Hasil Pencarian  ::  Simpan CSV :: Kembali

"Teknologi hidroponik dalam dunia pertanian merupakan sebuah teknologi yang cukup menjanjikan dan memiliki ruang perkembangan yang cukup luas. Didukung dengan konsep yang memudahkan para petani dengan metode ini, sejumlah petani baik di Indonesia ataupun di negara asing, semakin banyak yang mulai beralih ke teknologi hidroponik. Bukan hanya itu, hidroponik pun terbukti memberi beberapa keuntungan lain, seperti: penggunaan lahan yang cenderung lebih kecil, pemberian nutrisi yang cukup mudah, media yang cukup mudah dipindahkan, serta hasil tanaman yang cenderung lebih segar (organik).Dikarenakan kemudahan yang ditawarkan oleh hidroponik, sekarang ini, bukan hanya para petani saja yang menerapkan teknologi ini, namun juga orang-orang yang menggeluti hobi berkebun. Di beberapa rumah atau gedung perkantoran, sudah dapat dilihat aplikasi teknologi tanaman hidroponik, baik untuk dipanen nantinya, atau pun hanya sebagai tanaman penghias. Meskipun teknologi ini dapat dibilang cenderung mudah, namun beberapa petani atau pekebun rumahan terkadang masih mengalami kesulitan dalam mendapatkan hasil tanaman yang diinginkan, dikarenakan kelalaian dalam mengurus tanaman tersebut, baik dari segi nutrisi, keasaman larutan, ataupun pencahayaan, yang merupakan elemen penting dalam metode penanaman hidroponik.Pada skripsi ini, dibuatlah sebuah desain alat yang dapat membantu para penanam hidroponik dengan membuat otomasi perawatan tanaman, baik dari segi nutrisi, keasaman larutan, serta pencahayan, dengan menggunakan bantuan mikrokontroler, sensor dan aktuator, serta sebuah user interface yang bisa digunakan oleh pengguna untuk memasukkan data pH yang diinginkan.Hasil yang didapat adalah bahwa sistem dapat menjalankan fungsi yang dibuat dan tujuan yang ingin dicapai, mulai dari pemberian nutrisi, pengaturan cahaya, serta menjaga tetap nilai pH dalam jangka waktu yang panjang. Adapun kendala yang dihadapi adalah kecepatan sensor pH untuk mendapat nilai yang terbaca masih cenderung lambat, sehingga saat sistem menjaga nilai pH masih belum terlalu sempurna dan masih sedikit mengalami offset.

---

Hydroponic technology in agriculture is one promising technology and has a wide possibility for improvement. Supported with a concept that help farmers with this method, some of the farmers, be it in Indonesia or other foreign countries, are starting to use this hydroponic technology in their farming routines. Moreover, hydroponic has been proven to give other advantages, such as: smaller space used, a considerably easy provision of nutrition, flexible media to move, or the end product which is tend to be fresher (organic).Which such advantages provided, nowadays, hydroponics are not only applied by farmers but also by some plant hobbyists. In some houses or company buildings, we can already see some application of hydroponics plantation, be it to be reaped afterwards, or just for a decoration.Even though this technology is said to be considerably easy to apply, some of the house farmers/hobbyists tend to have some difficulties when it comes to getting the desired end result for their plants, because of the lack of supervision on the plants, be it the nutrition, solution acidity, or lighting, which are the essential elements for hydroponic plantation methods.On this thesis, we designed a syste that can help people who grow hydroponic plants, to maintain their plants, be it the nutrition, solution acidity, or the lighting, using the help of microcontroller, sensor, and actuators, and also a user interface that can help the user to input the data of pH they desired.The result of this thesis proves that the system built can successfully run the function made and reach the goal of this system, such as pumping nutrition, lighting adjustment, and keeping the value of acidity (pH) in a long run. Though, there's still one problem with speed of sensor to obtain the data needed, which is considerably slow, so that the system can't perfectly keep the pH value and have a little offset."

