Hasil Pencarian  ::  Simpan CSV :: Kembali

"Sistem tiga tangki merupakan salah satu aplikasi industri kimia yang termasuk dalam sistem hidrolik. Adapun yang dikendalikan dalam sistem tiga tangki adalah ketinggian cairan dalam tangki dan kecepatan aliran dalam pipa. Pendekatan yang dilakukan dalam memodelkan sistem tiga tangki secara matematis adalah dengan mengasumsikan cairan yang digunakan adalah air. Dalam skripsi ini dibahas upaya pengendalian ketinggian cairan tangki ketiga sistem tiga tangki dengan cara mengatur debit air. Salah satu metode pengendali yang mampu mengatasi masalah ini adalah sistem kendali prediktif dan dua di antaranya adalah Generalized Predictive Control dan Generalized Pole Placement yang merupakan pengendali prediktif yang dikenal mempunyai unjuk kerja yang baik.Metode pengendali GPP tergantung pada parameter pengendali horizon N, faktor pembobot. Semakin besar nilai N maka overshoot keluaran sistem semakin kecil tetapi akan membuat sistem lebih lambat dalam mencapai keadaan tunak.Perubahan nilai AGPP tidak terlalu berpengaruh pada keluaran sistem. Namun demikian dapat memperkecil nilai awal sinyal kendali sehingga mengurangi besarnya overshoot.Kemampuan adaptasi metode pengendali GPC tergantung pada nilai horizon N dan faktor pembobot AGPC yang digunakan dalam sintesa kendali. Dari hasil uji coba simulasi yang diperoleh bahwa semakin besar nilai N semakin baik tanggapan sistem, namun ada batasan nilai N dimana peningkatan nilai N tidak menunjukkan peningkatan unjuk kerja sistem yang signifikan. Sedangkan untuk nilai AGPC, semakin kecil nilainya maka tanggapan sistem akan mengalami osilasi sebelum menuju nilai tunak. Dan semakin besar nilainya maka tanggapan sistem akan semakin lambat menuju nilai tunaknya.Setelah dilakukan simulasi menggunakan kedua pengendali di atas terlihat bahwa untuk sistem yang tidak memiliki derau putih, pengendali GPP memiliki unjuk kerja yang baik karena memiliki tanggapan waktu yang cepat dan hampir tidak ada overshoot, sedangkan pada GPC untuk memperoleh tanggapan waktu yang cepat maka harus ada overshoot. Tetapi untuk sistem yang memiliki derau putih lebih baik digunakan pengendali GPC yang terlihat tetap mampu mengikuti nilai acuan, sedangkan GPP menghasilkan sinyal kendali yang sangat besar ketika ada derau, sehingga kurang mampu untuk mengikuti nilai acuan."

"Skripsi ini membahas pemodelan linear dengan penyederhanaan model non-linear pada sistem tiga tangki menggunakan metode AutoRegressive eXogeneous (ARX). Metode ARX tersebut didapat dengan mengambil data masukan dan keluaran dari sistem open loop kemudian memasukkan parameter orde dari sistem linear yang diinginkan. Desain pengendali yang dilakukan pada skripsi ini menggunakan metode pole placement, incremental control, dan model predictive control. Metode kontrol prediksi dipilih untuk sistem tiga tangki karena memiliki settling time yang lebih cepat dengan pengaturan nilai parameter ?,?, dan ? yang dikonfigurasi berdasarkan horison prediksi (Hp) dan horison kontrol (Hu).

---

This thesis discusses the simplification linear modeling of non-linear model of the three tanks system using the AutoRegressive eXogeneous (ARX) method. ARX method is obtained by taking the input and output data from openloop system and then enters the order parameters of the desired linear system. Controller design is done in this thesis using the method of pole placement, incremental control, and model predictive control. Predictive Contol methods is chosen for three-tank system because it has a settling time is faster by the parameter values ?,?, dan ? is configured based on prediction horizon (Hp) and the control horizon (Hu)."

