAC unggul dalam kestabilan jangka pendek dengan respons cepat dan akurat, sementara PID lebih baik dalam kestabilan jangka panjang berkat nilai SSE yang sangat kecil.

---

MIMO coupled-tank systems are widely used in industry for fluid level control and become an ideal platform in the study of control systems. Proportional-Integral-Derivative (PID) method is still the standard in industrial process control, but it has limitations in nonlinear and unstable systems because it requires mathematical modeling for parameter determination. This research proposes the use of Reinforcement Learning (RL), specifically the Soft Actor-Critic (SAC) algorithm, as an alternative controller. SAC is a stochastic policy-based RL algorithm capable of learning optimal actions through interaction with the environment and reward-based learning. The system was designed and tested using MATLAB and Simulink, with the PID controller as a comparison. Performance evaluation is performed based on overshoot, rise time, settling time, and steady state error (SSE) parameters. The results show that the SAC agent is able to control the water level better than the PID in terms of overshoot (average of 4.955% in tank 1 and 2.43% in tank 2), rise time (32.6 seconds in tank 1), and settling time (102.46 seconds in tank 1 and 55.06 seconds in tank 2). In conclusion, SAC excels in short-term stability with fast and accurate response, while PID is better in long-term stability thanks to very small SSE values. "

"Sistem tangki berpasangan merupakan salah satu sistem yang banyak digunakan dalam industri proses untuk mengukur ketinggian air dengan akurat. Sistem tangki berpasangan bersifat nonlinear dan saling mempengaruhi antar tangki. Pada penelitian ini, dirancang sistem kendali untuk mengendalikan sistem MIMO coupled-tank menggunakan metode RL berbasis algoritma TD3 serta membandingkan performa kinerjanya dengan metode konvensional PID. Penelitian ini menghasilkan nilai overshoot yang lebih rendah pada metode RL daripada metode PID, yaitu sebesar 4%-56% (tangki 1) dan 2%-12% (tangki 2), sedangkan pada metode PID didapatkan sebesar 9%-55% (tangki 1) dan 9%-56% (tangki 2). Kemudian, nilai settling time relatif cepat pada metode RL yaitu sebesar 10s- 175s (tangki 1) dan 2s - 31s (tangki 2), sedangkan pada metode PID didapatkan nilai settling time sebesar 16s - 92s (tangki 1) dan 15s - 87s (tangki 2). Namun, nilai rise time yang didapat pada metode RL cenderung lebih lambat dibandingkan metode PID. Pada metode RL didapatkan nilai rise time sebesar 5s - 67s (tangki 1) dan 0.4s - 18s (tangki 2), sedangkan metode PID sebesar 5s - 24s (tangki 1) dan 3s - 25s (tangki 2). Terakhir, didapatkan nilai SSE yang lebih kecil pada metode RL yaitu sebesar 0.005% - 0.15% (tangki 1) dan 0.008% - 0.08% (tangki 2), sedangkan pada metode PID sebesar 0.01% - 0.7% (tangki 1) dan 0.01% - 0.8% (tangki 2). Berdasarkan hasil penelitian ini, metode RL TD3 memiliki keunggulan dari sisi kestabilan dan efisiensi kontrol pada sistem nonlinear. Sedangkan, metode PID memiliki respons awal yang cepat namun menghasilkan overshoot yang besar dan waktu stabilisasi yang lama.