"Quadcopter atau Quadrotor adalah sebuah jenis helikopter tanpa awak yang memiliki empat rotor yang terpasang dengan propeller. Pada quadcopter memiliki 2 buah rotor yang berputar searah jarum jam dan 2 buah rotor yang berputar berlawanan arah jarum jam. Pada sebuah quadcopter memiliki keseimbangan yang tidak stabil secara aerodinamis sehingga memerlukan komputer untuk mengkonversi perintah input menjadi perintah yang dapat mengganti kecepatan rotasi dari propeller sehingga menghasilkan gerakan yang diinginkan. Seiring dengan perkembangan teknologi, khususnya Artificial Intelligence dan Machine Learning, teknologi telah menjadi bagian penting serta berpengaruh secara signifikan dalam kehidupan manusia. Pengaplikassian Artificcial Intelligence seperti Neural Network juga tidak luput pengaplikasiannya di bidang Quadcopter Unmanned Aerial Vehicles (UAV). Dalam hal ini Neural Network digunakan sebagai basis dari metode pengendalian yang hendak diaplikasikan pada Quadcopter Unmanned Aerial Vehicles (UAV) yang disebut sebagai Pengendali Neural Network. Metode pengendalian Neural Network merupakan metode pengendalian yang memiliki model matematika yang disusun oleh Artificial Neural Network (ANN) dimana pengendali Neural Network terdiri dari dua buah komponen dasar yakni komponen inverse dan komponen identifikasi. Jenis pengendali yang digunakan untuk menstabilisasi manuver pada pergerakan Quadcopter UAV kemudian diuji dan diverifikasi melalui simulasi yang dilakukan dengan bahasa pemrograman MATLAB serta dilakukan perbandingan dengan pengendali Single Neuron Adaptive PID sebagai pembanding dalam hal performa pengendali.

---

A quadcopter, or quadrotor, is an unmanned helicopter with four rotors equipped with propellers. In a quadcopter, two rotors spin clockwise, and two rotors spin counterclockwise. A quadcopter has an aerodynamically unstable balance, which requires a computer to convert input commands into instructions that can change the rotation speed of the propellers to produce the desired movements. With the advancement of technology, especially Artificial Intelligence and Machine Learning, technology has become an integral and influential part of human life. Artificial Intelligence, such as Neural Networks, is also applied in the field of Quadcopter Autonomous Aerial Vehicles (UAV). In this context, Neural Networks are used as the basis for control methods to be applied to Quadcopter Unmanned Aerial Vehicles (UAV), referred to as Neural Network Controllers. The Neural Network Controller method is a control method with a mathematical model constructed by an Artificial Neural Network (ANN) consisting of two primary components: the inverse component and the identification component. The type of controller used to stabilize the maneuvers in the movement of the Quadcopter UAV is then tested and verified through simulations conducted in the MATLAB programming language and compared with Single Neuron Adaptive PID (SNAPID) controllers regarding controller performance."

