Hasil Pencarian  ::  Simpan CSV :: Kembali

"Biaya bahan bakar adalah hal yang tidak dapat kita pisahkan dari biaya perjalanan, khususnya pada Negara Indonesia yang menduduki peringkat pertama dalam penjualan kendaraan roda empat di asean selama berturut turut pada periode 2014-2017. Oleh karena itu biaya pada kendaraan roda empat membutuhkan perhatian khusus dalam mengetahui hal- hal yang mempengaruhi biaya bahan bakar dan pemantauannya. Terdapat beberapa faktor yang mempengaruhi tingkat penggunaan bahan bakar minyak beberapa diantaranya adalah nilai RPM dan Throttle Position selama berkendara yang pada penelitian ini di paparkan terhadap curve fitting untuk mendapatkan fungsi regresi yang menggambarkan hubungannya. Perancangan aplikasi berbasis cloud ini bertujuan untuk mengetahui biaya perjalanan yang kita keluarkan selama berkendara menggunakan data yang diambil dari raspberry Pi 3B+ via OBD II port. Hasil dari penelitian ini kita dapatkan hubungan antara RPM vs Tps vs fuel cost direpresentasikan dalam Fuel Cost(poly3) =-2.54 + 0.7574*x + 0.001014*y dengan koefisien determinasi R2 sebesar 0,9882 dan RSME 0,3731, error dari hasil analisa fuel cost sebesar 85 %. Analisis dari aplikasi menampilkan analisa data dalam bentuk grafis antara fuel cost terhadap waktu.

---

Fuel cost an integral part of travel cost , especially in Indonesia where road transport is the main way of transportation.This is supported by reaching the highest number of four wheeled vehicle in asean during 2014-2017. This condition led to the need of the ability to monitor gas expenses using four wheeled vehicle. In this research some variable is used to determine the rate of fuel cost during travel such as: RPM and Throttle Position. Using mathlab RPM and Throttle position will be curv fitted against fuel cost we get from calculating fuel cost.

The development purpose of this application is to do calculation of fuel cost using MAF, throttle position and RPM from raspberry Pi 3B+ via OBD II port. This research found that the relation of fuel cost to RPM and throttle position is represented by Fuel Cost(poly3) =-2.54 + 0.7574*x + 0.001014*y with the coefficient of detemination R2 = 0,9882 and RSME 0,3731. The analysis in this research is represented in graphs of fuel cost to time and trip number."

"Hampir semua aspek kehidupan manusia mulai dari pemantauan kondisi kesehatan, lokasi dan pergerakan setiap individu dapat dipantau dengan menggunakan peralatan yang terkoneksi dengan internet dengan memanfaatkan IoT dan Cloud Computing. Belum banyak pemanfaatan teknologi pada kendaraan roda empat yang meningkatkan experience dan kesadaran pengguna kendaraan roda empat dalam hal pemeliharaan kendaraan roda empat. Salah satu komponen yang penting untuk dipantau yang berdampak besar jika tidak dilakukan pemeliharaan adalah filter udara. Meskipun komponen ini sering diabaikan, namun jika terjadi clog atau pemampatan pada filter udara dapat menyebabkan AFR (Air Fuel Ratio) saat proses pembakaran yang terjadi di ruang bakar menjadi terganggu sehingga menyebabkan penurunan performa pada proses pembakaran pada ruang bakar.Penelitian ini membahas mengenai bagaimana pemanfaatan IoT untuk membangun suatu sistem (alat dan aplikasi berbasis android) yang stabil dan dapat berfungsi dengan baik untuk menjalankan fungsi pemantauan dan pemeliharaan khususnya predictive maintenance pada komponen filter udara. Dengan melakukan pengambilan data dari beberapa variabel seperti MAF (Mass Air Flow), TPS (Throttle Position Sensor) dan Engine Speed pada kendaraan roda empat mesin bensin 1500cc dan pengolahan data menggunakan persamaan Air Filter Coefficient Discharge (Caf) maka dapat diketahui kondisi terkini filter udara, waktu dan jarak sebelum filter udara mengalami pemampatan.Hasil akhir dari penelitian ini yaitu sebuah aplikasi berbasis android yang dapat menampilkan kondisi terkini filter udara pada kendaraan roda empat mesin bensin 1500cc yang memberikan beberapa informasi seperti kondisi filter udara dalam persen, estimasi waktu penggantian filter udara dalam bulan dan estimasi jarak tersisa sebelum filter udara sebelum mengalami pemampatan. Dari hasil pengujian yang dilakukan menggunakan dua sampel filter udara (filter udara baru dan lama) diapatkan hasil bahwa filter udara baru menunjukan kondisi 88% dengan estimasi waktu penggantian 38 bulan dan estimasi jarak penggantian filter udara 47954 km. Pada pengujian menggunakan filter udara lama dapat diketahui kondisi filter udara adalah 45% dengan estimasi waktu penggantian 10 bulan dan estimasi jarak penggantian 0 km yang mana menyatakan filter udara harus segera diganti.

