Hasil Pencarian  ::  Simpan CSV :: Kembali

Hasil Pencarian

Ditemukan 161495 dokumen yang sesuai dengan query
cover
Aplikasi jaringan syaraf tiruan untuk peramahan beban tenaga listrik jangka panjang pada sistem kelistrikan di Indonesia
"It has been studied the forecasting of electric power peak load in the Indonesian electric system by
using Artificial Neural Network (ANAU) Back Propagation method with the study period is 2000 - 2025.
The long-range forecasting of electric peak load is influenced by economic factors. in this study, it?s
selected the economic data which is estimated very influence to forecasting, which in this case become
input ofAN1\L i. e.: Gross of Domestic Product (GDP) per-capita, Population, Amount of Households,
Electrification Ratio, Amount of CO, Pollution, Crude Oil Price, Coal Price, Usage of Final Energy,
Usage Qf Final Energy on Industrial Sector; and Average Electric Charges. Data used for study are
actual data, start year 1990 up to 2000. Result of the peak load forecasting in the end of study (2025) by
using ANN is 85,504 MHC meanwhile the load forecasting in the National Electricity General lan
(NEGP) is 79,920 MW (the difference of both is about 6. 6%). Based on ANN approach is obtained results
that the peak load forecasting in Indonesia in the year 2005, 2010, 2015, 2020 and 2025 are 16,516 MHC
24,402 MHC 36, 15 7 MIK 56,060 MW and85,584 MW respectively.
"
Jurnal Teknologi, Vol. 19 (3) September 2005 : 211-217, 2005
JUTE-19-3-Sep2005-211
Artikel Jurnal  Universitas Indonesia Library
cover
M. Ilham Fauzi
Aplikasi jaringan syaraf tiruan untuk identifikasi sistem Kiln Semen
"ABSTRAK
Tesis ini membahas identifikasi sistem kiln semen dengan Jaringan Syaraf Tiruan (JST), yang meliputi penentuan parameter yang dibutuhkan untuk pemodelan sistem tersebut, dan perancangan JST yang digunakan untuk identifikasi tersebut. Dalam tesis ini digunakan struktur Multi-Layer Feedforward Network yang terdiri dari lapisan masukan, lapisan keluaran dan 2 buah lapisan tersembunyi. Data diperoleh dari kiln semen yang sebenarnya yaitu dari Pabrik Tuban-II PT. Semen Gresik (Persero) tbk., kemudian data tersebut digunakan untuk melatih JST. Untuk melakukan identifikasi menggunakan model masukan-keluaran dengan struktur serial-paralel dan pelatihan JST tersebut menggunakan algoritma Error Back Propagation. Hasil identifikasi selanjutnya disimulasikan dan dibandingkan dengan plant yang sebenarnya.
ABSTRACT
This thesis discuss about system identification of cement kiln using Artificial Neural Network (ANN). The process of system identification using ANN requires to define of the input and output parameters, and to decide ANN's structure. In this thesis, the Feedforward Multi-Layer Network is used which contain input layer, output layer and two hidden layers. The data are collected from the real cement kiln at Pabrik Tuban-II PT. Semen Gresik (Persero) tbk, then good data are selected for training the ANN. In this thesis is using Serial-Parallel Structure and training algorithm is using Error Back Propagation method. The result of the identification is then simulated and compared to the real plant."
Fakultas Teknik Universitas Indonesia, 2001
T-Pdf
UI - Tesis Membership  Universitas Indonesia Library
cover
Jefry Suryadi
Perbaikan stabilitas peralihan sistem tenaga listrik dengan pengendali jaringan syaraf tiruan untuk koordinasi kendali eksitasi dan penggerak utama
"Kebutuhan akan energi listrik tidak akan pemah berakhir dan selalu meningkat. Seiring dengan perkembangan jaman, energi listrik telah menjadi bagian penting dalam kehidupan manusia. Oleh karena itulah seiring dengan perkembangan teknologi maka proses pembangkitan telah mengalami kemajuan dan juga sistem interkoneksi antara pembangkit sehingga dapat memenuhi kebutuhan daya yang besar. Dalam suatu sistem tenaga listrik yang besar maka stabilitas sistem dalam menyalurkan energi listrik merupakan bagian yang penting.
