Hasil Pencarian  ::  Simpan CSV :: Kembali

"Pengukuran suhu dilakukan dengan mengkonversikan beda tegangan yang timbul karena adanya perubahan suhu di sekitar sensor. Karena beda tegangan thermocouple hanya sebanding dengan perbedaan suhu antara simpul ukur dan simpul acuan thermocouple, maka diperlukan sensor lain untuk mengukur suhu simpul acuan. Jadi hasil akhir pengukuran merupakan penjumlahan antara suhu basil konversi beda tegangan thermocouple dan suhu hasil konversi sensor pengukur suhu simpul acuan, dalam hal ini LM-35. Beda tegangan kedua sensor tersebut dibu$er, dikuatkan, dan dijumlah, sampai memenuhi kondisi tertentu sehingga perubahan beda tegangan karena perubahan suhu dapat d identifikasi oleh wialog input interface card_ Pada kartu interface ini, beda tegangan disampling menjadi data digital 8 bit. Data ini diambil oleh komputer melalui IC PPI pads kartu interface tersebut. Data hasil pengambilan dari analog input interface card dikonversikan dalam bentuk besaran suhu, dan dijumlahkan, sehingga hasil pengukuran merupakan suhu pada simpul ukur thermocouple. Kalibrasi sensor dilakukan dengan terlebih dahulu mengkalibrasi sensor simpul acuan (LM-35) pads suhu 0_C, baru kemudian mengkalibrasi thermocouple pada suhu tertentu. Pengambilan dan penyimpanan data suhu dilakukan secara kontinyu dengan interfal waktu satu detik, sehingga akan memudahkan proses pelaporan dan pemeriksaan data. Dengan memberikan batasan pengukuran pada masing-masing sensor, diberikan suatu algoritma dimana masing-masing sensor akan saling memeriksa harga suhu pengukuran sensor pasangannya. Alarm kondisi sensor akan menyala jika terdapat kejanggalan harga suhu salah satu sensor terhadap sensor pasangannya."

"Pemetaan suhu perlu dilakukan pada saat gudang atau alat pendingin pertama kali digunakan. Selain itu, pemetaan suhu diperlukan secara berkala sesuai dengan kebijakn yang berlaku untuk pemastian efektivitas penyimpanan berada pada suhu yang dipersyaratkan sesuai dengan produk yang diperuntukkan. Oleh karena itu, diperlukan pemetaan suhu dengan prosedur yang sesuai untuk memastikan suhu pada mesin terutama chiller. Prosedur yang digunakan dalam metode ini mengikuti Protokol Pemetaan Suhu di PT Enseval Putra Megatrading. Dari hasil analisis didapatkan bahwa terdapat titik panas dengan total 365 kali pencatatan suhu ≥ 7°C dan tidak melewati suhu 8°C. Sementara itu, untuk titik terdingin tercatat 244 kali pencatatan suhu ≤ 3°C dan tidak kurang dari suhu 2°C.

---

Temperature mapping needs to be done when the warehouse or

refrigeration equipment is first used. In addition, temperature mapping is required periodically in accordance with applicable policies to ensure storage effectiveness is at the required temperature according to the intended product. Therefore, it is necessary to map the temperature with the appropriate procedures to ensure the

temperature of the engine, especially the chiller. The procedure used in this method follows the Temperature Mapping Protocol at PT Enseval Putra Megatrading. From the results of the analysis it was found that there were hotspots with a total of 365 recordings of temperatures ≥ 7°C and not exceeding 8°C. Meanwhile, for the coldest point, 244 times the temperature was recorded ≤

3°C and not less than 2°C."