---

lmost all aspects of human life, such as monitoring health conditions, location and movement of each individual can be monitored using equipment connected to the internet by utilizing IoT and Cloud Computing. There is not much use of technology in vehicles that increases vehicle user experience and awareness in terms of vehicle maintenance. One important component to monitor that has a major impact if not carried out maintenance is the air filter. Although these components are often ignored, if a clog occurs in the air filter will cause AFR (Air Fuel Ratio) during the combustion process that occurs in the combustion chamber to be disrupted and decrease its performance.This study discusses how to use IoT to build a system (Android-based tools and applications) that is stable and can work properly to perform monitoring and maintenance functions, especially predictive maintenance on air filter components. By taking data from several variables such as MAF (Mass Air Flow), TPS (Throttle Position Sensor) and Engine Speed ​​on four-wheeled 1500cc gasoline engines and processing data using the Air Filter Coefficient Discharge (Caf) equation, we will know the current condition of air filters, the time and distance before the air filter will be clogged.The final result of this research is an Android-based application that can display the current conditions of air filters on four-wheeled 1500cc gasoline engines that provide some information such as air filters in percent, estimation of replacement time of air filters in months and estimated cost before air filters before improving compression. From the results of tests carried out using two samples of air filters (new and old air filters) the results of the new air filter showed 88% conditions with an estimated 38-month replacement time and estimated distance of air filter replacement 47954 km. In testing using an old air filter, it can be ascertained that the 45% air filter with an estimated replacement time of 10 months and the estimated replacement distance of 0 km which is approved by the air filter must be replaced immediately.

---

"

"Dengan berbagai kemajuan teknologi, transportasi tetap bertanggung jawab sebagai penyumbang polusi udara terbesar khususnya emisi CO2. Dampak emisi CO2 ini sangat berbahaya bagi kesehatan dan lingkungan. Sudah ada beberapa cara yang dilakukan untuk mengurangi dampak yang dihasilkan emisi CO2 pada kendaraan roda empat. Salah satunya dengan melakukan tes emisi. Prosedur tes emisi ini dilakukan dengan perilaku berkendara tetap yang menyebabkan tes ini tidak representative terhadap keadaan nyata di jalan, oleh karena itu dibutuhkan monitoring langsung pada perilaku berkendara yang berbeda-beda. Dengan memanfaatkan teknologi OBD II dan konsep IoT (Internet of Things), peneliti dapat melakukan pengembangan ke arah monitoring. Pengembangan dilakukan dengan cara menghubungkan OBD II dan Raspberry Pi ke kendaraan roda empat. Perhitungan emisi CO2 dilakukan dengan memanfaatkan data MAF yang diperoleh dari OBD II. Hasil perhitugan tersebut dikirim ke aplikasi Android melalui Cloud Server agar dapat dibaca oleh pengguna aplikasi Android tersebut. Untuk memverifikasi model perhitungan, pengetesan dilakukan pada Nissan Juke tahun 2015 dengan melakukan uji jalan sejauh 300km pada tiga perilaku berkendara yang berbeda. Emisi CO2 yang dihasilkan diukur menggunakan Portable CO2 Meters Detector Tvoc Hcho AQI Monitor dan dibandingkan dengan hasil uji pada aplikasi. Nilai error verifikasi pengukuran pada masing-masing perilaku berkendara yaitu 11,65 % untuk eco, 7,38% untuk Normal, dan 49,56% untuk Sport. pengetesan yang dilakukan juga menunjukkan bahwa model perilaku berkendara Eco memiliki tingkat emisi terendah dibanding dua perilaku berkendara lainnya dengan jumlah emisi CO2 yang dihasilkan sebesar 33.401,25 g sedangkan untuk Normal dan Sport masing-masing secara berurutan menghasilkan emisi CO2 sebesar 56.250,26 g dan 123.122,99 g. Kemudian apabila dihubungkan dengan parameter perilaku berkendara, perilaku berkendara Eco dengan interval nilai Accelerator Position 4,63% – 10,99% menghasilkan CO2 per detiknya sebesar 0,57 g/s – 1,93 g/s, perilaku berkendara Normal dengan interval nilai Accelerator Position 16,23% – 24,15% menghasilkan CO2 per detiknya sebesar 3,37 g/s – 5,09 g/s, dan perilaku berkendara Sport dengan interval nilai Accelerator Position 71,89% – 78,39% menghasilkan CO2 per detiknya sebesar 13,00 g/s – 14,24 g/s.