---

The coupled-tank system is widely applied in process industries to measure water levels accurately. This system is nonlinear and exhibits mutual influence between tanks, making it a typical example of a multiple-input multiple-output (MIMO) system. In this study, a control system is developed using the TD3 reinforcement learning (RL) algorithm to manage the MIMO coupled-tank system, and its performance is compared to the conventional PID method. Results show that the RL method produces significantly lower overshoot: 4% - 56% (tank 1) and 2% - 12% (tank 2), compared to PID’s 9% - 55% (tank 1) and 9% - 56% (tank 2). The RL approach also achieves faster settling times 10s - 175s (tank 1) and 2s - 31s (tank 2), while PID requires 16s - 92s (tank 1) and 15s - 87s (tank 2). However, RL has slightly slower rise times: 5s - 67s (tank 1) and 0.4s - 18s (tank 2), compared to PID’s 5s - 24s and 3s - 25s. Finally, RL records smaller steady-state errors (SSE), namely 0.005% - 0.15% (tank 1) and 0.008% - 0.08% (tank 2), while PID yields 0.01% - 0.7% and 0.01% - 0.8%, respectively. Overall, the TD3-based RL controller demonstrates better stability and control efficiency, especially for nonlinear systems. In contrast, PID offers faster initial response but suffers from higher overshoot and prolonged stabilization. "

"Coupled-tank system merupakan salah satu model plant yang umum digunakan dalam industri untuk pengendalian sistem multivariabel. Meskipun metode PID banyak digunakan dalam industri, pendekatan ini memiliki keterbatasan saat diterapkan pada sistem nonlinear seperti coupled-tank MIMO system. Oleh karena itu, metode RL DDPG hadir sebagai pendekatan inovatif untuk sistem kendali. Algoritma DDPG dipilih karena kemampuannya menangani state dan action yang kontinu seperti coupled-tank MIMO system tanpa memerlukan model matematis eksplisit. Perancangan dan pengujian dilakukan menggunakan software MATLAB dan Simulink. Kinerja metode RL DDPG dibandingkan dengan metode PID berdasarkan parameter performa sistem kendali, yaitu overshoot, rise time, settling time, dan steady-state error. Hasil penelitian menunjukkan bahwa metode RL DDPG memberikan performa pengendalian yang lebih baik. Rata-rata overshoot yang dihasilkan adalah 1,48% untuk tangki 1 dan 0,58% untuk tangki 2, jauh lebih rendah dibandingkan metode PID yang mencapai 20,86% dan 21,73%. RL DDPG juga menunjukkan rata-rata settling time yang lebih cepat, yaitu 119,23 detik untuk tangki 1 dan 111,66 detik untuk tangki 2, dibandingkan PID yang mencapai 196,79 detik (tangki 1) dan 177,54 detik (tangki 2). Parameter rise time dan steady-state error juga menunjukkan performa yang baik pada metode RL, masing-masing sebesar 35,64 detik dan 35,18 detik untuk rise time, serta 0,18% dan 0,25% untuk steady-state error. Berdasarkan hasil penelitian ini, metode RL DDPG cukup efektif sebagai solusi alternatif, terutama dalam hal kestabilan sistem.

---

The coupled-tank system is a widely used plant model in industry for multivariable control applications. Although the PID method is commonly applied due to its simplicity and effectiveness, it has limitations when applied to nonlinear systems such as the coupled-tank MIMO system. Therefore, the Reinforcement Learning (RL) method with the Deep Deterministic Policy Gradient (DDPG) algorithm is introduced as an innovative control approach. The DDPG algorithm was chosen for its ability to handle continuous state and action spaces, such as those in the coupled-tank MIMO system, without requiring an explicit mathematical model. The system was designed and tested using MATLAB and Simulink software. The performance of the RL-DDPG method was compared with the PID method based on standard control performance parameters: overshoot, rise time, settling time, and steady-state error. The results show that the RL-DDPG method provided better control performance. The average overshoot was 1.48% for tank 1 and 0.58% for tank 2, significantly lower than the PID method, which reached 20.86% and 21.73%, respectively. The RL-DDPG method also achieved faster average settling times, at 119.23 seconds for tank 1 and 111.66 seconds for tank 2, compared to 196.79 seconds (tank 1) and 177.54 seconds (tank 2) with the PID method. The rise time and steady-state error parameters also indicated strong performance with the RL-DDPG method, at 35.64 and 35.18 seconds for rise time, and 0.18% and 0.25% for steady-state error. Based on these findings, the RL-DDPG method is considered an effective alternative solution, particularly in terms of system stability."