"Berkendara adalah salah satu aktivivitas yang berbahaya. Kegagalan atau kesahalan pengemudi dalam mengemudikan kendaraan (seperti kurangnya focus, mengantuk dan penyakit) menjadi salah satu penyebab kecelakaan yang paling besar. Oleh karena itu, Advanced Driving Assistance System (ADAS) telah menjadi fokus penelitian yang dilakukan pada ranah akademis dan industri. Salah satu model ADAS yang dikembangkan yakni Lane Keeping Assistance System. Sistem bantuan ini memanfaatkan informasi yang diberikan oleh vision system (geometri jalan, dan posisi kendaraan), sensor devices (torsi, sudut kemudi, yaw angle, dan tingkah laku pengemudi) untuk dikalkulasikan agar kendaraan tetap berada di jalur yang tepat. Penelitian ini berfokus pada pengembangan pengendali lateral dengan menggunakan Model Predictive Control (MPC) untuk mengatasi masalah model kendaraan yang non linier, gangguan eksternal, keadaan kendaraan dan lingkungan kendaraan yang bervariasi, serta sharing control antara pengemudi dengan sistem bantuan. Secara umum, skema pengendalian terbagi menjadi tiga bagian, yaitu persepsi yang berfungsi untuk mendeteksi marka jalan dengan menggunakan sensor ADAS yang terdapat pada CarSim. Selanjutnya memodelkan referensi trajektori sebagai set point dalam pengendalian. Terakhir, pengendali lane keeping dengan MPC. Dalam penelitian ini, menggunakan model identifikasi bertingkat untuk mendapatkan model kendaraan yang mendekati model yang sesungguhnya. Hasil identifikasi ini kemudian akan digunakan pada MPC. Secara keseluruhan, penelitian ini menggunakan MATLAB®, Simulink®, dan Mechanical Simulation CarSim. Hasil percobaan menunjukkan MPC memiliki kemampuan yang baik untuk menjaga kendaraan tetap berada dijalur yang tepat.

---

Driving is a dangerous activiy. The failure of human driver’s performance (for example inattention, drowsiness, and illness) remains one of the most important causes the accident. Therefore, advanced driving assistance system (ADAS) have become the focus research in both academy and industry settings. The one part of ADAS models developed is the lane keeping assistance system. The assistance system of line keeping assist utilizes information that provided by the vision system (like road geometry, and vehicle position), and by sensor devices (like torque, steering angle, yaw angle, yaw rate error, and driver behavior). Then the informations is calculated so the vehicle stays in the center of the lane. This study has been focused on the development of lateral control for autonomous driving based on Model Predictive Control (MPC). The propose strategy utilized MPC to solve many shortcomings in terms of overcoming non-liner vehicle models, external disturbance, varying vehicle state and environment, and sharing control between humans and assistance system. Generally, scheme control method devided into three part: perception serves to detect boundary lines by using ADAS sensor in CarSim. Then reference trajectory generation as a set point in control. The last is controlling the vehicle keep in the center of the line. In this study, also using a multistage identification to obtain a dynamic lateral bicycle vehicle model that approaches the actual model. The result of identification model will be used for MPC controllers. The overall system has been developed using MATLAB®, Simulink®, and Mechanical Simulation CarSim. The experimental result show that MPC method have a good performance for keep the vehicle in the center of the lane."

"Dalam dunia sekarang ini pemodelan sistem menjadi hal yang penting dalam pengembangan dunia teknologi. Berbagai cara telah dilakukan untuk membuat algoritma pemodelan sistem yang baik dan tantangan yang dihadapi pun semakin banyak. Salah satunya tantangan yang perlu dihadapi adalah adanya sistem yang kompleks. Dalam contoh praktis, penggunaan model sistem multivariabel dalam menggambarkan sistem sungguhan sudah menjadi hal yang umum untuk memenuhi tuntutan zaman. Salah satu usaha untuk dapat memodelkan sistem multivariabel adalah dengan menggunakan algoritma machine learning dengan struktur artificial neural network. Algoritma ini memiliki kemampuan untuk dapat meningkatkan performanya secara otomatis sehingga diharapkan dapat membangun pemodelan yang terbaik untuk sistem yang ingin dimodelkan secara otomatis juga sehingga dapat memudahkan kerja manusia tanpa harus membangun persamaan matematis secara manual terlebih dahulu. Studi ini ingin memelajari hasil yang didapatkan dari percobaan pemodelan sistem dinamik pesawat terbang dengan menggunakan artificial neural network dan menjadikan hasil studi tersebut bahan pengembangan lebih lanjut dalam teknologi pemodelan sistem menggunakan artificial neural network.

