Hasil Pencarian  ::  Simpan CSV :: Kembali

"Salah satu hal paling penting dalam penelitian di bidang olahraga bulu tangkis adalah data pergerakan shuttlecock yang menggambarkan trayektori dan kecepatan shuttlecock. Terdapat beberapa teknik yang dapat dipakai untuk memperoleh data tersebut, salah satunya dengan menggunakan teknik image processing, seperti teknik videografi atau optoelektronik. Kelebihan menggunakan kamera untuk mendeteksi gerakan sebuah obyek antara lain biayanya yang cukup murah bila dibandingkan laser dan radar serta kemudahan untuk mendapatkan alat-alat yang dibutuhkan. Adapun masalah yang dihadapi dalam membangun sistem ini adalah di dunia nyata shuttlecock bergerak dalam ruang tiga dimensi, sedangkan kamera hanya menangkap gambar dua dimensi. Karena itulah digunakan metode epipolar geometry stereo vision yang dioptimasi dengan algoritma camshift berbasis Kalman filter. Metode ini dipilih karena fleksibilitasnya dalam penentuan obyek sehingga obyek dapat dianggap sebagai satu titik ataupun rekonstruksi dari titik-titik yang sama yang dilihat dari prespektif kamera yang berbeda. Hasil pengujian sistem pada obyek bergerak menunjukkan sistem dapat mendeteksi rata-rata 83.33 persen trayektori shuttlecock dengan persentase deteksi rata-rata dalam satu trayektori 85.54 persen.

---

One of the most important thing in a badminton sport science research is the data of shuttlecock movements that shows its trajectory and velocity. There are several techniques that can be used to get this, one of them is using image processing techniques, such as videography or optoelectronic techniques. The advantage of using camera to detect motion of an object is the cost is quite low when compared to laser and radar as well as easy to get the tools needed.

The problems encountered in building this system is in the real world the shuttlecock move in three-dimensional space, while the camera only captures a two-dimensional image. Because of that, the epipolar geometry stereo vision algorithm method is used. This method is optimized with Kalman filter based camshift algorithm. This method was chosen because of its flexibility in the determination of the object so that the object can be regarded as one point or reconstructed as same points as seen from the perspective of different cameras. The result of the test shows that the system can detect an average of 83.33 percent shuttlecock trajectory with an average detection persentages in the trajectory 85.54 percent."

"Teknologi yang sedang digunakan untuk mengoptimalkan pengereman ini merupakan Anti Lock Braking System (ABS). Teknologi ini menggunakan referensi rasio slip secara longitudinal pada roda dimana variabel ini mempunyai pengaruh terhadap koefisen gesek yang menyebabkan gaya gesek antara ban dan jalan menjadi maksimal. Rasio slip merupakan fungsi perbandingan kecepatan kendaraan dengan kecepatan roda dikalikan dengan jar-jari roda. Pengukuran kecepatan longitudinal kendaraan secara konvensional menggunakan perkalian radius roda dengan kecepatan angular roda yang dapat secara mudah diukur dengan sensor encoder. Akan tetapi metode ini mempunyai kelemahan yaitu tidak validnya kecepatan longitudinal yang didapat ketika kendaraan tetap melaju tetapi roda mengalami keadaan terkunci saat pengereman terjadi. Maka dari itu diperlukan adanya estimasi terhadap variabel kecepatan longitudinal kendaraan agar perhitungan rasio slip dapat dilakukan. Estimasi dilakukan menggunakan observer Adaptive Kalman Filter (AKF). Pada algoritma adaptif yang diusulkan adalah dengan memodifikasi gain pada algoritma Kalman filter konvensional. Gain dimodifikasi berdasarkan keadaan dari roda kendaraan saat terjadinya rasio slip berlebih atau ban yang terkunci dimana data dari akselerometer digunakan sepenuhnya. Desain observer ini menggunakan persamaan pengukuran dari kecepatan kendaraan yang diukur dari roda kendaraan dan masukan yang merupakan data dari akselerometer. Dengan adanya kombinasi dari dua pengukuran ini dapat diperoleh hasil yang optimal dimana terdapat kelebihan dari masing-masing sensor yang mengkompensasi kelemahan dari masing-masing sensor tersebut. Simulasi percobaan dilakukan menggunakan model half car dengan pengendali Proportional Integral (PI) dan Model Predictive Control (MPC) pada kondisi jalan aspal basah dan kering. Hasil estimasi terbaik didapatkan pada percobaan pengereman pada aspal basah dengan nilai cost function 0.002015.