---

With various technological advances, transportation remains responsible as the biggest contributor to air pollution, especially CO2 emissions. The impact of CO2 emissions is very dangerous for health and the environment. There have been several ways to reduce the impact of CO2 emissions on four-wheeled vehicles. One of them is by conducting emission tests. This emission test procedure is carried out with a fixed driving behavior which causes this test not to be representative of the actual situation on the road, because of that we require direct monitoring of different driving behaviors. By utilizing OBD II technology and collaborating with the concept of IoT (Internet of Things) Researchers can make development towards monitoring. Development is carried out by connecting the OBD II and Raspberry Pi that has been programmed to calculate CO2 emissions. The calculation of CO2 emissions is done by calculating the MAF data that can be obtained from OBD II. The results of these calculations are sent to the Android application via Cloud Server so that they can be read by the application's users. To verify the calculation model, testing was done on the 2015 Nissan Juke by conducting a road test on three different driving behaviors. The resulting CO2 emissions are measured using Portable CO2 Meters Detector Tvoc Hcho AQI Monitor and compared with test results on the application. The verification error measurement value on each driving behavior is 11,65% for Eco, 7,38% for Normal, and 49,56% for Sport. The testing also shows that the Eco-driving behavior model has the lowest emission level compared to the other two driving behaviors with the amount of CO2 emissions produced of 33.401,25 g while for Normal and sport respectively produced CO2 emissions of 56.250,26 g and 123.122,99 g. Then when connected with driving behavior parameters, Eco-driving behavior with an interval value of Accelerator Position 4.63% - 10.99% produces CO2 per second of 0.57 g/s - 1.93 g/s, Normal driving behavior with an interval value Accelerator Position 16.23% - 24.15% produces CO2 per second of 3.37 g/s - 5.09 g/s and Sport driving behavior with an interval of Accelerator Position 71.89% - 78.39% produces CO2 per second of 13.00 g/s - 14.24 g/s."

"

Sistem pengereman adalah salah satu sistem pengaman utama pada kendaraan roda empat dan membutuhkan perhatian khusus dalam pemantauan dan pemeliharaannya. Terdapat banyak faktor yang dapat mengakibatkan komponen sistem ini mengalami potensi kegagalan, salah satunya adalah karakter pengereman yang tidak baik. Pengembangan aplikasi android dengan konsep internet of things (IoT) dan cloud server ini bertujuan untuk mengetahui prediksi sisa masa hidup kampas dan cakram rem serta analisis kenaikan temperatur proses pengereman menggunakan data yang diambil menggunakan raspberry pi 3 B+ melalui OBD II port serta menggunakan pendekatan energi pengereman dari grafik kecepatan terhadap waktu. Hasilnya adalah aplikasi berhasil melakukan akuisisi data dan melakukan analisis, meskipun masih ada rata-rata 3,047 % error rate. Analisis pada aplikasi menyimpulkan periode waktu pemeliharaan komponen kritikal sistem pengereman harus disesuaikan untuk setiap pengguna karena rata-rata pengurangan masa hidup komponen berbeda pada setiap variasi karakter pengereman dengan hasil 20 kilometer per hari untuk kondisi 1 (pengereman yang baik), 25 kilometer per hari untuk kondisi 2 (pengereman yang kurang baik), dan 44 kilometer per hari untuk kondisi 3 (pengereman yang tidak baik).