Adanya gangguan pada sistem baik yang terjadi pada saluran transmisi, pembangkit, dan beban akan mengakibatkan sistem kehilangan kestabilan. Pada sistem yang saling terinterkoneksi maka gangguan pada salah satu pembangkit akan berdampak pembangkit lain ikut merasakan adanya gangguan. Jika gangguan masih dalam skala kecil dan waktu yang singkat maka biasanya sistem masih dapat mengatasinya. Tetapi jika gangguan yang terjadi dalam skala besar dan waktu yang lama maka sistem menjadi tidak stabil dan menganggu penyaluran listrik. Bahkan dampak yang lebih buruk dapat mengakibatkan terjadinya pemadaman listrik (black out).
Makalah ini akan membahas dan mensimulasikan mengenai perbaikan stabilitas sistem tenaga listrik dengan kendali eksitasi dan penggerak utama yang dikoordinasikan oleh pengendali Jaringan Syaraf Tiruan. Dengan adanya koordinasi oleh pengendali Jaringan Syaraf Tiruan diharapkan sistem tenaga listrik dapat mempunyai tanggapan perbaikan yang lebih cepat dan juga penambahan waktu pemutusan kritisnya. Selain itu akan dilihat pula dampak dari gangguan simetris dan asimetris pada sistem tenaga listrik karena pada dasarnya karakteristik kedua macam gangguan tersebut berbeda."
Depok: Fakultas Teknik Universitas Indonesia, 2006
S40263
UI - Skripsi Membership  Universitas Indonesia Library
cover
Fajar Alya RahmanFajar Alya Rahman
Peramalan Beban Listrik Jangka Pendek Menggunakan Jaringan Syaraf Tiruan = Short Term Electrical Load Forecasting Using Artificial Neural Network
"[ABSTRAK
Peramalan beban listrik memegang peranan yang sangat penting bagi efisiensi dan
kinerja dari PLN. Berbagai jenis metode dipakai untuk mendapatkan hasil peramalan beban yang akurat agar daya yang dikirimkan sesuai dengan kebutuhan
listrik dari konsumen. Skripsi ini membahas peramalan beban jangka pendek satu minggu ke depan dengan menggunakan Jaringan Syaraf Tiruan (JST). Peramalan
beban jangka pendek sangat dipengaruhi oleh faktor-faktor cuaca, yang dalam hal ini menjadi masukan JST, yaitu : Suhu, Kelembaban, Tekanan udara, dan
Kecepatan angin. Data yang digunakan untuk pembelajaran adalah data sebenarnya sepanjang tahun 2011. Arsitektur yang digunakan adalah feed-forward
dan algoritma yang dipakai adalah algoritma backpropagation. Berdasarkan hasil
didapatkan nilai MAPE terbaik sebesar 1.8 % dan untuk 10 kali running sebesar 2.65 % sehingga berada di bawah ambang kesalahan peramalan.
ABSTRAK
Electrical load forecasting has an important role for efficiency and performance
from PLN.Various types of methods have been used to provide an accurate load
forecasting on purpose that the transmitted power appropriates the demand of
consumers. This research will discuss short term load forecasting using Artificial
Neural Network (ANN). Short term load is influenced by weather factors, those
will become input of ANN, i.e. : Temperature, Humidity, Pressure, Wind speed,
Data used for study are actual data in 2011. Architecture used for this research is
feed-forward and Algorithm that is used is backpropagation . The final result
shows that the best MAPE is 1.8 % and for 2.65 % for 10 iterations which are
below the forecasting error limit., Electrical load forecasting has an important role for efficiency and performance
from PLN.Various types of methods have been used to provide an accurate load
forecasting on purpose that the transmitted power appropriates the demand of
consumers. This research will discuss short term load forecasting using Artificial
Neural Network (ANN). Short term load is influenced by weather factors, those
will become input of ANN, i.e. : Temperature, Humidity, Pressure, Wind speed,
Data used for study are actual data in 2011. Architecture used for this research is
feed-forward and Algorithm that is used is backpropagation . The final result
shows that the best MAPE is 1.8 % and for 2.65 % for 10 iterations which are
below the forecasting error limit.]"