---

The technology that being used to optimize the braking is an Anti-Lock Braking System (ABS). The technology uses a reference of longitudinal slip ratio on wheels in which these variables have an influence on the coefficient of friction that causes frictional forces between the tire and the road becomes maximum. This is because that slip ratio is a function of the longitudinal vehicle velocity that can not be measured directly. Measurement of longitudinal velocity of the vehicle using a conventional radius multiplication wheels with wheel angular velocity that can be easily measured by the encoder sensor. However, this method has the disadvantage that the invalidity of the longitudinal speed obtained when the vehicle may have run but the wheels are over slip or the current state of the wheels are locked due to braking occurs. Thus it is necessary to estimate the variable speed of the vehicle that the longitudinal slip ratio calculation can be done. Estimation was performed using Adaptive Kalman Filter (AKF) observer.

In the proposed adaptive algorithm is to modify the gain on conventional Kalman Filter algorithm. Gain is modified based on the state of the vehicle when the wheels are over slip locked then data from the accelerometer is fully used. The observer design using equation measurements of measured vehicle speed from the wheels of the vehicle and input observer is the data from the accelerometer. With the combination of these two measurements can be obtained optimal results where the advantages of each of the sensors can compensate for the weaknesses of each of these sensors. The simulation of system use the half car model with Proportional Integral (PI) and Model Predictive Control (MPC) controller on dry and wet asphalt for road condition. The best result of estimation achieved by simulation on wet asphalt with cost function value 0.02105."

"This book describes one of the first systems for sparse point-based 3D reconstruction and egomotion estimation from an image sequence; able to run in real-time at video frame rate and assuming quite weak prior knowledge about camera calibration, motion or scene. Its chapters unify the current perspectives of the robotics and computer vision communities on the 3D vision topic : as usual in robotics sensing, the explicit estimation and propagation of the uncertainty hold a central role in the sequential video processing and is shown to boost the efficiency and performance of the 3D estimation. On the other hand, some of the most relevant topics discussed in SfM by the computer vision scientists are addressed under this probabilistic filtering scheme, namely projective models, spurious rejection, model selection and self-calibration."

"Sistem tata udara presisi merupakan mesin refrigerasi yang digunakan di ruang pusat data untuk menjaga temperatur di dalam kabinet berkisar antara 20º - 22ºC, dan kelembaban antara 45-55%. Untuk mencapai keadaan tersebut, delapan variabel tak terukur belum dapat diestimasi sehingga dibutuhkan observer. Proses estimasi state dilakukan menggunakan model ruang keadaan. Persamaan untuk Filter Kalman dibagi menjadi persamaan time update dan measurement update. Penggunaan metode ini diharapkan diperoleh nilai matriks prediction error covarians yang konvergen pada nilai sekecil mungkin. Selain itu juga dibandingkan state hasil estimasi dengan state aktual model untuk mengetahui nilai kuadrat kesalahan estimasi yang terjadi.

---

Precision air conditioning is a refrigeration machine that used in the data center to keep the temperature inside the cabinet ranged from 20 º - 22 º C, and humidity between 45-55%. To reach that state, the eight variables not measured can not be estimated so that the observer is required. State estimation process is done using a state space model. The equation for the Kalman Filter equations are divided into time update and measurement update. Use of this method is expected to obtain the prediction error matrix covarians which converges on the value as small as possible. It also compared to the estimated state with the actual state of the model to determine the value of the square of estimation error that occurred."

"Pergerakan harga saham berfluktuasi. Diperlukan suatu metode untuk mengestimasi pergerakannya. Model runtun waktu merupakan suatu model yang dapat digunakan dalam menganalisis pergerakan harga saham. Salah satu model runtun waktu sederhana adalah model local linear trend dengan level stokastik dan slope deterministik. Algoritma filter Kalman dapat digunakan untuk mengestimasi solusi model. Implementasi menggunakan data harga saham BMRI dan LSIP memberikan hasil yang cukup baik dilihat dari nilai rata – rata eror relatif dan nilai MSE (mean square error).