"Sarana distribusi harus menjamin mutu produk obat dan/atau bahan obat, serta menjaga keutuhan rantai distribusi selama proses distribusi yang dilakukan oleh Pedagang Besar Farmasi (PBF). PT Enseval Putera Megatrading merupakan perusahaan yang bergerak di bidang pendistribusian obat dan alat kesehatan yang meliputi pengadaan, penyimpanan, serta pendistribusian obat dan alat kesehatan dalam jumlah besar. Suhu ruangan merupakan salah satu faktor penting dalam penyimpanan obat dan alat kesehatan lainnya. Suhu ruangan harus dipantau secara rutin (minimal 3 kali sehari) dan melakukan pemetaan suhu ruangan untuk mengetahui titik suhu terendah, titik suhu tertinggi, dan Mean Kinetic Temperature di dalam suatu ruangan. PT Enseval Putera Megatrading Cabang Jakarta 3 memiliki 10 lorong dari lorong AA hingga lorong JJ dimana ambient room memiliki suhu penyimpanan ≤30°C. Metode yang digunakan adalah metode prospektif berupa data kualifikasi suhu gudang ambient di Cabang Jakarta 3. Suhu terendah adalah 24,8°C, sedangkan suhu tertinggi yang didapatkan adalah 34,2°C. Penyimpangan suhu pada semua titik terjadi mulai pukul 07.40 hingga 16.10 WIB dan suhu tertinggi pada semua titik terjadi pada rentang waktu 12.30 hingga 13.30 WIB. Hasil Mean Kinetic Temperature (MKT) terendah yang didapatkan adalah 30,6°C yang terletak dekat dengan cool room, sedangkan MKT tertinggi yang didapatkan adalah 31,5°C. Titik worst case terletak di titik 19 dengan penyimpangan selama 7 jam 50 menit dimulai dari pukul 08.20 hingga 16.10 WIB. Berdasarkan nilai MKT yang didapat, gudang ambient PT Enseval Putera Megatrading Cabang Jakarta 3 tidak memenuhi persyaratan kualifikasi suhu MKT dengan suhu ≤30°C.

---

Distribution facilities must guarantee the quality of drug products and/or drug ingredients, also maintain the integrity of the distribution chain during the process carried out by pharmaceutical wholesalers. PT Enseval Putera Megatrading is a company engaged in the distribution of drugs and medical devices which includes procurement, storage, and distribution of drugs and medical devices in large quantities. Room temperature is an important factor in storing medicines and other medical devices. Room temperature must be monitored regularly, at least 3 times a day, and mapped to find out the lowest temperature point, the highest temperature point, and the Mean Kinetic Temperature. PT Enseval Putera Megatrading Jakarta 3 has 10 aisles from aisle AA to aisle JJ where the ambient room temperature must be maintained ≤30°C. The method used is prospective method in the form of ambient room temperature qualification data. The lowest temperature is 24.8°C, while the highest temperature obtained is 34.2°C. Temperature deviations occurred at all points from 07.40 to 16.10 WIB and the highest temperature occurred at all points from 12.30 to 13.30 WIB. The lowest Mean Kinetic Temperature (MKT) obtained was 30.6°C and located close to the cool room, while the highest MKT obtained was 31.5°C. The worst case point is located at point 19 with a deviation of 7 hours 50 minutes starting from 08.20 to 16.10 WIB. Based on the MKT value, the ambient room of PT Enseval Putera Megatrading Jakarta 3 Branch does not meet the MKT temperature requirements with a temperature of ≤30°C."

"Pada penelitian ini dilakukan percobaan mengenai pengaruh suhu dan tekanan tangki destilasi terhadap kinerja permeasi uap dengan membran NaA-Ze dalam pemurnian larutan etanol-air. Pada variabel suhu, konsentrasi rententat tertinggi dan konsentrasi permeat terendah terjadi pada suhu 130oC dengan nilai masing - masing 62% dan 5%. Volume rententat dan permeat tertinggi terjadi pada suhu 130oC dengan nilai masing - masing 202mL dan 679mL. Sedangkan pada variabel tekanan tangki destilasi, konsentrasi rententat tertinggi dan konsentrasi permeat terendah terjadi pada tekanan 1½ bar dengan nilai masing - masing 66% dan 3%, Volume rententat dan permeat tertinggi terjadi pada tekanan 1½ bar dengan nilai masing - masing 180mL dan 1062mL. Untuk variabel suhu, fluks tertinggi diperoleh di suhu 130oC dengan nilai 0,0011 kg/m2.menit dan selektivitas tertinggi diperoleh sebesar 1,066. Sedangkan untuk variabel tekanan tangki destilasi, fluks tertinggi diperoleh di tekanan 1½ bar dengan nilai 0,0016 kg/m2.menit dan selektivitas tertinggi diperoleh sebesar 1,089.