 

---

Brake System is one of the most essential system for four-wheeler safety and drivers tend to strictly follow the service manual book for maintenance or replacement. However, brake system condition should be checked regularly because many factors contributing to the accelerated wear rate and other potential failure, one of them is bad braking behavior. The development of this android-based application with internet of things and cloud server concept has the objective to perform life expectancy of disc and pad life also temperature rise increase analysis to determine the condition of brake system according to daily data acquired using raspberry pi 3 B+ via OBD II port with the use of braking energy approach from velocity versus time graph. The results are the application system successfully do data acquisition and run all analysis, although the average error rate is around 3,047 %. The output of the analysis concluded that time interval or period of four-wheeler brake system maintenance must be adjusted because the decreasing of life expectancy for braking character variation are different with the result as follows; 20 kilometer per day for condition 1 (good braking character), 25 kilometer per day for condition 2 (average braking character), and 44 kilometer per day for condition 3 (bad braking character).

 

"

"Pelumas mesin adalah zat kimia berbentuk cairan yang diberikan diantara dua benda yang bergerak untuk mengurangi gaya gesek yang terjadi. Pelumas mesin perlu diganti secara berkala untuk menjaga keawetan mesin kendaraan roda empat. Produsen pabrikan kendaraan roda empat sudah memberikan jangka waktu penggantian pelumas kepada konsumen, namun jangka waktu tersebut hanya berupa acuan. Tujuan dari penilitian ini adalah mempelajari metode perhitungan untuk menemukan waktu penggantian pelumas yang tepat beserta parameternya, mempelajari hubungan dan karakteristik antara temperatur pelumas mesin dengan temperatur coolant, serta mempelajari hubungan perilaku berkendara terhadap penurunan kondisi pelumas mesin. Penilitian ini dilakukan dengan mengambil data temperatur pelumas mesin dan coolant menggunakan Ancel kemudian dilakukan analisis untuk mendapatkan rumus penentuan temperatur pelumas mesin dan didapati mean absolute error sebesar 0 hingga 3,60. Penilitian ini dilakukan dengan melakukan pengujian perilaku berkendara eco, normal, dan sport sejauh 300 km tiap perilaku berkendara. Pada penelitian ini, data kecepatan putaran mesin dan temperatur coolant diambil melalui OBD II lalu diolah menggunakan Raspberry Pi menjadi RPS dan temperatur pelumas mesin kemudian diolah lebih lanjut oleh backend kemudian data tersebut dikirimkan ke Android. Pada aplikasi Android, output dari hasil pengolahan data tersebut ditampilkan menjadi persentase kondisi pelumas mesin, jarak sisa tempuh pelumas mesin, dan waktu sisa tempuh pelumas mesin. Hasil pengujian menunjukkan bahwa pada perilaku berkendara sport, kondisi pelumas mesin mengalami penurunan paling besar di angka 3,9% diikuti dengan normal sebesar 3,18% dan yang mengalami penurunan paling sedikit adalah eco dengan 2,39%.

---

Engine oil is a liquid chemical that is given between two moving objects to reduce the frictional force that occurs. Engine lubricant needs to be replaced periodically to maintain the durability of four-wheeled vehicles. Manufacturers of four-wheeled vehicle manufacturers have given the lubricant replacement period to consumers, but this time period is only a reference. The purpose of this research is to study the calculation method to find the right time to replace the lubricant along with its parameters, study the relationship and characteristics between engine lubricant temperature with coolant temperature, and study the relationship of driving behavior to decrease engine lubricant conditions. This research was carried out by taking data on engine lubricant temperature and coolant using Ancel and then analyzing it to get the formula for determining engine oil temperature and found the mean absolute error of 0 to 3.60. This research is done by testing the driving behavior of eco, normal, and sport as far as 300 km for each driving behavior. In this study, engine speed and coolant temperature data are taken through OBD II and then processed using Raspberry Pi into RPS and engine lubricant temperature then further processed by the backend then the data is sent to Android. On the Android application, the output of the data processing results is displayed as a percentage of engine lubricant conditions, engine lubricant remaining distance, and engine lubricant remaining time. The test results show that in sports driving behavior, the condition of engine lubricants decreased the most at 3.9% followed by normal at 3.18% and the lowest decreased was eco with 2.39%."