---

The movements of stock price is fluctuate. A method is required to determine such movement. Time series model is one of the models that can be used in analyzing stock price movements. One of the basic model of time series is the local linear trend model with stochastic level and deterministic slope. Kalman filter algorithm can be used to estimate the solution of that model. Implementation on BMRI and LSIP stock price data gives satisfactory results based on the average relative error and MSE (mean square error)."

"Baterai Li-Ion banyak digunakan pada kendaraan listrik karena efisiensi dan densitas energinya yang tinggi. Untuk menjaga baterai Li-Ion beroperasi pada kondisi ideal maka estimasi status pengisian baterai menjadi indikator penting. Parameter yang menyatakan status pengisian baterai adalah State of Charge (SOC). Nilai SOC baterai tidak dapat diukur secara langsung melainkan harus diestimasi dari nilai tegangan dan arus baterai saat digunakan. Kesulitan saat mengestimasi SOC baterai disebabkan faktor nonlinearitasnya yang tinggi serta pengaruh noise saat pengukuran yang dapat mengakibatkan terjadinya akumulasi error. Algoritma Unscented Kalman Filter (UKF) dapat melakukan koreksi kesalahan saat mengestimasi SOC baterai. Namun teknik ini membutuhkan model baterai pada algoritmanya. Literatur yang membahas model baterai banyak menggunakan pendekatan Equivalent Circuit Model (ECM) Thevenin orde dua yang diperoleh dari data eksperimen Hybrid Pulse Power Characterization (HPPC). Beberapa literatur meninjau data HPPC yang seragam namun menggunakan berbagai pendekatan seperti teknik fitting, aturan waktu konstan, dan daerah analisis kurva baterai yang berbeda. Untuk mengetahui metode identifikasi parameter ECM terbaik maka dilakukan pengujian performa. Pada penelitian ini dianalisis empat metode identifikasi parameter ECM menggunakan baterai LiNiMnCo. Masing – masing parameter ECM disubsitusi ke model baterai lalu dilakukan verifikasi menggunakan data HPPC dan Dynamic Stress Test (DST). Berdasarkan nilai RMSE masing – masing percobaan, metode 1 yang menggunakan teknik fitting di daerah relaksasi baterai memiliki akurasi dan konsistensi yang terbaik yaitu 0,0103 V untuk HPPC menggunakan data CALCE dan 0,0088 V data baterai LG. Untuk pengujian DST nilai RMSE metode 1 adalah 0,0278 V. Parameter baterai yang telah diidentifikasi menggunakan metode 1 digunakan sebagai model pada algoritma UKF untuk mengestimasi SOC baterai. Nilai RMSE estimasi SOC menggunakan algoritma UKF yang telah dibangun adalah 0,32 %. Algoritma UKF mampu melakukan koreksi saat terjadi kesalahan awal nilai estimasi SOC.

---

Li-Ion batteries are widely used in electric vehicles due to their high efficiency and energy density. To keep Li-Ion batteries operating at ideal conditions, estimation of the battery state of charge is an important indicator. The parameter that states the state of charge of the battery is the State of Charge (SOC). The SOC value of the battery cannot be measured directly but must be estimated from the voltage and current values of the battery during use. The difficulty in estimating the battery SOC is due to its high nonlinearity factor and the influence of noise during measurement which can result in the accumulation of errors. The Unscented Kalman Filter (UKF) algorithm can perform error correction when estimating battery SOC. However, this technique requires a battery model in the algorithm. Much of the literature discussing battery models uses the second-order Thevenin Equivalent Circuit Model (ECM) approach obtained from Hybrid Pulse Power Characterization (HPPC) experimental data. Some literature reviews uniform HPPC data but uses various approaches such as fitting techniques, constant time rules, and different battery curve analysis regions. To determine the best ECM parameter identification method, performance testing is conducted. In this study, four ECM parameter identification methods using LiNiMnCo batteries are analyzed. Each ECM parameter is subsumed into the battery model and then verified using HPPC and Dynamic Stress Test (DST) data. Based on the RMSE value of each experiment, method 1 which uses fitting techniques in the battery relaxation region has the best accuracy and consistency, namely 0.0103 V for HPPC using CALCE data and 0.0088 V LG battery data. For DST testing the RMSE value of method 1 is 0.0278 V. The battery parameters that have been identified using method 1 are used as a model in the UKF algorithm to estimate the battery SOC. The RMSE value of SOC estimation using the UKF algorithm that has been built is 0.32 %. The UKF algorithm can make corrections when there is an initial error in the SOC estimation value."

