Hasil Pencarian  ::  Simpan CSV :: Kembali

"Estimasi biaya proyek jalan layang dengan akurasi yang tinggi pada fase konseptual pengembangan proyek sangat penting untuk perencanaan dan studi kelayakan. Namun, sejumlah kesulitan muncul ketika melakukan estimasi biaya selama tahap konseptual. Mayor masalah yang dihadapi adalah kurangnya informasi awal, kurangnya database jalan layang, kurangnya metode estimasi biaya yang sesuai, dan faktor ketidakpastian. Untuk mencapai optimasi model, perlu digunakan variabel yang tepat dan baik sebagai input sehingga keakurasian output yang dihasilkan dapat dipertanggungjawabkan. Variabel yang mempengaruhi biaya proyek jalan layang yang digunakan pada penelitian ini adalah panjang, lebar, lokasi, tipe pondasi, tahun pembuatan. Variabel tersebut kemudian dimasukkan dalam arsitektur jaringan yang paling cocok dan terbaik sehingga akurasi mencapai 28% sesuai standar AACE.

---

Project cost estimating of flyover with high accuracy in the conceptual phase of project development is essential for planning and feasibility studies. However, a number of difficulties arise when performing cost estimates during the conceptual stage. The major problems encountered is the lack of initial information, the lack of database, the lack of appropriate methods of cost estimation, and uncertainty factors. To reach model optimization, correct and good variables are needed as inputs to gain output which is accurate and accountable. The variables which affect the project cost and use in this research are length, width, type of pondation, location and year. The variables then run in the most suitable network architecture and the best, so that the accuracy reached 28% according to the standard AACE."

"As an extension of artificial intelligence research, artificial neural networks (ANN) aim to simulate intelligent behavior by mimicking the way that biological neural networks function. In Artificial Neural Networks, an international panel of experts report the history of the application of ANN to chemical and biological problems, provide a guide to network architectures, training and the extraction of rules from trained networks, and cover many cutting-edge examples of the application of ANN to chemistry and biology. In the tradition of the highly successful Methods in Molecular Biology series, this volume exhibits clear, easy-to-use information with many step-by-step laboratory protocols."

"Motor induksi adalah mesin yang memanfaatkan prinsip induksi elektromagnetik untuk mengubah energi listrik menjadi energi mekanik dan digunakan sebagai penggerak dalam dunia industri. Ketika motor induksi dengan kapasitas yang besar terhubung ke jaringan sistem yang besar maka motor induksi membutuhkan torsi awal sehingga menghasilkan arus start yang besar yang akan mengakibatkan jatuh tegangan pada bus di sekitar motor. Dalam mengoperasikan motor induksi, waktu starting perlu diperhatikan karena semakin lama waktu starting motor maka akan memungkinkan motor untuk gagal beroperasi. Untuk menghindari dampak yang diakibatkan karena arus start yang sangat besar maka diperlukan pemilihan metode starting motor induksi berkapasitas 94.8 kW di Stasiun Dukuh Atas. Simulasi startingdilakukan menggunakan perangkat lunak ETAP 19.0.1 untuk melihat karakteristik motor dengan metode Direct On Line(DOL) dan Star-Delta. Hasil simulasi menunjukkan metode Direct On Line (DOL) menghasilkan arus starting yang lebih besar dibandingkan dengan metode starting secara Star-Delta (Y/D) yaitu 613.72% dari FLA, sedangkan pada metode Star-Delta menghasilkan arus start sebesar sebesar 373.61% dari FLA. Torsi start metode Direct On Line (DOL) lebih besar dibandingkan dengan metode Star-Delta yaitu sebesar 81.44% dari torsi minimal, sedangkan torsi start pada metode Star-Delta sebesar 30.18% dari torsi nominal. Nilai arus dan torsi start akan memengaruhi waktu sistem untuk mencapai kondisi tunak. Pada metode Direct On Line (DOL) membutuhkan waktu 13.06 detik untuk mencapai kondisi tunak, sedangkan metode Star-Delta waktu tercepat yang dibutuhkan untuk mencapai kondisi tunak yaitu 14.56 sekon saat waktu switching pada detik ke-2.

---

An induction motor is a machine that utilizes the principle of electromagnetic induction to convert electrical energy into mechanical energy and is used as a driving force in the industrial world. When an induction motor with a large capacity is connected to a large system network, the induction motor requires an initial torque so that it produces a large starting current which will result in a voltage drop on the bus around the motor. In operating an induction motor, the starting time needs to be considered because the longer the starting time the motor will allow the motor to fail to operate. To avoid the impact caused by the very large starting current, it is necessary to choose the method of starting an induction motor with a capacity of 94.8 kW at Dukuh Atas Station. The starting simulation was carried out using the ETAP 19.0.1 software to see the characteristics of the motor using the Direct On Line (DOL) and Star-Delta methods. The simulation results show that the Direct On Line (DOL) method produces a larger starting current compared to the Star-Delta (Y/D) starting method, namely 613.72% of FLA, while the Star-Delta method produces a starting current of 373.61% of FLA. The starting torque for the Direct On Line (DOL) method is greater than the Star-Delta method, which is 81.44% of the minimum torque, while the starting torque for the Star-Delta method is 30.18% of the nominal torque. The rated current and starting torque will affect the time it takes for the system to reach steady state. The Direct On Line (DOL) method takes 13.06 seconds to reach a steady state, while the Star-Delta method takes the fastest time to reach a steady state which is 14.56 seconds when the switching time is in the 2nd second.

"

"Identifikasi sistem dinamik merupakan tahapan awal dalam melakukan perancangan algoritma kendali pada suatu sistem dinamik. Namun, pada sistem dinamik yang multivariabel, tidak linier dan kopling tinggi-seperti pada misil AIM-9L Sidewinder-identifikasi sistem dinamik umumnya akan gagal dan sering terjadi simplifikasi pada sistem yang diidentifikasi, seperti dekopling dan linearisasi sistem. Pada penelitian ini, identifikasi sistem dinamik misil dilakukan dengan menggunakan algoritma artificial neural network dengan harapan karakteristik sistem dinamik tetap terjaga dengan baik. Penerbangan misil dilakukan dengan menggunakan simulator X-Plane dan akuisisi data penerbangannya dilakukan menggunakan bahasa pemrogramman python. Penerbangan dilakukan dengan sinyal referensi swept-sine dan zig-zag untuk mancakup banyak kemungkinan penerbangan misil. Hasilnya, artificial neural networks dapat melakukan pemetaan pola sistem dinamik misil dengan standardized MSE 7.155x10^(-2).

---

Dynamical system identification is the very first step in designing a control algorithm on a dynamic system. However, in the multivariate, nonlinear and coupled dynamical system-like the AIM-9L Sidewinder missile-dynamical system identifications are often failed and oversimplified the dynamical system, such as decoupling and linearization. In this research, system identification is done by using artificial neural networks algorithm with expectations that its characteristics will be maintained well. The missile flights are done by using the X-Plane flight simulator and the acquisition process is done by using python language. The flights use swept sine and zig-zag references to cover lots of missile flight conditions possibility. As a result, artificial neural networks can do missile dynamical pattern mapping with 7.155x10^(-2) standardized mean squared errors."