"Konsumsi bahan bakar pada kendaraan roda empat tidaklah terlalu efisien. Salah satu alasan di balik kurang efisiennya penggunaan bahan bakar adalah perilaku berkendara yang tidak tepat karena didasar pada perasaan pengemudi. Hal ini menghasilkan efisiensi konsumsi BBM rendah. Untuk mengatasi masalah tersebut, dibutuhkan suatu sistem di mana perilaku berkendara seorang pengemudi dan konsumsi bahan bakar yang dihasilkan dapat dinilai dan dikalkulasikan. Penelitian ini mencoba untuk mengembangkan sistem di mana data dari On-Board Diagnostics-II (OBD-II) Port diambil oleh Raspberry Pi dan dikalkulasikan untuk mendapat angka konsumsi BBM, dan dikirim ke backend cloud storage untuk disimpan. Data tersebut didapatkan melalui serangkaian kegiatan berkendara yang dimonitor untuk mengembangkan aplikasinya dengan mengambil data accelerator pedal position dan fuel economy, sebelum akhirnya menggunakan data sesungguhnya dari kegiatan berkendara biasa. Hasil yang didapat adalah, fuel economy perilaku berkendara sport bernilai 0,4-5,9 km/L, normal 4,8-8,5 km/L, eco 8,5-11,1 km/L. Data accelerator pedal position perilaku berkendara eco 6-12%, normal 12-24%, sport 24-45%. Data ini kemudian ditampilkan melalui telepon genggam Android melalui serangkaian protokol yang mengambil data yang sudah dikalkulasikan dari cloud storage dan menyajikannya dalam format yang lebih mudah dimengerti bagi penggunanya. Lalu dilakukan validasi konsumsi BBM melalui aplikasi dengan metode full-to-full yang menghasilkan angka Mean Absolute Percentage Error (MAPE) sebesar rata-rata 13,1%. Angka ini merupakan angka kesalahan rata-rata aplikasi.

---

Fuel consumption in automobiles are not particularly efficient. One of the reasons behind the inefficiency is improper driving behavio due to the usage of feeling and judgment. To mitigate this problem, there needs to be a system where driver's driving behavior and the car's fuel consumption can be assessed and calculated. This research tried to develop a system where data from car's OBD-II Port are taken by Raspberry Pi, sent to cloud database, where it is then calculated to acquire the driving behavior and fuel consumption. The data are first obtained through a series of monitored driving to develop the application, before using real data from usual driving activity. The results are driving behavior's fuel consumption figure which is sport 0,4-5,9 km/L, normal 4,8-8,5 km/L, sport 8,5-11,1 km/L. The accelerator pedal position figures fore eco is 6-12%, 12-24%, and sport 24-45%.  This data is displayed on an Android phone through sets of protocol that collect the calculated data from cloud database and serve it in a more understandable manner in order for users to acquire useful information regarding the fuel consumption and driving behavior. The final application's fuel economy figures are then validated using full-to-full method to produce Mean Absolute Percentage Error (MAPE) which is 13,1%. This is the application's average fuel consumption reading's figure."

"ABSTRAKIndustri 4.0 telah membuat industri otomotif di dunia mengalami pertumbuhan dan lebih memperhatikan pengemudi yang diklasifikasikan sebagai generasi muda atau modern. Hal tersebut telah mendorong industri otomotif Indonesia sebagai produsen terbesar kedua setelah Thailand di Asia Tenggara untuk mempertimbangkan minat pengemudi generasi muda dalam teknologi digital untuk mengakses data kendaraan, memeriksa dan mendiagnosis kondisi komponen. Internet of Things sebagai istilah dalam teknologi digital memiliki dampak pada pengurangan biaya pemeliharaan dan meningkatkan siklus hidup kendaraan yang merupakan kegiatan penting bagi kendaraan. Salah satunya adalah penggunaan algoritma machine learning yang telah banyak digunakan dalam mendiagnosis masalah kendaraan. Untuk menjadwalkan kegiatan pemeliharaan, algoritma machine learning yang digunakan adalah metode regresi yang akan diperbandingkan dengan perhitungan empirikal rumus. Sebuah perangkat diagnosa dibuat untuk memberikan informasi kendaraan secara real-time menggunakan sambungan yang sudah tersedia pada kendaraan. Informasi tersebut kemudian digunakanuntuk memprediksi kondisi komponen pada kendaraan. Perangkat terhubung dan menyimpan data di cloud. Kemudian pengemudi dapat mengawasi kondisi kendaraan secara langsung melalui smartphone dengan hasil perhitungan baik secara empirikal maupun menggunakan machine learning yang telah diverifikasi oleh uji verifikasi untuk memperbarui program perhitungan dalam mengurangi nilai kesalahan. Perhitungan pada aplikasi tersebut diperoleh dengan melakukan pengujian berdasarkan perilaku berkendara. Kondisi komponen yang diamati memberikan penurunan sebesar 1.35% - 2.38% untuk komponen penyaring udara dengan nilai MAE dan MSE berturut-turutsebesar 0.117 dan 0.017 yang terbesar terjadi pada perilaku Eco. Komponen pelumas juga mengalami penurunan sebesar 2.38% - 36.32% dengan nilai MAE dan MSE secara berturut-turut adalah 0.237 dan 0.082 yang terbesar terjadi pada perilaku Normal. Secara menyeluruh, aplikasi dapat dipercaya memprediksi kondisi komponen dengan tingkat kesalahan pada komponen penyaring udara dan pelumas berturut-turut adalah 0.3163% dan 0.2367%.