---

In the modern world, system modelling becomes an important part of technology development. Various ways have been done to create good system modelling algorithms and with that more and more challenge comes. One of the challenges that need to be faced is the existence of complex systems. For example, using multivariable system model to represent real world system is becoming common nowadays to fulfil demands. One effort to model a multivariable system is to use machine learning algorithms with artificial neural network structures. This algorithm has the capability to be able to improve its performance automatically so it is expected to build the best model parameter for the system that wants to be modelled. Also, this helps to make modelling easier for human without having to build a mathematical equation manually first. This study wanted to present the results from experimental modelling of aircraft dynamic systems by using artificial neural network and with that contribute to the development of system modelling technology using artificial neural network."

"Perkembangan teknologi masa kini membuat kecepatan kendaraan berkembang semakin tinggi. Ini menyebabkan diperlukannya sistem keamanan yang canggih untuk dapat memberikan keamanan yang terjamin kepada kendaraan tersebut. Kendaraan yang memiliki kecepatan tinggi akan memiliki perilaku yaw dan sudut side slip yang berubah saat melakukan manuver tergantung dari sudut kemudi yang diberikan oleh pengemudi. Perubahan nilai yaw rate dan sudut side slip harus mengacu pada setpoint yang telah ditentukan. Jika tidak maka kendaraan menjadi tidak stabil dan tidak dapat dikendalikan. Oleh karena itu diperlukan sebuah pengendali cerdas yang mampu mengendalikan sistem multivariabel, yang mampu bekerja dengan batasan tertentu dan mampu menangani karakteristik sistem dinamik kendaraan roda empat yang nonlinear. Pada penelitian ini digunakan pengendali model predictive control (MPC) pada sistem multivariabel. Pengendali MPC merupakan pengendali yang menggunakan model proses secara eksplisit dalam penghitungan sinyal kendalinya. Model linier digunakan untuk menghitung prediksi keluaran sistem nonlinier dan menghitung besar sinyal kendali agar keluaran sistem nonlinier sesuai dengan acuan. Agar besar kesalahan prediksi keluaran dari model dan keluaran sesungguhnya dari sistem dapat diminimalisasi maka digunakan model ruang keadaan multimodel yang diperoleh melalui metode identifikasi least square. Model yang diperoleh dari hasil identifikasi dapat digunakan untuk pengendalian MPC sebab memiliki nilai 𝐽𝑒𝑒 dan FPE yang rendah, nilai eigen berada di dalam unit circle, serta memiliki sifat fully controllable dan fully observable. Pengendali MPC berbasis singlemodel linear kemudian dirancang untuk mengendalikan sistem dinamik kendaraan roda empat yang bersifat MIMO (multi input multi output), dengan keluaran berupa sudut side slip dan yaw rate, sedangkan pengendali MPC berbasis multimodel linear dirancang untuk mengendalikan sistem dinamik kendaraan roda empat yang bersifat MISO (multi input single output), dengan keluaran berupa yaw rate. Untuk memperoleh pengendalian yang terbaik, pengendali MPC disimulasikan pada sistem linear dan nonlinear. Variasi nilai 𝐻𝑝, 𝐻𝑢, Q, dan R diberikan untuk mengetahui pengaruh perubahan nilai parameter pengendali MPC terhadap karakteristik sinyal kendali masukan dan sinyal respon keluaran sistem, serta waktu komputasi dan nilai loss function