"Untuk mendesain pengendali adaptif pada sistem nonlinier, dibutuhkan estimator dan sintesa pengendali agar parameter pengendali terus diperbaharui jika terjadi perubahan parameter model sistem. Pada skripsi ini, estimator yang digunakan untuk mengestimasi parameter model adalah recursive least square dengan faktor pelupaan, sedangkan sintesa pengendali yang digunakan adalah Generalized Predictive Conlrol (GPC).Perancangan pengendali dengan algoritma GPC berdasarkan pada model sistem yang linier. Oleh karena itu, untuk menerapkan algoritma GPC pada perancangan pengendali adaptif untuk sistem nonlinier, harus dilakukan estimasi parameter model sistem dengan algoritma recursive leasl square sehingga diperoleh model sistem yang linier. Model sistem yang diperoleh akan digunakan sebagai dasar untuk merancang pengendali yang diinginkan dengan menggunakan GPC.Kemampuan adaptasi metode pengendali GPC tergantung pada nilai horizon N dan vektor bobot yang digunakan dalam sintesa pengendali. Dari hasil ujicoba simulasi diperoleh bahwa semakin besar nilai N semakin baik respon sistem namun ada batasan nilai N dimana peningkatan nilai N tidak menunjukkan peningkatan unjuk keija sistem yang signifikan. Sedangkan untuk nilai ZSK, semakin kecil nilainya maka respon sistem akan mengalami osilasi sebelum menuju nilai tunaknya, dan semakin besar nilainya maka respon sistem akan semakin lambat menuju nilai tunaknya. Dengan penggunaan nilai A' dan AGPC yang tepat, diperoleh respon sistem yang baik jika sistem mengalami pembahan set point yang besar dan perubahan set point yang terjadi dalam waktu lebih besar daripada waktu yang dibutuhkan sistem untuk mencapai keadaan tunak. Dengan hasil tersebut dapat disimpulkan bahwa metode pengendali GPC memiliki kemampuan adaptasi yang baik dalam pengendalian sistem nonlinier."

"Di dalam teknik kendali adaptif terdapat suatu metode pengendalian yang berbasis pada model proses untuk menghitung sinyal kendali berdasarkan prediksi keluaran yang dihitung dari model proses, yang dikenal dengan Model PredictiveControl (MPC). Di antara beberapa algoritma dalam MPC, yang sering dipakaidalam industri yaitu Generalized Predictive Control (GPC). Kelebihannya dibanding metode perancangan pengendali lainnya ialah kemampuannya untuk menangani sistem yang merniliki waktu tunda dan kemudahannya dalam penerapan con.straim karena langsung diperhitungkan dalam perancanganpengendal. Dalam skripsi ini algoritma GPC diimplementasikan pada sistem multivariabel 2 masukan dan 2 keluaran dengan waktu tunda., yang dilakukan dengan menerapkan constraint pada masukan, slew rate, serta keluaran hingga diperoleh sinyal kendali. Solusi permasalahan Quadrotic Programming untuk mengatas:i constraint pada skripsi ini dilakukan dengan metode pivoting yaitu Linear Complementary Problem (LCP). GPC ditransformasi ke dalam LCP dan diselesaikan dengan algoritma Lemke untuk mendapatkan solusi sinyal kendali. Hasil uji coba algoritma constrained DPC pada system multivariabel dengan waktu tunda ini menghasilkan sinyal kendali yang baik. Simulasi juga menunjukkan faktor bobot dan cost horizon memegang peranan penting pada unjuk kerja GPC. Sedangkan peranan control horizon dalam unjuk kerja GPC kurang begitu signifikan"