---

In this study conducted experiments on the effect of temperature and pressure on the performance of the distillation tank with a vapor permeation membrane purification NAA-Ze in ethanol-water solution. At temperatures variables, the highest rententat concentration and the lowest permeat concentration occured at 130oC with value 62% and 5%. The highest rententat and permeat volume occurred at 130o with value 202mL and 679mL. While at the variable distillation tank pressure, the highest rententat concentration and the lowest permeat concentration occured at 1½ bars with value 66% and 3%. The highest rententat and permeat volume occured at 1½ bar with value 180ml and 1062mL. For variable temperature, highest flux obtained at 130oC with value 0,0011 kg/m2.min and the highest selectivity is obtained at 1,066. While at the variable distillation tank pressure, the highest flux is obtained at 1½ bar with value 0,0016 kg/m2.min and the highest selectivity is obtained at 1,089."

"

Data LiDAR banyak menggantikan data dua dimensi untuk merepresentasikan data geografis karena kekayaan informasi yang dimilikinya. Salah satu jenis pemrosesan data LiDAR adalah segmentasi semantik tutupan lahan yang mana telah banyak dikembangkan menggunakan pendekatan model deep learning. Algoritma-algoritma tersebut menggunakan representasi jarak Euclidean untuk menyatakan jarak antar poin atau node. Namun, sifat acak dari data LiDAR kurang sesuai jika representasi jarak Euclidean tersebut diterapkan. Untuk mengatasi ketidaksesuaian tersebut, penelitian ini menerapkan representasi jarak non-Euclidean yang secara adaptif diupdate menggunakan nilai kovarian dari set data point cloud. Ide penelitian ini diaplikasikan pada algoritma Dynamic Graph Convolutional Neural Network (DGCNN). Dataset yang digunakan dalam penelitian ini adalah data LiDAR Kupang. Metode pada penelitian ini menghasilkan performa nilai akurasi 75,55%, di mana nilai akurasi ini lebih baik dari algoritma dasar PointNet dengan 65,08% dan DGCNN asli 72,56%. Peningkatan performa yang disebabkan oleh faktor perkalian dengan invers kovarian dari data point cloud dapat meningkatkan kemiripan suatu poin terhadap kelasnya.

---

LiDAR data widely replaces two-dimensional geographic data representation due to its information resources. One of LiDAR data processing tasks is land cover semantic segmentation which has been developed by deep learning model approaches. These algorithms utilize Euclidean distance representation to express the distance between the points. However, LiDAR data with random properties are not suitable to use this distance representation. To overcome this discprepancy, this study implements a non-Euclidean distance representation which is adaptively updated by applying their covariance values. This research methodology was then implemented in Dynamic Graph Convolutional Neural Network (DGCNN) algorithm. The dataset in this research is Kupang LiDAR. The results obtained performance accuracy value of 75.55%, which is better than the baseline PointNet of 65.08% and Dynamic Graph CNN of 72.56%. This performance improvement is caused by a multiplication of the inverse covariance value of point cloud data, which raised the points similarity to the class.

"

"INTISARI Telah dilakukan pengukuran suhu nyala api dengan fotografi speckle. Pala speckle direkam pada Kodak Technical Pan Film dengan menempatkan pembakar antara difuser dan film. Pemotretan dilakukan dua kali pada film yang sama (double exposure), yaitu sebelum dan sesudah ada nyala api. Dengan. adanya perbedaan indeks bias dalam nyala api dan medium, maka kedua pola acak speckle yang direkam bergeser satu terhadap yang lain. pergeseran rekaman ini dapat bersifat celah ganda setelah film tersebut dicuci. Dengan pengamatan pola interferensi yang terjadi, suhu bagian nyala api dapat ditentukan dengan cara membandingkan terhadap suhu referensi. Pada percobaan ini digunakan nyala api dari gas elpiji yang dihubungkan engan pembakar Meker. Kesalahan pengukuran suhu nyala api lebih kecil dibanding perekaman tanpa lensa"

"Kota Metropolitan Bandung Raya mengalami perkembangan cukup pesat yang menyebabkan berkurangya lahan bervegetasi. Selain itu, perbedaan curah hujan pada setiap musim di tahun 2014 ndash; 2016 dapat mempengaruhi tingkat kehijauan vegetasi. Minimnya lahan bervegetasi menunjukan tingkat kehijauan yang rendah sehingga dapat memicu kenaikan suhu permukaan daratan. Pengolahan citra Landsat 8/OLI dengan menggunakan algoritma Land Surface Temperature LST untuk mengetahui suhu permukaan daratan dan Nomalized Difference Index Vegetation NDVI untuk kehijauan vegetasi. Data curah hujan harian selama 15 hari sebelum waktu perekaman citra dikaji untuk menunjukan variasi kehijauan vegetasi dan suhu permukaan daratan. Analisis dilakukan dengan menggunakan metode overlay peta dan perhitungan statistik. Hasil penelitian menunjukan variasi suhu permukaan daratan di bagian utara merupakan wilayah suhu rendah. Pada bagian tengah merupakan wilayah dengan suhu tinggi, sementara di bagian selatan merupakan wilayah suhu yang lebih rendah. Suhu permukaan daratan yang diperoleh paling rendah ialah 0,5 dan paling tinggi >35 C dengan nilai NDVI.