Fakultas Teknik Universitas Indonesia, 2012
S54227
UI - Skripsi Open  Universitas Indonesia Library
cover
Indira Untari
Peramalan beban jangka pendek pada sistem distribusi dengan penetrasi PV rooftop di Jakarta menggunakan teknik jaringan syaraf tiruan (artificial neural network) = Short term load forecasting in distribution systems with PV rooftop penetration in Jakarta using artificial neural network techniques
"Perkembangan teknologi yang sangat pesat di bidang kelistrikan saat ini adalah pemanfaatan distributed generation khususnya PLTS Atap atau dikenal dengan PV Rooftop. Pelanggan memanfaatkan energi listrik dari PV Rooftop untuk kebutuhan listriknya dan juga dapat mentransfer energinya (eksport) ke system kelistrikan PLN jika energi dari PV Rooftop berlebih. Sedangkan PLN tetap mengirimkan energi ke pelanggan jika energi dari PV tidak memenuhi konsumsi listriknya (import). Dengan ketersediaan data smart-meter orde jam beban pelanggan PV Rooftop, maka optimalisasi data untuk keperluan data scientist, data analyst, dan data engineer sehingga informasi data ini dapat dignakan untuk manajemen energi yang efisien dan andal. Peralaman beban untuk pelanggan PV menjadi masalah yang sulit dipecahkan dikarenakan beragamnya tipe penggunaan listrik (konsumsi listrik) dan ketidakpastian faktor eksternal (cuaca) karena penggunaan sumber energi terbarukan (energi matahari) sehingga menimbulkan celah dalam akurasinya. Untuk memecahkan masalah tersebut, penelitian ini menggunakan pendekatan machine-learning yaitu Jaringan Syaraf Tiruan (Artificial Neural Network-ANN) pada MATLAB® dengan algoritma pembelajaran backpropagation dan fungsi aktivasi sigmoid untuk menghasilkan model peramalan beban  orde jam meliputi hari kerja dan hari libur pada pelanggan PV per segment tarif (Pelanggan Rumah Tangga, Pelanggan Bisnis, Pelanggan Industri, Pelanggan Sosial dan Pelanggan Pemerintah). dengan mempertimbangkan variasi konsumsi listrik dan temperatur. Lingkup pengambilan data penelitian dibatasi beban listrik pada pelanggan di Jakarta dan sampling dilakukan selama bulan Juli s/d Oktober 2019. Hasil penelitian ini memperlihatkan bahwa prediksi ANN menghasilkan kinerja dengan Mean Square Error (MSE) sebesar 2%. Prediksi beban listrik tanggal 21 s/d 27 Oktober 2019 memperlihatkan rata-rata error ANN adalah 21%, sedangkan rata-rata error metode regresi adalah 39%. Dengan demikian dapat disimpulkan bahwa prediksi beban listrik menggunakan ANN lebih akurat sebesar 20% dibandingkan dengan metode regresi oleh PLN. Berdasarkan analisis keekonomian, pelanggan mendapatkan efisiensi biaya listrik sebesar 21%, sedangkan PLN berkurang pendapatan sebesar ± Rp. 300 juta/bulan. Strategi manajemen yang diusulkan dengan mempertimbangkan benefit kedua pihak (PLN dan Konsumen) adalah dengan keterlibatan PLN sebagai integrator (sisi hulu dan sales), ketelibatan Pemerintah dan keterlibatan dukungan Bank sebagai
The very rapid technological development in the electricity sector at present is the use of special distributed PLTS known as PV Rooftop. Customers use energy from the PV for their electricity needs and can also transfer their energy (export) to the PLN electricity system if the energy from their PV is excessive. While PLN continues to send energy to customers if using energy from PV does not meet its electricity consumption (imports). While the avaibility of fine-grained smart meter data for PV customers load, optimization could be done for the needs of data scientists, data analysts and data engineers makes this data information usable for efficient and reliable energy management. Forecasting the PV Customer load, however, can be an intractable problem. These loads are characterized by uncertainty and variations due to the use of renewable energy sources (solar energy), leaving much room to improve accuracy. To improve the PV customer load forecast accuracy, this paper advocates a machine-learning tool called Artificial Neural Network (ANN) on MATLAB® with backpropagation learning algorithm and sigmoid activation, include load forecasting per tariff segment (Household Customers, Business Customers, Industrial Customers, Social Customers and Government Customers). The scope of the study took data on electricity loads to customers in Jakarta and sampling was conducted from July to October 2019. The test results show that ANN deterministic load forecasting model can achieve satisfactory performance with the mean square error (MSE) of 2% . Electricity load predictions from 21 to 27 October 2019 have an average error of ANN is 21%, while the average error of the regression method is 39%. Thus it can be concluded that the estimated cost of using ANN electricity is more accurate by 20% compared to the regression method by PLN. Based on economic analysis, customers get electricity cost efficiencies of  21%, while PLN reduces revenue by ±Rp. 300 million/month. The proposed management strategy by considering the benefits of both parties (PLN and Consumers) is to involve PLN as an integrator (upstream and sales side), Government involvement and involvement of Bank supporters as lenders."