"Representasi dokumen sebagai vektor GLSA pada beberapa percobaan seperti uji sinonim, klasifikasi dokumen, dan clustering terbukti mampu menghasilkan tingkat akurasi yang lebih baik daripada sistem sejenis yang berbasis algoritma LSA akan tetapi GLSA belum pernah diujikan pada sistem penilai esay otomatis. Percobaan ini meneliti pengaruh implementasi GLSA pada sistem penilai esay otomatis dan perbandingan unjuk kerjanya dengan sistem penilai esay otomatis berbasis LSA. Unjuk kerja sistem penilai esai otomatis berbasis GLSA lebih unggul daripada sistem berbasis LSA. Dari 60 kali pengujian, GLSA menghasilkan nilai yang lebih akurat pada 47 kali pengujian atau 78,3% total pengujian sedangkan LSA hanya unggul pada 9 kali pengujian atau 15% total pengujian dan sisanya 4 kali pengujian atau 6,7% total pengujian menghasilkan nilai dengan tingkat akurasi yang sama. Nilai Pearson Product Moment Correlation pada percobaan menggunakan sistem LSA 0.57775-0.85868 sedangkan pada GLSA sebesar 0.73335-0.76971. Hal ini mengindikasikan bahwa sistem berbasis LSA dan GLSA yang diujikan layak pakai karena memiliki performa yang sama baiknya dengan performa yang dilakukan oleh manusia. Ditinjau dari waktu proses yang dibutuhkan, LSA unggul pada soal 1 dan 2 dengan rataan 0,07466 detik dan 0,2935 detik sedangkan pada GLSA rataan waktu proses soal 1 dan 2 sebesar 1,32329 detik dan 17,3641 detik. Waktu proses yang dibutuhkan sistem penilai esai otomatis berbasis GLSA lebih lama dibandingkan dengan LSA. Akan tetapi karena GLSA menunjukkan kinerja yang amat baik, amat dipercaya bahwa manfaatnya lebih besar daripada biaya komputasi.

---

Document representation as GLSA vectors were shown to improve performance on different tasks such as synonymy test, document classification, and clustering compared to LSA based systems, however GLSA performance has never been tested on automated essay grading system. This experiment examines the effect of GLSA implementation on automated essay grading system and evaluates its performance compared to LSA based system. GLSA performance was shown to outperform LSA based automated essay grading system. From 60 samples, GLSA outperform LSA 47 times (78,3%), LSA outperform GLSA 9 times (15%), and 4 times (6,7%) resulted the same score accuracy. Pearson Product Moment Correlation Value resulted from the experiment using LSA based system is 0.57775-0.85868 and 0.73335-0.76971 for GLSA based system. This result incidates LSA and GLSA based system used on this experiment are ready to be used as human rater replacement because both of the system deliver similar performance with human rater. Processing time of LSA based system is faster with average processing time consecutively 0,07466 second and 0,2935 second compared to GLSA consecutively 1,32329 second and 17,3641 second. GLSA requires more processing time than LSA based system because GLSA based system has more calculation steps than LSA. However GLSA showed better performance, therefore it's believed that its benefits outweigh the computational cost."