"Seiring dengan perubahan dunia yang sangat cepat, efisiensi dalam mengelola persediaan menjadi hal yang sangat penting, terutama bagi UKM. Ada beberapa sumber daya penting yang dibutuhkan oleh UKM untuk meningkatkan bisnis mereka: sejumlah dana, penguasaan teknologi, dan sumber daya manusia. Robotic Process Automation (RPA) sebagai salah satu teknologi unggulan di Industri 4.0 dapat mengatasi kebutuhan sumber daya manusia untuk melakukan tugas-tugas dalam manajemen persediaan. RPA dianggap sebagai salah satu teknologi modern yang memungkinkan UKM melakukan tugas berulang dengan lebih efisien sehingga menghasilkan kinerja organisasi yang lebih baik. Penelitian ini mengadopsi tahap Inisialisasi dan Implementasi dari The Consolidated Framework for Implementing RPA Project. Data bersumber dari salah satu UKM dalam bisnis kecantikan yang beroperasi di Provinsi Jawa Tengah- Indonesia, dimana bisnis kecantikan dianggap sebagai salah satu sektor yang berkembang pesat saat ini di Indonesia. Ruang lingkup penelitian ini difokuskan pada manajemen persediaan seperti pengecekan stok persediaan, peramalan permintaan produk berdasarkan data historis, membuat rencana pembelian, memesan barang ke vendor melalui email dan menindaklanjuti menggunakan email jika barang yang dipesan belum datang. Temuan penelitian ini menunjukkan bahwa penggunaan RPA dalam manajemen persediaan dapat menghemat banyak biaya yang sebelumnya dianggap sebagai beban. Adanya RPA di perusahaan telah berhasil membantu AuradermA Skin Care dalam mengelola persediaan dengan lancar, mengurangi beban kerja staf dan pada akhirnya memastikan persediaan tidak habis atau berlebihan. Diharapkan penelitian ini memberikan kontribusi dalam bidang RPA karena implementasi RPA belum begitu banyak ditemukan terutama untuk UKM.

---

State of Charge (SOC) is a condition that states battery charge condition. This condition is important to know to ensure safe battery operating condition. One of the challenge in estimating SOC is that the battery dynamic system. To estimate SOC, battery undergoes characterization process. The Li-Ion battery characterization system monitors voltage across the battery as well as current going to or out of the battery. After the system is assembled, battery will be prepared before characterization using Constant Current Constant Voltage (CCCV) charging. Characterization process starts with battery undergoing discharging and charging process. In this research, Li-Ion battery made from LiNiMnCoO2 is modelled based on second order Thevenin Equivalent Circuit Model. SOC estimation is optimized using Uscented Kalman Filter (UKF). Next, battery undergoes Hybrid Pulse Power Characterization (HPPC) test to obtain ECM parameters. Next, ECM parameters are used as value to be fitted with SOC from Coulomb Counting (CC) with seventh order polynomial method from HPPC result. SOC estimation validation is done using Dynamic Stress Test (DST). The SOC estimation result using UKF is compared to the estimation which doesn’t use UKF. The simulation and experiment result show that UKF algorithm is able to adjust its estimation result when given wrong initial SOC estimation value. The simulated SOC estimation result using UKF is compared with the CC method and reference SOC have Root-Mean Square Error (RMSE) of 0.7 % and Maximum Error (ME) of 9.9 %. The experiment SOC estimation result compared with CC SOC method has RMSE of 2.76 % and ME of 10%."