Depok: Fakultas Teknik Universitas Indonesia, 2020
T54037
UI - Tesis Membership  Universitas Indonesia Library
cover
Edwin Iskandar
Aplikasi jaringan syaraf tiruan dengan metode pelatihan adaptive interaction pada pengendalian ketinggian air untuk sistem coupled tank PP-100
"Pada skripsi ini akan dirancang suatu sistem pengendalian ketinggian air untuk sistem coupled tank pp-00 berdasarkan pengendali jaringan syaraf tiruan dengan metode pelatihan adaptive interaction. Sistem yang digunakan disusun berdasarkan bentuk tangki terhubung dengan satu masukan dan satu keluaran (SISO). Sesuai dengan waktu cuplik yang telah ditentukan, komputer akan menerima data-data hasil cuplikan sensor berupa ketinggian air pada tangki kedua dengan memberikan masukan air pada tangki pertama.
Pengendalian ketinggian air didasarkan pada error yang dihasilkan antara data-data yang berasal dari sensor pada tangki kedua sebagai titik ketinggian air sistem yang akan diatur dan titik acuan yang telah didefinisikan terlebih dahulu sebagai nilai setpoint. Digunakan dua buah masukan pada pengendali jaringan syaraf tiruan yaitu error pada waktu pencuplikan sekarang dan waktu pencuplikan sebelumnya. Untuk melihat bagaimana kerja dari pengendali jaringan syaraf tiruan ini akan dilakukan perubahan parameter-parameter dari jaringan syaraftiruan ini, seperti banyaknya neuron pada lapisan tersembunyi, dan konstanta pelatihan. Untuk membantu pengendali jaringan syaraf tiruan, akan diberikan pengendali tambahan yaitu pengendali feedforward. Pengendali ini kemudian akan dibandingkan performa kerjanya dengan pengendali konvensional yang telah lama dikenal, yaitu pengendali PI.
Hasil simulasi memperlihatkan bahwa pengendali jaringan syaraftiruan ini dapat memberikan hasil yang lebih baik dengan pengendali PI, selain itu dengan melakukan perubahan-pembahan pada parameter jaringan syaraf tiruan dapat membantu kinerja pengendali agar dapat mengendalikan sistem menjadi lebih baik. Pada akhirnya rancangan pengendali jaringan syaraf tiruan ini ditambahkan dengan pengendali feedforward yang terbukti dapat meningkatkan kinerja pengendali jaringan syaraftiruan ini."
Depok: Fakultas Teknik Universitas Indonesia, 2005
S40129
UI - Skripsi Membership  Universitas Indonesia Library
cover
Arief Heru Kuncoro
Model peramalan pola beban jangka panjang sistem ketenagalistrikan Jawa-Madura-Bali menggunakan metode jaringan syaraf tiruan untuk analisis keandalan dalam perencanaan pengembangan sistem pembangkitan = A long-term load pattern forecasting model on the Java-Madura-Bali electricity power system using artificial neural network method for relibility analyzing on the generating system expansion planning
"Pola beban sistem tenaga listrik yaitu pola permintaan beban puncak dan kurva lama beban (KLB) sangat berpengaruh dalam perencanaan pengembangan sistem pembangkitan jangka panjang. Pola beban tersebut mempengaruhi: nilai total biaya kumulanf pengembangan sxstem koniigurasn optnmum vanabel kandidat pembangkit, total tambahan kapasitas pembangkit terpasang, Jumlah energi yang diproduksi dan keandalan sistem (indeks LOLP (Loss Of Load Probability) & ENS (Energy Not Served)). Beberapa model telah digunakan untuk peramalan permintaan beban puncak dan untuk merepresentasikan KLB. KLB merupakan parameter yang sangat penting untuk analisis sistem ketenagalistrikan seperti estimasi biaya operasi sistem pembangkitan prediksi jumlah energi yang diproduksi dan untuk perhitungan tingkat keandalan. Dalam disertasi ini telah dikembangkan model peramalan beban puncak jangka panjang dan model KLB dengan menggunakan metode Jaringan Syaraf Tiruan (JST). Model yang dikembangkan mampu melakukan komputasi secara paralel melalul pembelajaran dari pola pola yang diajarkan sehingga mampu menemukan hubungan non-linear antara beban dan faktor-faktor ekonomi populasi, konsumsi energi listrik dan faktor faktor Iainnya serta dapat melakukan penyesuaian terhadap perubahan-perubahan yang terjadi. Model tersebut