"Generalized Predictive Control merupakan suatu metode perancangan pengendali swatala berbasis model proses, yaitu model proses digunakan secara eksplisit untuk mendisain pengendali dengan meminimumkan suatu fungsi kriteria. Oleh karena itu, untuk mendapatkan performa pengendali yang baik diperlukan juga metode identifikasi model yang baik pula. Pada percobaan ini dilakukan perancangan dan implementasi pengendali swatala pada Pressure Process Rig (Feedback 38-714) dengan menggunakan metode Recursive Least Square sebagai estimator dan Generalized Predictive Control sebagai aturan sintesa parameter pengendali. Pada percobaan dilakukan pengendalian dengan horizon, N , yang tetap sebesar 3. Pada percobaan pertama dilakukan simulasi pengendalian model linear Pressure Process Rig dengan menggunakan nilai faktor pembobot, hGPC. sebesar 4 dan faktor pelupaan, hRLS, sebesar 0,9999. Simulasi ini menunjukkan keberhasilan pengendalian model linear Pressure Process Rig karena keluaran sistem yang dihasilkan dapat mengikuti pergerakan setpoint dan juga galat tunak dapat hilang dalam waktu yang singkat. Percobaan berikutnya merupakan pengendalian sistem nyata Pressure Process Rig dengan menggunakan beberapa nilai hGPC dan hRLS yang divariasikan. Dari hasil percobaan diketahui bahwa nilai hGPC sebesar 2 dan nilai hRLS sebesar 0,9999 merupakan nilai yang tepat digunakan agar performa pengendali dapat maksimal. Dengan nilai ini pengendali dapat melakukan fungsinya secara maksimal, yang ditandai dengan kecilnya nilai settling time. Dari percobaan ini juga diketahui bahwa semakin kecil nilai faktor pembobot, hGPC maka semakin cepat tanggapan sistem, selain itu apabila nilai faktor pelupaan, hRLS, semakin mendekati satu maka pergerakan theta semakin tidak terpengaruh oleh derau."

"Metode spektral Laplacian Eigenmaps Embedding (LEM) dapat memelihara kemiripan dokumen dengan baik dibandingkan dengan metode reduksi dimensi lainnya. Hal ini terlihat dari unjuk kerja sistem berbasis GLSALEM yang lebih baik jika dibandingkan dengan sistem lainnya pada percobaan. Peningkatan unjuk kerja tidak hanya ditunjukkan dengan berkurangnya rata-rata selisih nilai yang dihasilkan oleh sistem dengan nilai yang dihasilkan oleh human rater tetapi juga jumlah percobaan dimana GLSA-LEM menghasilkan nilai yang paling mendekati dengan nilai yang dihasilkan oleh human rater. Kekurangan dari implementasi metode LEM adalah bahwa LEM hanya dapat diterapkan pada matriks jawaban referensi dan mahasiswa dengan dimensi yang lebih besar atau sama dengan enam. Oleh karena itu jawaban referensi dan jawaban mahasiswa yang terlalu pendek tidak akan dapat diproses oleh LEM. Hal ini dapat ditanggulangi dengan mengimplementasikan batas minimal kata jawab pada sistem berbasis GLSA-LEM sehingga semua jawaban dapat diproses oleh LEM. Pada percobaan ini didapatkan rata-rata selisih antara nilai yang dihasilkan oleh sistem dengan nilai yang dihasilkan oleh human rater pada sistem berbasis LSA adalah 44,49; pada sistem berbasis GLSA adalah 23,41; dan pada sistem berbasis GLSA-LEM adalah 11,67.Hasil tersebut menunjukkan bahwa GLSA-LEM paling unggul karena menghasilkan rata-rata selisih yang paling kecil antara nilai yang dihasilkan oleh sistem dengan nilai yang dihasilkan oleh human rater. Hal ini didukung oleh jumlah percobaan dimana sistem berbasis GLSA-LEM bekerja paling baik yakni dari sejumlah 245 percobaan yang dapat diterapkan LEM didapatkan bahwa pada 82 percobaan sistem GLSA-LEM menghasilkan selisih nilai yang paling kecil dibandingkan dengan sistem GLSA yang unggul pada 40 percobaan dan sistem LSA yang unggul pada 10 percobaan saja. Dengan demikian hipotesis yang diajukan terbukti benar bahwa implementasi LEM pada sistem GLSA akan meningkatkan akurasi sistem. Selisih nilai yang lebih kecil menandakan sistem dapat menghasilkan nilai yang lebih mendekati nilai yang dihasilkan oleh human rater. Hal ini sesuai dengan tujuan dari sistem penilai esai otomatis yang diciptakan untuk menggantikan kerja human rater dimana nilai yang dihasilkan harus dapat mendekati nilai yang dihasilkan oleh human rater. Rata-rata waktu proses LSA adalah 0,164 detik, GLSA sebesar 0,521 detik, dan GLSA-LEM sebesar 4,982 detik.