---

The development of current technology makes developing vehicle speed more higher than before. This case led to the need for sophisticated security system can provide guaranteed security to the vehicle. Vehicles which have a fairly high speed will have the behavior of the yaw and side slip angle of the body when performing maneuvers that change depending on the steering angle is given by the driver. Changes in the value of yaw rate and side slip angle of the body must refer to a predetermined setpoint. If not, then the vehicle becomes unstable and can not be controlled. Therefore we need an intelligent controller capable of controlling multivariable system, which is able to work with certain restrictions and able to handle the dynamic system characteristics of four-wheel drive nonlinear. This research are used a model predictive controller control (MPC) on multivariable system. MPC controller is a controller that use a process model explicitly in the calculation of control signals. Linear model is used to calculate the output prediction of nonlinear systems and control signals in order to calculate the output nonlinear systems in accordance with reference. In order for the prediction errors of the model output and the actual output of the system can be minimized then used multimodel state space model that obtained through the method of least squares identification. Models that obtained from the identification could be used to control because the MPC has 𝐽𝑒𝑒 and FPE values are low, the eigen values are inside the unit circle, and has a fully controllable properties and fully observable. MPC controller bases linear singlemodel then designed for controlling dynamic system four-wheeled vehicle that is MIMO (multi-input multi-output), the output are side slip angle and yaw rate, while the MPC controller bases linear multimodel is designed to control the dynamical system of four-wheel vehicle is MISO (multiple input single output), with the output is yaw rate. To obtain the best control, the MPC controller is simulated in linear and nonlinear systems. The variations of 𝐻𝑝, 𝐻𝑢, Q, and R value are given to determine the effect of changes in the value of the MPC controller parameters on the characteristics of the control signal input and signal output response system, as well as the computational time and the value of loss function."

"Perangkat di dalam pusat data berkerja secara terus menerus sepanjang waktu dan akan menghasilkan panas yang cukup tinggi. Dengan demikian ruangan pusat data akan dikondisikan dingin. Spesifikasi dari ruangan pusat data yaitu dengan ruangan suhu sebesar 18o-27o C dan kelembaban sebesar 45%-60%. Suhu tersebut dibutuhkan untuk menjaga perangkat didalam pusat data karena beberapa peralatan didalam pusat data sensitif terhadap panas. Kelembaban mempengaruhi kadar air didalam ruangan yang berpotensi mengakibatkan hubugan singkat listrik dari perangkat. Dengan demikian diperlukan suatu perangkat mesin pendingin data center atau dikenal dengan Computer Room Air Conditioner (CRAC) Laporan skripsi ini bertujuan untuk untuk merancang suatu pengendali prediktif MPC dengan constraint yang diterapkan pada sistem CRAC nonlinear, dimana model yang digunakan merupakan Model Linear bertingkat. Dilakukanproses Identifikasi dan Perancangan Pengendali MPC Sistem CRAC dengan menggunakan ketiga jenis model Least Square bertingkat. Hasil Simulasi identifikasi Least Square bertingkat dari sistem CRAC menunjukkan bahwa salah satu jenis model menghasilkan hasil yang baik dan dapat digunakan untuk mendisain pengendali MPC. Hasil validasi model tersebut pun baik. Model yang diperoleh dari hasil identifikasi dapat digunakan untuk pengendalian MPC sebab memiliki nilai 𝑱𝑳𝑺 dan FPE yang rendah, nilai eigen berada di dalam unit circle, serta memiliki sifat fully controllable dan fully observable. Dilakukan simulasi pengendali MPC dengan menggunakan model Least Square bertingkat untuk mengendalikan mesin pendingin CRAC yang bersifat MIMO (multi input singleoutput), dengan keluaran berupa temperatur udara masuk ke dalam pusat data. Percobaan simulasi menggunakan MPC dengan constraint dengan model linier dan nonlinier yang divariasikan parameter Hu, Hp, Q, dan R. Hasil dari pengujian tersebut adalah MPC menghasilkan nilai yang baik dan mengikuti acuan pada nilai Hp= 8, Hu=4, Q=1,5, dan R=50 untuk sistem linier, dan nilai Hp=8, Hu=4, Q=1,5, dan R=10 untuk sistem nonlinier. Serta hasil pengendalian MPC menggunakan model Least Square bertingkat menujukkan hasil yang lebih baik daripadapengendalian MPC menggunakan model Least Square biasa.

