Hasil Pencarian  ::  Simpan CSV :: Kembali

"In this paper an attempt has been made to study the effects of the process parameters of wire cut electrical discharge machining (WEDM) on Magnesium-Silicon Carbide MMC with 5% SiC in particulate form. For the analysis, six factors, namely pulse on time, pulse off time, spark gap voltage, peak current, dielectric flushing pressure and servo feed have been taken and a Taguchi L16 orthogonal array for two levels was used. Response surface methodology was also used to develop second-order models for material removal rate (MRR) and surface roughness (SR). From the analysis of variances, it has been observed that pulse on time and pulse off time were the most significant parameters among all those observed in predicting the MRR and SR, respectively."

"Non-Intrusive Load Monitoring (NILM) memungkinkan pendeteksian peralatan yang aktif atau tidak aktif bahkan karakteristik untuk setiap peralatan yang dipasang di rumah, industri, laboratorium, dll, dengan mendisagregasi total konsumsi listrik yang diukur di panel daya pusat. Penerapan NILM untuk energi efisiensi, manajemen energi, dan diagnosa peralatan di rumah tangga, industri atau penyedia energi telah menunjukkan peningkatan yang menjanjikan. Metode K-NN adalah salah satu metode machine learning yang paling sederhana dan umum digunakan untuk klasifikasi dengan kinerja yang baik dan bersaing dengan metode yang bahkan lebih kompleks. KNN memiliki 3 karakteristik yang dapat diubah dan dioptimalkan untuk memberikan hasil akurasi yang lebih baik, yaitu dari sisi data, algoritma jarak, dan nilai k. Dalam makalah ini metode K nearest neighbor (KNN) dilakukan pada data NILM AMPds2 yang memiliki load karakteristik yang mirip antar peralatan yang berbeda, dengan 9 algoritma jarak yang berbeda, 7 jumlah data training (10% -70%) dan dilakukan untuk variasi k ( 1-25) pada input daya Aktif serta input daya Aktif dan Reaktif untuk didapatkan hasil terbaik, Selain itu dilakukan juga metode Backpropagation Neural Network (BPNN) dengan variasi data training sebesar 25%, 50%, 75% dan 100%, jumlah hidden 10, 20 dan 30, dan jumlah iterasi 50000 dan 150000 dengan input daya aktif dan reaktif data dan 2 metode input yaitu input statis dan dinamis, dan pada akhirnya perbandingan kinerja antara metode KNN dan backpropagation untuk memisahkan data NILM AMPds2 telah dilakukan. Dari hasil pengujian dan penelitian didapatkan bahwa dengan menambahkan data daya reaktif sebagai input, hasil disagregasi pada data NILM yang mempunyai load karakteristik yang sama antara peralatan yang berbeda dengan metode KNN diperoleh akurasi lebih dari 20% lebih akurat sampai dengan 95% akurasi, dan memiliki nilai precision dan recall mencapai 0.9565, dan perbandingan performansi antara metode KNN input daya aktif dan reaktif dan metode backpropagation input daya aktif dan reaktif untuk memisahkan data NILM AMPds2 ke dalam kluster didapatkan hasil bahwa metode KNN input daya aktif dan reaktif memiliki akurasi yang bersaing dengan akurasi 95% sedangkan akurasi hasil backpropagation input dinamis 99.85%.

---

Non-Intrusive Load Monitoring (NILM) enables detection of appliances that are active or non-active even characteristics for each equipment installed in homes, industries, laboratories, etc by disaggregating total electrical consumption at the Central Power panel. The application of NILM for energy efficiency, energy management, and diagnostic equipment in households, industries or energy providers has shown promising improvement. The K-NN method is one of the most simple and commonly used machine learning methods for classifying with good performance and competing with even complex methods. K-NN has 3 characteristics that can be changed and optimized to provide better accuracy results, namely in terms of data, distance algorithm, and k value. In this paper the K nearest neighbor (KNN) method is performed on NILM AMPds2 data which having distinctive similar load characteristic between different appliances, with 9 different distances, 7 types of total training data (10% -70%) and performed for k (1-25) in single input (Active Power) and double input (Active and Reactive Power) for best result, In addition, the Backpropagation Neural Network (BPNN) methode was also carried out with variations in the training data amount of 25%, 50%, 75% and 100%, hidden number of 10, 20 and 30, and iterations number of 50000 and 150000 in double input data and 2 input methodes which are static input and dynamic input, and in the end performance comparison between KNN and backpropagation methods to disaggregate NILM AMPds2 data had done. From test and research results it was found that by adding reactive power data as input, the disaggregation results on NILM data which having distinctive similar load characteristic between different appliances with KNN methode were more than 20% accurate up to 95% accuracy and had higher precision and recall value also up to 0.9565, and also performance comparison between KNN double input and backpropagation double input methode to disaggregate NILM AMPds2 data into clusters result was found that KNN methode has shown good competitive result up to 95% accuracy while backpropagation with dynamic input accuracy result is 99.85 %."