---

Laplacian Eigenmaps Embedding preserve semantic proximity better than other dimension reduction methods. GLSA performance may be improved further by implementing LEM. Experiment conducted has shown that GLSA-LEM based system has outperform on this experiment. Performance improvement not only shown from average delta between the grades calculated using the system and the grades resulted from human rater but also the number of the tests that outperformed by GLSA-LEM. The disadvantage of LEM implementation is that LEM only can be applied to answer matrices with minimum dimension of six. Therefore answers that are too short may not be processed using LEM. This can be mitigated by implementing minimum threshold to the answers so it can't be submitted if less than required length. This experiment show that LSA average delta between grades resulted from the system and grades resulted from human rater is 44,49; GLSA?s average delta is 23,41 and GLSA-LEM?s average delta is 11,67.

These results show GLSA-LEM is the best because generate grades with the least average delta between the grades calculated using the system and the grades resulted from human rater. These results also supported by the number of essays from total of 245 essays that can be applied GLSA-LEM graded best with least delta by GLSA-LEM that is 82; compared to GLSA that is 40; and LSA that is 10. Therefore the hypotesis is proven to be correct that LEM implementation on GLSA based system improves system's accuracy. Least delta indicates system generate better grades that is closer to human rater. These results is in accordance with the purpose of automated essay grading system that created to replace human raters in which the grades resulted by the system should be close to the grade generated by human raters. LSA's average processing time is 0,164 seconds, GLSA's is 0,521 seconds, and GLSA-LEM?s is 4,982 seconds."

"Pengendalian level fluida di dalam tabung dan pengendalian aliran fluida antar beberapa tabung merupakan permasalahan dasar dalam industri proses. Masukan aliran fluida ke dalam tabung dan antar tabung haruslah dijaga pada kondisi tertentu sehingga keluaran sistem bisa sesuai dengan yang diinginkan. Berbagai macam pengendali dirancang untuk mengendalikan level fluida ini dengan baik, sehingga error yang dihasilkan pun semakin bisa diminimalisir. Pengendali PID dan MPC merupakan contoh pengendali yang bisa digunakan dalam mengontrol level fluida tersebut.Di dalam seminar tesis ini akan dirancang pengendali PID (Proportional-Integral-Derivative) dan Model Predictive Control (MPC) untuk mengendalikan level fluida di dua tangki terhubung. Sebelum pengendali PID dan MPC ini dirancang, model non-linier terlebih dahulu dibentuk bedasarkan sistem dua masukan aliran fluida dan dua keluaran sistem berupa ketinggian level fluida pada kedua tabung. Model non-linier sistem multivariabel (Two Input Two Output - TITO) ini kemudian dilinierisasi pada titik kerja yang dipilih untuk memperoleh nilai ruang keadaan A, B, C dan D yang kemudian digunakan untuk membentuk fungsi alih sistem. Selain proses linierisasi, identifikasi dengan metode Kuadrat Terkecil juga dilakukan untuk menghasilkan model linier sistem yang baru sebagai pendekatan dalam mengontrol model non-linier sistem dengan MPC.Dalam sistem multivariabel coupled-tanks ini masih terdapat interaksi yang kuat antar variabel masukan-keluaran, sehingga fungsi alih dekopler pun dirancang untuk mengurangi atau menghilangkan efek kopling antar variabel masukan-keluaran ini. Pengendali PID dan MPC yang dirancang akan digunakan dalam simulasi untuk mengendalikan model linier/fungsi alih (dengan dekopler) dan model non-linier sistem.Hasil simulasi pengendali PID dan MPC untuk model linier menunjukkan respon sistem yang baik, dimana waktu settling-nya cenderung relatif kecil. Juga hasil simulasi pengendali PID dan MPC untuk model non-linier, meskipun menunjukkan respon sistem yang cenderung lambat, masih bisa dikatan relatif baik. Setelah membandingkan hasil simulasi sistem dengan pengendali PID dan MPC yang dirancang, maka MPC merupakan pengendali yang lebih baik digunakan untuk mengendalikan sistem multivariabel coupled-tanks ini.