---

ABSTRACTIndustry 4.0 has made the automotive industry in the world experience growth and pay more attention to drivers who are classified as young or modern generation. This has pushed the Indonesian automotive industry as the second largest producer after Thailand in Southeast Asia to consider the interest of young generation drivers in digital technology to access vehicle data, examine and diagnose component conditions. Internet of Things as a term in digital technology has an impact on reducing maintenance costs and increasing vehicle life cycles which are important activities for vehicles. One of them is the use of machine learning algorithm which has been widely used in diagnosing vehicle problems. To schedule maintenance activities, the machine learning algorithm used is a regression method that will be compared with the empirical calculation of the formula. A diagnostic device is made to provide vehicle information in real-time using the connectionthat is already available on the vehicle. The information is then used to predict the condition of the components on the vehicle. The device is connected and stores data in the cloud. Then the driver can monitor the condition of the vehicle directly through a smartphone with the results of calculations both empirically and using machine learning that has been verified by a verification test to update the calculation program in reducing the error value. Calculations in the application were gained by doing test based on driving behavior. Observed component condition had decreasing value around 1.35% - 2.38% for air filter component with MAE and MSE number 0.117 and 0.017 respectively which thebiggest error occurred at Eco behavior. Engine lubricant also experienced decreasing value around 2.38% - 36.32% with MAE and MSE number 0.237 and 0.082 respectively which the biggest error occurred at Normal behavior. Overall, the application can reliablypredict component conditions with an error rate in the air filter and lubricant components respectively 0.3163% and 0.2367%."

"

Dalam kendaraan bermotor terdapat sistem yang sangat kompleks, termasuk sistem lubrikasi. Fungsi utama lubrikasi adalah mencegah overheat yang dapat berakibat pada terkuncinya bagian yang bekerja akibat berlebihnya friksi. Minyak pelumas akan mengalami penurunan kualitas selama kendaraan digunakan. Oleh karenanya minyak pelumas disarankan untuk diganti secara berkala. Namun terdapat kebingungan untuk menentukan kapan minyak pelumas harus diganti, jarak yang sudah ditempuh dalam satuan kilometer atau waktu sejak minyak pelumas terakhir diganti dalam satuan bulan. Mengganti minyak pelumas terlalu cepat akan atau telat mengganti minyak pelumas dua-duanya akan berdampak buruk. Sehingga dikembangkan aplikasi android yang dapat melakukan prediksi sisa masa pakai minyak pelumas. Perilaku berkendara yang berbeda-beda pada tiap pengendara juga merupakan faktor yang berpengaruh dalam menentukan masa pakai komponen kendaraan bermotor. Penulis melakukan verifikasi secara laboratoris terhadap prediksi aplikasi. Parameter pengujian laboratorium yang dicari adalah TBN, Viskositas Kinematik pada suhu 40ºC dan 100ºC, serta. Verifikasi dilakukan dengan menghitung MAE dan MSE dari persentase keluaran aplikasi terhadap hasil regresi hasil pengujian laboratorium yang dilanjutkan dengan mencari faktor pengali untuk persentase aplikasi. MAE dan MSE dari persentase keluaran aplikasi pada masing masing perilaku berkendara adalah: eco: 2,39 dan 8,83; normal: 5,78 dan 51,69; sport: 16,24 dan 409,71. Setelah faktor pengali digunakan, MAE dan MSE dari persentase keluaran aplikasi pada masing masing perilaku berkendara turun menjadi: eco: 0,036 dan 0,02; normal: 0,309 dan 0,114; sport: 0,272 dan 0,079.