diaplikasikan pada sistem ketenagalistrikan Jawa-Madura-Bali (Jamali) dan hasil output peramalan beban puncak dan KLB nya digunakan sebagai masukan dalam optimasi perencanaan pengembangan sistem pembangkltan dengan program WASP (Wien Automatic System Planning). Selanjutnya dilakukan analisis keandalan sistem berdasarkan hasil optimasi. Untuk mengetahui keakuratan model yang dikembangkan maka output hasil dan model yang dikembangkan dibandingkan dengan model lain. Hasil ramalan beban puncak pada tahun 2025 dengan metode JST tidak berbeda jauh dengan model ekonometrik Simple E yang digunakan untuk Rencana Umum Ketenagalistrikan Nasional (Simple E-RUKN) yaitu masing-masing sebesar 57.030 MW dan 59.107 MW (perbedaannya sekitar 3,58%). Berdasarkan metode JST, laju pertumbuhan beban tahunan rata-rata sekitar 7,1 % selama periode tahun studi 2006-2025, sementara itu menurut Simple E-RUKN laju pertumbuhan diperkirakan sekitar 7,3%per tahun. Representasi pola model KLB-RJST yang dikembangkan lebih mendekati pola KLB-Aktual, dibandingkan dengan pola model KLB-Synder. Berdasarkan hasil analisis keandalan dalam optimasi perencanaan pengembangan sistem pembangkitan diperoleh kesimpulan bahwa perbedaan hasil perhitungan keandalan antara model KLB-JST dibandingkan pola KLB-Aktul mempunyai perbedaan yang relatif kecil (sekitar 0,94% untuk perbedaan LOLP dan 4,44% untuk perbedaan ENS). Untuk model proyeksi KLB berdasarkan metode JST, hasilnya cukup bagus.
Load pattern on the electricity system (i. e. demand pattern of peak load and load duration curve (LDC)) has an effect on the long term generating system expansion planning The load pattern affects of' cumulative total cost value of system development, optimum configuration of generating candidate variable, total addition of generating installed capacity amount of energy produced and system realibility (index of LOLP (Loss Of Load Probability) & ENS (Energy Not Served)) Several models have been used to forecast peak load demand and to express LDC An LDC is one of the most important parameters to analyze the electric power systems. It is used in estimating the operating cost of a power system predicting the amount of energy delivered by each unit, and calculating reliability measures. In this dissertation an intelligence model to forecast long-load and to express LDC using Artificial Neural Networks (ANN) method has been developed The model has ability to conduct parallel computing through training from taught patterns so that it is able to find non-linear relations between load economic thetors population electric energy consumption and other factors. The model can also conduct adjustment in response to any changes that happenes. The model is applied on the Jawa Madura Bali (Jamali) electricity system and the output result of the forecasted peak load and its LDC are used as input on the optimazation of expansion planning for electrical generating system using WASP (Wien Automatic System Planning) program. Hercinafter the system reliability is analyzed based on the optimization result. The developed model output is compared to other model output to verify the accuracy. The result of the forecasted peak load in 2025 by ANN method does not differ far from that of Simple E model used National Electricity General Planning (Simple E-NEGP) of which 57.030 MW and 59.107 MW respectively(its difference about 3,58%) Based in the ANN model, mean annual load growth rate is about 7,1% during study period of 2006-2025, meanwhile according to Simple E-NEGP, the growth rate is estimated about 7,3 % per year. The develop LDC model based on ANN approximates the actual-LDC, if compared to LDC model based on the Synder. Based on the reliability analysis on the optimization of generating system expansion planning, the reliability calculation result by LDC-ANN model is almost similar to LDC-Actual model (differs about 0,94% or LOLP and about 4,44% for ENS). Meanwhile for LDC projection based on ANN, the result is fine."