---

The control of liquid level in tanks and flow between tanks is a basic problem in the process industries. The amount of liquid flowed into tanks and the flow of liquid between tanks has to be maintained at certain conditions in order to meet the desired performances. Many controllers have been designed to control the liquid level in tanks with the intention of reducing errors during and or after control process. PID controller and MPC are two of many controllers that could be designed to control the liquid level in tanks.

In this Master's thesis, PID (Proportional-Integral-Derivative) controller and Model Predictive Control (MPC) are designed to control the liquid levels in two coupled tanks. Before designing PID controller and MPC, the complete nonlinear dynamic model of the plant needed to be introduced for a case involving two input flows of liquid and two output variables, which are the level of the liquid in two tanks.

This multivariable (Two Input Two Output - TITO) nonlinear model would be then linearised based on selected operating point in order to obtain the value of state-space variables A, B, C and D. These values are converted to transfer function form. Besides that, system identification with Least Square method is also used to yield a new state-space model as an approach model to control the nonlinear model with MPC. Due to the high interactions between input-output variables, decoupler needed to be designed with the aim of reducing or eradicate these between input-output variables coupling effects. Afterwards, the designed PID controller and MPC will be used in simulation in controlling the linear model/transfer function (with decoupler) and the nonlinear model of the coupled-tanks multivariable system.

The result of simulation using PID controller and MPC in controlling the linear model of the system shows good performance in terms of rise time and settling time. In Addition, the result of simulation using nonlinear model, despite the slow system's response, shows satisfactory performance in terms of steady-state behavior, in which the output signals eventually meets the desired reference signals. After comparing the results of system simulation both with PID Controller and MPC, the writer may then infers that MPC is the better one to control this coupled-tanks multivariable system."

"Dalam suatu ujian, terutama di tingkat universitas, terdapat berbagai macam bentuk soal yang harus dikerjakan oleh mahasiswa. Salah satu bentuk yang banyak digunakan adalah ujian berupa esai. Namun ketika jawaban sudah terkumpul, terdapat kendala yang dihadapi oleh dosen, yaitu melakukan penilaian esai yang banyak memakan waktu dan tenaga. Oleh karena itu, dikembangkanlah suatu sistem untuk membantu pekerjaan dosen tersebut.Simple O merupakan sistem yang dikembangkan di Departemen Teknik Elektro Universitas Indonesia. Mulai dikembangkan pada tahun 2007, Simple O merupakan suatu sistem yang dapat melakukan penilaian terhadap perkerjaan mahasiswa yang bersifat esai. Tujuan dari diciptakannya sistem ini adalah untuk membantu dosen dalam melakukan penilaian terhadap ujian yang telah dilakukan mahasiswa.Simple O menggunakan algoritma Latent Semantic Analysis (LSA) ketika pertama kali dikembangkan. Kemudian sistem tersebut dikembangkan hingga menjadi algoritma Generalized Latent Semantic Analysis (GLSA) dan pada akhirnya dikembangkan algoritma Hybrid.

---

On some tests, especially in university, there are lots of types of questions that must be done by the students. One of them is essay. But when the answers are collected, there is a problem that is faced by the lecturer, the amount of time and energy that need to use by them. Because of that, people developped a system that can help the lecturer.

Simple O is a system that is developped in Electrical Engineering Department, University of Indonesia. The development was started in 2007, and it is a system that can grade the work of the students, in the form of essay. The purpose of the invention of this system is to help the lecturer in giving grades to the tests that have been done by the students.

Simple O uses LSA algorithm when the first time of its development. Then the system has been developped into Generalized Latent Semantic Analysis (GLSA) and finally it becomes Hybrid algorithm."