---

Hardwares in data center work continuously over time and will produce high enough heat. Thus the data center will be conditioned cool. The spesification of data center temperature is 18o-27o C and the humidity is 45%-60%. The temperature needed to keep the hardwares work in their optimal state. Humidity affect water content of air in data center. Thus we need a device to keep temperature and humidity. The device known as Computer Room Air Conditioner (CRAC). This essay aims to report the design of a predictive controller with MPC constraint applied to the CRAC nonlinear systems, where the model used a multi stage linear model. Carried out the MPC Identification and Control Design CRAC system with three types of models using Least Square multistage. Simulation results of a multistage least squares identification of CRAC system shows that the model produces one type of good results and can be used to design the MPC controller. The results of the validation of the model also good. Models obtained from the identification could be used to control MPC because gives low value of JLS and FPE, eigen value in unit circle, and have fully controllable and fully observable characteristic. MPC controller simulation using Least Square multistage models. Simulation experiments using MPC with constraints with linear and nonlinear models were varied parameters Hu, Hp, Q, and R. The results of these tests are MPC produces good value and follows the reference at Hp= 8, Hu=4, Q=1,5, and R=50 for linear system, and Hp=8, Hu=4, Q=1,5, and R=10 for nonlinear system. And the results of the MPC control using Least Square multilevel models showed better results than the MPC control using ordinary least square models."

"Seiring dengan bertambahnya tuntutan akan kendaraan yang lebih baik, keamanan pengemudi kendaraan juga harus diperbaiki. Permasalahan yang terkait dengan Vehicle Dynamics Control (VDC) adalah model yang nonlinear yang sering menimbulkan kesulitan dalam mengendalikan variabel-variabel keadaan. Linearisasi model umumnya dilakukan dengan beberapa asumsi dan simplifikasi yang dapat menghasilkan kesalahan yang besar dan mempengaruhi performa sistem. Pada penelitian ini, pengendalian dari yaw rate dan kecepatan mobil listrik diajukan dengan menggunakan pengendali prediktif. Jenis pengendali prediktif nonlinear ini dipilih karena kemampuan optimasi pengendalian sebagai permasalahan quadratic programming. Dalam pengembangan model prediksi, sudut setir dari pengemudi dianggap sebagai gangguan. Dinamika nonlinear kendaraan diidentifikasi dengan menggunakan identifikasi least square multistage dan divalidasi menggunakan performance indicatorloss function dan Final Prediction Error (FPE). Setpoint untuk yaw rate dihasilkan oleh model referensi sebagai fungsi statik dari kecepatan dan sudut setir, sedangkan nilai referensi untuk kecepatan adalah konstan. Pengendali selanjutnya memberikan kompensasi untuk sudut setir dan gaya longitudinal untuk roda. Performa pengendalian diverifikasi dengan simulasi untuk menunjukkan kemampuan untuk mengikuti perubahan setpointyang diberikan.

---

As the demand for better vehicles increases, the driver’s safety must also be improved. The problem with Vehicle Dynamics Control (VDC) is the nonlinearity of the model often causes difficulties in controlling the state variables. Linearization of the model is usually performed with several assumptions and simplification which leads to large errors that affect the performance of the controlled system. In this research, a yaw rate and vehicle’s velocity control of an electric vehicle is proposed using a predictive control. This type of nonlinear predictive controller is chosen due to its capability of optimizing the control as a quadratic programming problem. In the development of the prediction model, the driver’s steer angle is considered as disturbance. The nonlinear vehicle dynamics is identified by a Multistage Least Square identification method and validated using performance indicators loss function and Final Prediction Error (FPE). The setpoint for the yaw rate is generated by a reference model as a static function of vehicle velocity and driver’s steer angle, while the reference value for the velocity is given constant. The controller then gives compensation to the driver’s steer angle and longitudinal forces to the wheels. The control perforrmance is verified by simulation to show the ability to track the setpoint changes."