Depok: Fakultas Teknik Universitas Indonesia, 2008
D1210
UI - Disertasi Open  Universitas Indonesia Library
cover
Luqman Arif Farizqi
Penerapan pengendali jaringan syaraf tiruan untuk koordinasi pensaklaran braking resistor-raactor pada stabilitas peralihan sistem tenaga listrik = Implementation of artificial neural network controller for switching coordination of braking resistor-reactor in the electric power system transient stability
"Suatu sistem tenaga listrik. Pada saat generator terkena gangguan yang besar dan tiba-tiba maka generator akan mengalami ayunan dan masuk ke kondisi peralihan. Apabila generator dapat kembali ke kondisi setimbangnya maka generator dapat dikatakan stabil. Untuk menjaga agar generator tetap stabil maka diperlukan suatu metode untuk memperbaiki kestabilan generator. Salah satu metode dapat digunakan adalah menggunakan dynamic braking resistorreactor.
Skripsi ini membahas mengenai penerapan pengendali jaringan syaraf tiruan untuk koordinasi pensaklaran braking resistor-reactor pada stabilitas peralihan sistem tenaga listrik. Ketika terjadi gangguan, simpangan kecepatan rotor akan diukur besarnya kemudian sudut penyalaan tiristornya akan ditentukan oleh hasil keluaran dari pengendali jaringan syaraf tiruan. Pengendali ini mengenali input dan outputnya dengan berdasarkan proses pembelajaran jaringan syaraf tiruan. Proses pembelajaran yang dilakukan adalah dengan menggunakan algoritma backpropagation jenis levenberg-marquardt. Pengendalian sudut penyalaan tiristor pada braking resistor-reactor ini berfungsi untuk mengatur dan mengendalikan percepatan dan perlambatan putaran rotor sehingga kestabilan sistem dapat lebih ditingkatkan.
Simulasi pengambilan data dilakukan dengan memberikan tiga jenis gangguan ke dalam sistem dengan dua durasi waktu yang berbeda. Ketiga jenis gangguan tersebut adalah gangguan tiga fasa ke tanah, dua fasa ke tanah, dan satu fasa ke tanah. Hasil simulasi memperlihatkan bahwa penerapan pengendali jaringan syaraf tiruan untuk koordinasi pensaklaran braking resistor-reactor dapat mempercepat dan meningkatkan kestabilan sistem.
Stability is one of the most important factor that affects performance of the electric power system. When large and sudden faults occurred, generator will be swung and get in to the transient condition. If generator can goes back to the balance condition, generator will be stable.That’s why, for improving the generator stability’s, we need a method to do that. One of the method which can be used to improve the generator stability’s is dynamic braking resistor-reactor.
This paper describes about the implementation of artificial neural network controller for switching coordination of braking resistor-reactor in the electric power system transient stability. When faults occurred, rotor speed deviation will be measured and then, the thyristor firing-angle’s will be determined by the output of the artificial neural network controller. This controller identify its inputs and outputs based on the training process of artificial neural network. The training process was been doing by using levenberg-marquardt backpropagation algoritm's. By controlling the thyristor firing-angle's of the braking resistor-reactor, rotor speed acceleration’s and deceleration’s can be controlled so that the system stability can be improved.
Simulation process was been doing by occurring three kinds of faults in the system with two different kinds of time durations. Those three faults are threephase-ground fault, two-phase-ground fault, and single-phase-ground fault.The simulations results show that implementation of artificial neural network controller for switching coordination of braking resistor-reactor can improve the system stability."
Depok: Fakultas Teknik Universitas Indonesia, 2008
S40529
UI - Skripsi Open  Universitas Indonesia Library
cover
Veronica
Aplikasi jaringan syaraf tiruan untuk identifikasi dan pengendalian sistem pengisian tangki pemisah cairan
Depok: Fakultas Teknik Universitas Indonesia, 1999
S39004
UI - Skripsi Membership  Universitas Indonesia Library
cover
Aplikasi jaringan syaraf tiruan sebagai pengendali PID pada suatu sistem pemanas
Fakultas Teknik Universitas Indonesia, 1998
S39409
UI - Skripsi Membership  Universitas Indonesia Library
<<   1 2 3 4 5 6 7 8 9 10   >>