---

Metropolitan Bandung Raya experienced a rapid growth that caused the decreasing of vegetated land. In addition, rainfall differences in each season in 2014 2016 can affect the greenness of vegetation. The lack of vegetated land shows a low greenishness that can trigger an increase in surface temperatures. Landsat 8 OLI image processing using Land Surface Temperature LST algorithm to determine surface temperature of the land and Nomalized Difference Index Vegetation NDVI for green vegetation. Daily rainfall data for 15 days before the image recording time is examined to show variations of green vegetation and surface temperatures. The analysis is done by using map overlay and statistical calculation.

The results showed that the temperature of the mainland surface in the north is the low temperature region. In the middle is a region with high temperatures, while in the southern part is the region of lower temperatures. The lowest surface temperature of the land obtained is 0,5 and at most 35 C with NDVI value."

"Jakarta merupakan Kota Metropolitan yang dinamis dan memiliki wilayah yang luas serta kepadatan penduduk tinggi. Hal tersebut terindikasi dari tingginya perubahan dan intensitas penggunaan lahan yang merupakan dampak dari degradasi lingkungan fisik perkotaan salah satunya adalah terjadi peningkatan suhu permukaan daratan SPD. Tujuan dari penelitian ini untuk mengetahui kaitan antara kehijauan vegetasi dan kerapatan bangunan dengan suhu permukaan daratan Kota Jakarta. Hubungan tersebut dikaji secara spasial dan temporal berdasarkan pengolahan citra Lansat 8 OLI/TIRS tahun 2015 dan 2016 dengan parameter SPD, NDVI, NDBI yang divalidasi dengan data survei lapang pada 60 lokasi yang dipilih secara random sampling. Variasi curah hujan dikaitkan dengan kehijauan vegetasi pada setiap musim. Analisis spasial dilakukan dengan metode overlay yang diperkuat dengan analisa statistik. Hasil penelitian menunjukkan bahwa SPD tinggi terdapat pada wilayah pusat kota yang umumnya merupakan wilayah terbangun, sementara SPD rendah terdapat di wilayah pinggiran kota dengan tutupan lahan vegetasi. SPD pada musim hujan tahun 2016 memiliki nilai suhu maksimum sebesar 29,460C, sedangkan musim kemarau tahun 2015 memiliki suhu yang lebih tinggi dibandingkan tahun 2016 dengan suhu maksimum lebih dari 360C. Nilai SPD memiliki korelasi negatif dengan NDVI yang menunjukkan semakin tingginya nilai kehijauan vegetasi, maka nilai suhu permukaan daratan semakin rendah. Sedangkan SPD memiliki korelasi positif dengan NDBI yang menunjukkan semakin tinggi kerapatan bangunan maka suhu permukaan daratan akan semakin tinggi.

---

Jakarta as a Metropolitan city, has a very dynamic growth with large area and high population density. This is indicated by the high change and intensity of land use which is the impact of urban physical environment degradation, such as the increase of land surface temperature. The aim of the study is to examine the correlation between the greenness of vegetation as well as the buildings density with the land surface temperatures LST of Jakarta. These relationships were assessed spatially and temporally based on Landsat 8 OLI TIRS on 2015 and 2016 with LST, NDVI, NDBI parameters validated by field survey data at 60 randomly selected sampling sites. Rainfall variation is associated with the greenness of vegetation in each season. Spatial analysis is done by overlay method which is reinforced by statistical analysis.

The results showed that high LST was found in central urban areas that were generally build up areas, while low LST were found in suburban areas which covered by a lot of vegetation. LST in the rainy season of 2016 has a maximum temperature value of 29.460C, while the dry season of 2015 has a higher temperature than in 2016 with a maximum temperature of more than 360C. LST value has a negative correlation with NDVI which indicates the higher value of greenness of vegetation, the value of land surface temperature is lower. On the other hand, LST has a positive correlation with NDBI which shows the higher the density of the building, the land surface temperature will be higher."