"ABSTRAKElectrical Capacitance Volumetric Tomography ECVT adalah teknologi pemindaian alternatif berbasis kapasitansi yang relatif baru dikembangkan. Teknologi pemindaian serupa, seperti halnya ECT, EIT, ERT, dll. banyak dikembangkan sebagai alternatif teknologi pemindaian yang sudah mapan dikarenakan sifatnya yang non-invassive, rendah energi dan portability. Teknologi pemindaian alternatif tersebut kini tidak hanya dikembangkan untuk keperluan industri namun telah juga digunakan untuk keperluan medis. Oleh karenanya, peningkatan kualitas hasil rekonstruksi citra dari ECVT yang kaya informasi dan presisi, menjadi salah satu isu dalam riset pengembangan teknologi ECVT.Di dalam penelitian ini diusulkan metode rekonstruksi citra ECVT menggunakan prinsip Compressive Sensing CS . CS digunakan mengingat inverse problem pada metode rekonstruksi citra ECVT secara natural membentuk under-determined linear system yang secara teori seharusnya dapat diselesaikan dengan prinsip CS. Metode rekonstruksi yang diusulkan diperkaya dengan penambahan metode usulan threshold yang berdasarkan hasil simulasi meningkatkan nilai kinerja hasil rekonstruksi sampai dengan 16.4 secara rata-rata. Beberapa kontribusi teori juga dirumuskan hasil dari analisa menyeluruh pada metode rekonstruksi yang diusulkan berdasarkan beberapa aspek penting dalam prinsip CS. Pada bagian akhir evaluasi dan analisis, metode rekonstruksi yang diajukan dibandingkan dengan metode rekonstruksi citra ECVT pada metode konvensional ILBP Iterative Linear Back Projection yang lebih sederhana.Hasil penelitian menunjukkan metode yang diusulkan mampu memperbaiki kualitas hasil rekonstruksi dan menghilangkan elongation error yang muncul pada hasil rekonstruksi citra ECVT dengan metode ILBP. Kinerja terbaik pada metode yang diusulkan mampu memperbaiki akurasi hasil rekonstruksi sampai dengan 11.9 berdasarkan nilai koefisien korelasi R. Metode rekonstruksi citra ECVT yang diusulkan masih memiliki kelemahan pada beberapa pemindaian yang lebih rumit, namun tetap memberikan hasil lebih baik dibandingkan dengan ILBP. Analisis hasil simulasi juga menunjukkan bahwa tidak semua kriteria pada teori prinsip CS sejalan dengan implementasinya pada metode rekonstruksi citra ECVT.

---

ABSTRACTElectrical Capacitance Volume Tomography ECVT is a capacitance based sensing technology. ECVT and other related sensing technologies are rapidly developed since they have beneficial properties non invasive, low energy consumption and portability compared to the established sensing technologies MRI, CT Scan, USG, etc . The ECVT is not only developed for industrial purposes but also for medical purposes. Therefore, the improvement on the image reconstruction is urgently needed. ECVT image reconstruction imaging system based on Compressive Sensing Principle is proposed. CS framework is used since the inverse problem of ECVT naturally constructs under determined linear system which is theoretically can be solved using Compressive Sensing framework. The proposed method is enriched by proposed thresholding method which succeed to improve the reconstruction kinerjance up to 16.4 . In addition, some theoretical contributions are also defined based on the comprehensive analysis of the proposed method subject to several aspects in Compressive Sensing principles. At the end of the works, the proposed method is compared with the existing image reconstruction method for ECVT, Iterative Linear Back Projection ILBP .Simulation results indicated that the proposed imaging system is able to improve the reconstructed image especially on reducing the elongation error resulted in ILBP method. The best kinerjance on the proposed method succeeds to improve the accuracy up to 11.9 based on R value. The proposed method still has limitations, especially on more complicated sensing environment but still retrieved better results compared to ILBP. In addition, there are some gaps between the theoretical concept and application of Compressive Sensing that could not be fully implemented in ECVT imaging system."