 

---

In motorized vehicles there are very complex systems, including lubrication systems. The main function of lubrication is to prevent overheating which can result in the locking of the working part due to excessive friction. Lubricating oil will experience a decrease in quality during vehicle use. Therefore lubricating oils are advised to be replaced periodically. But there is confusion in determining when the lubricating oil must be replaced, the distance traveled in kilometers or the time since the last lubricating oil was replaced in months. Replacing the lubricating oil too soon will or late to replace the lubricating oil will both have a bad impact. So that an android application is developed that can predict the remaining life of the lubricating oil. Different driving behavior of each driver is also an influential factor in determining the life span of motor vehicle components. The author verifies the application prediction with laboratory test. The laboratory testing parameters sought were TBN, Kinematic Viscosity at temperatures of 40ºC and 100ºC, and Viscosity Index. Verification is done by calculating MAE and MSE from the percentage of application output to the regression results of laboratory test results, followed by finding multipliers for the percentage of applications. MAE and MSE of the percentage of application output on each driving behavior are: eco: 2.39 and 8.83; normal: 5.78 and 51.69; sport: 16.24 and 409.71. After the multiplier is used, MAE and MSE from the percentage of application output in each driving behavior drops to: eco: 0.036 and 0.02; normal: 0.309 and 0.114; sport: 0.272 and 0.079.

 

"

"Aki merupakan sebuah komponen penting dalam sebuah kendaraan roda empat, oleh karena aki sebagai penyedia arus listrik pada saat penyalaan yang membutuhkan energi listrik secara besar dan cepat, sehingga performa aki harus dipantau agar tidak memperngaruhi kenyamanan dalam menggunakan kendaraan roda empat. Kendaraan roda empat biasanya tidak memiliki indikator atau instrument yang memberi peringatan jika performa aki sudah berkurang, juga sulitnya dan tidak tepatnya melihat kondisi aki dengan melihat langsung indikator aki, jika aki tersebut dilengkapi dengan indikator. Sehingga pada penelitian kali ini dibuatnya aplikasi pemantauan performa aki yang berbasis android, sehingga performa aki dapat dilihat dengan mudah dan juga dapat nilai performa secara akurat, juga dalam penelitian kali ini, penelitian juga membuat perbandingan performa aki dalam tiga cara berkendara, yaitu Sport, normal, dan eco, dengan adanya tiga cara berkendara penelitian ini akan memiliki hasil perbedaan performa dengan cara berkendara. Penelitian ini dilakukan dengan cara mengambil dua nilai voltase aki yang berurutan pada saat penyalaan sehingga kita dapat mengkalkulasi niali performa aki. nilai voltase aki tersebut diambil menggunakan bantuan OBD-II pada kendaraan roda empat menggunakan ELM327 yang terhubung dengan Raspberry Pi sebagai penyimpan, pengolah, dan pengirim data ke aplikasi android, sehingga data performa aki dapat langsung dilihat pada aplikasi android.Pada penelitian ini juga didapati aki yang digunakan tidak memiliki pengaruh terhadap suhu kerja aki, juga kendaraan roda empat yang digunakan juga memiliki pembebanan yang stabil dan juga memiliki perangkat untuk mengetahui energi yang keluar dan masuk dari aki, sehingga didapat nilai perhitungan pada performa aki dapat ditetapkan dengan menggunakan penurunan voltase aki paling besar dengan nilai yang didapat dari pengujian. Pada kendaraan roda empat ini memiliki teknologi yang memaksimalkan energi perlambatan untuk dijadikan energi listrik yang disimpan kedalam aki, sehingga pada cara berkendara sport memiliki nilai performa aki yang tinggi hingga +7% dan pada cara berkendara eco memiliki nilai performa aki yang lebih rendah -1,4% dari yang diberikan produsen aki, dan cara berkendara normal memiliki nilai performa aki +0,3% dari nilai performa yang diberikan oleh produsen aki.

