Hasil Pencarian  ::  Simpan CSV :: Kembali

"Fungsi oli yang utama adalah untuk melumasi dan mengurangi gesekan antar komponen mesin, kemudian fungsinya meluas sebagai penyalur panas sehingga membuat mesin tidak over heat. Lebih jauh lagi sebagai pembersih mesin dari sisa pembakaran dan deposit senyawa karbon yang masuk dalam ruang bakar supaya tidak muncul endapan. Oli mempunyai kekentalan yang berbeda-beda, sehingga pemakainnya disesuaikan dengan jenis mesin yang dilumasi. Pada suhu mesin yang tinggi kekentalan oli cenderung turun dan oli mengalami pemuaian volume, sebaliknya bila suhu mesin rendah maka kekentalan oli cenderung meningkat, dan oli mengalami penyusutan volume. Oli mengalami perubahan volume bila terjadi perubahan temperatur. Volume suatu zat berhubungan dengan besarnya massa jenis zat tersebut. Jika volume (V) bergantung pada temperatur, maka massa jenis () juga bergantung pada temperatur. Massa jenis juga merupakan salah satu faktor penentu kualitas oli, untuk itu massa jenis perlu diukur maka dengan alasan ini dibuatlah alat pengukur massa jenis oli berbasis mikrokontroler, dan hasilnya alat ini bisa mendeteksi perubahan temperatur dan tekanan, sehingga perubahan massa jenis oli terdeteksi.

---

The main functions of the oil is to lubricate and reduce friction between the components of the engine, then it?s function extends to channel heat thus making the engine is not over-heat. Any more as the cleaning of the combustion engine and the deposit of carbon compounds to the combustion chamber so that sediment does not appear. Oil has a viscosity different, so must compatible to the type of engine lubricated. At high temperature quality decreases viscosity of oil engine and the oil volume expansion, while if the temperature is low, the engine oil viscosity to increase, and oil volume shrinkage. Oil volume change when temperature changes occur.

The volume of a substance related to the magnitude of the density of the substance. If the volume (V) depends on temperature, then the mass density () also depends on temperature. The density is also one of the determinants of quality oil, for it needs to be measured the density of these reasons was made oil density meter based microcontroller, and the results of this instrument can detect changes in temperature and pressure, so that changes in the density of oil is detected."

"Pada saat ini, pengukuran sifat dan karakteristik madu yang menjadi dasar untuk penentuan kualitas madu dilakukan dengan metode berbasis laboratorium yang umumnya memiliki sifat merusak, memerlukan waktu yang lama, satu alat untuk satu pengukuran dan memerlukan penanganan yang khusus. Penelitian ini ditujukan untuk membuat suatu sistem pengukuran berbasis citra hiperspektral yang memiliki sifat tidak merusak, cepat, mudah, dan terintegrasi untuk memprediksi beberapa sifat madu antara lain massa jenis, TSS Total Soluble Solid), konduktivitas listrik, dan pH madu, serta mampu untuk melakukan pengenalan produsen madu. Sistem pengukuran yang dikembangkan menggunakan kamera hiperspektral yang mampu mendeteksi gelombang elektromagnetik pada panjang gelombang 400-1000 nm. Sistem pengolahan citra meliputi pengkoreksi citra, pemilihan area pengukuran, pengekstraksi ciri, pereduksi data, pemodelan pengenalan produsen madu dan pemodelan prediksi sifat madu. Algoritma pereduksi data yang digunakan meliputi PCA (Principal Component Analysis), PLS (Partial Least Square), dan ICA (Independent Componen Analysis). Algoritma pengenalan produsen madu meliputi algoritma DT (Decission Tree), kNN (k Nearest Neighbor), SVM (Support Vector Machine). Algoritma pemodelan prediksi sifat madu meliputi RT (Regression Tree), SVR (Support Vector Regression), dan GPR (Gaussian Process Regression). Sampel madu yang digunakan untuk menguji kinerja sistem yang dikembangkan terdiri atas 140 sampel yang didapatkan dari 3 produsen madu, dimana masing masing produsen mempunyai 9 sumber flora yang berbeda beda. Evaluasi terhadap kinerja sistem dilakukan dengan analisis nilai akurasi pada klasifikasi, serta koefisien determinasi (R2) dan RMSE (Root Mean Square Error) pada regresi. Hasil yang diperoleh menunjukan algoritma PLS-kNN sebagai algoritma terbaik untuk klasifikasi produsen madu dengan tingkat akurasi 79,3%. Algoritma PCA-GPR merupakan algoritma terbaik untuk prediksi nilai massa jenis, TSS, dan konduktivitas listrik dengan nilai R2 sebesar 0,889, 0,801, 0,875 dan RMSE dengan nilai 0,012, 1,738, 0,074. Algoritma terbaik untuk prediksi nilai pH madu adalah PLS-GPR dengan nilai R2 sebesar 0,904 dan RMSE 0,107. Secara umum, sistem yang dikembangkan telah berhasil melakukan pengenalan produsen madu dan memprediksi sifat madu dengan baik.

---

Currently, the measurement of the honey properties which is the basis for determining the quality of honey is carried out by laboratory-based methods which generally have destructive properties, require a long time, one tool for one measurement and require special handling. This research is intended to develop measurement system based on hyperspectral imaging which has non-destructive, fast, easy and integrated properties that are able to measure some of the properties of honey including density, TSS, electric conductivity, and pH. , and are able to recognize the producers of honey.

The measurement system uses a hyperspectral camera over 400-1000 nm wavelength signal. This system use image processing technique including image correction, image segmentation, image extraction, classification algorithm to recognize the producers of honey, and regression algorithm to predict honey properties value. The data reduction algorithm used are PCA (Principal Component Analysis), PLS (Partial Least Square), and ICA (Independent Componen Analysis).

The classification algorithm used are DT (Decission Tree), kNN (k Nearest Neighbor), SVM (Support Vector Machine. The regression algorithm used are RT (Regression Tree), SVR (Support Vector Regression), and GPR (Gaussian Process Regression). The honey samples used to test the performance of the system consisted of 140 samples obtained from 3 honey producers, where each producer had 9 different sources of honey floral origin. Evaluation of the system was done by analyzing the value of accuracy on classification, as well as the coefficient of determination (R2) and RMSE (Root Mean Square Error) in the regression.

The results obtained show the PLS-kNN algorithm as the best algorithm to recognize the honey producers with 79.3% accurac. The PCA-GPR algorithm is the best algorithm for predicting density, TSS, and electrical conductivity with R2 values of 0.889, 0.801, 0.875 and RMSE values of 0.012, 1.738, 0.074. The best algorithm for predicting the pH value of honey was PLS-GPR with R2 value of 0.904 and RMSE 0.107. "