---

The battery is an important component in a four-wheeled vehicle, because the battery as a storage of electric energy when starting. Starting requires large and fast electrical energy, so battery performance must be monitored to affect the comfort of using a four-wheeled vehicle. Four-wheeled vehicles usually do not have indicators or instruments that give a warning if the battery performance has decreased, it is also difficult to see the condition of the battery by looking directly at the battery indicator, if the battery is equipped with an indicator. So in this research, an Android-based battery performance monitoring application was made, so the battery performance can be seen easily and can also be accurately assessed performance, also in this research, this study also made a comparison of battery performance in three driving behaviour, Sport, Normal , and Eco, with the existence of three ways of driving behaviour this study will have the results of differences in performance by driving. This research was conducted by taking two consecutive battery voltage values at the time of ignition so that we can calculate the battery performance value. The battery voltage value is taken using OBD-II on four-wheeled vehicles using ELM327 which is connected to the Raspberry Pi as a storage, processing, and sending data to the Android application, so that battery performance data can be seen directly in the Android application. The battery not have an effect on the working temperature of the battery, also the four-wheeled vehicles used also have a stable loading and also the four-wheeled vehicles have a current sensor, a device to find out the energy that charge or discharge from four-wheeled vehicles battery, so that the calculation value on battery performance can be determined using the largest reduction in battery voltage with the value obtained from testing. This four-wheeled vehicle has technology that maximizes deceleration energy to be converted into electrical energy stored in the battery, so that in sports driving, the battery performance value is high up to + 7% and in eco-driving it has a lower battery performance value of -1, 4% of what the battery manufacturer provides, and normal driving has a battery performance value of + 0.3% of the performance value given by the battery manufacturer."

"Salah satu komponen penting dalam kendaraan adalah sistem pengereman. Fungsi utama dari sistem pengereman adalah memberikan deselerasi sehingga dapat memberhentikan laju kendaraan. Bagian penting dari komponen pengereman salah satunya adalah kampas rem. Namun unttuk mengetahui kondisi fisik dari kampas rem perlu dilakukan pembongkaran komponen roda dan rem. Sehingga salah satu tahap awal pengembangan adalah dibuatnya sebuah aplikasi yang dapat melakukan prediksi sisa umur dari kampas rem tersebut tanpa harus melakukan pembongkaran. Namun aplikasi tersebut belum 100% sempurna, perlu adanya verifikasi hasil yang dapat membuktikan bahwa aplikasi siap digunakan. Maka dari itu penelitian kali ini akan melakukan verifikasi aplikasi tersebut melalui pendekatan pemantauan kondisi fisik dari kampas rem itu sendiri. Selain itu pada penelitian kali ini, penulis akan mencoba mencari hubungan antara perilaku berkendara dengan pengaruhnya terhadap laju aus kampas rem. Setelah dilakukan pengujian jalan dengan 3 perilaku berkendara berbeda, didapatkan hasil bahwa pengendara dengan perilaku eco akan terjadi aus sebesar 0.42%, perilaku normal sebanyak 1.65% dan perilaku sport sebanyak 44.96% dari tebal kampas rem semula. Terdapat hasil yang signifikan pada perilaku berkendara sport karena pada perilaku ini tekanan dan suhu pengereman akan sangat tinggi jika dibandingkan dengan eco dan normal. Selain itu juga diketahui bahwa masih terdapat salah alur perhitungan pada program yang dijalankan pada aplikasi dengan faktor koreksi sebesar 33.37. Setelah dilakukan koreksi pada program, faktor koreksi menjadi 0.99. Faktor koreksi ini adalah rasio perbandingan dengan hasil prediksi umur kampas rem berdasarkan pengamatan langsung perubahan ketebalan kampas rem hasil uji jalan.

---

One important component in a vehicle is the braking system. The main function of the braking system is to provide deceleration so as to stop the vehicle speed. One important part of the braking component is the brake lining. But to know the physical condition of the brake lining, it is necessary to dismantle the wheel and brake components. So that one of the initial stages of development is to make an application that can predict the remaining life of the brake lining without having to do the demolition. However, the application is not 100% perfect, it is necessary to verify the results that can prove that the application is ready to use. Therefore this study will verify the application with the physical condition monitoring approach of the brake lining itself. In addition, in this study, the author will try to find a relationship between driving behavior and its effect on the wear rate of the brake lining. After testing the road with 3 different driving behaviors, it was found that the driver with eco behavior would consume 0.42%, normal behavior as much as 1.65% and sport behavior as much as 44.96% of the thickness of the original brake lining. There is a significant result in sports driving behavior because in this behavior the braking pressure and temperature will be very high when compared to eco and normal. In addition, it is also known that there is still a wrong calculation flow in the program running in the application with a correction factor of 33.37. After making corrections to the program, the correction factor becomes 0.99. This correction factor is the ratio of the ratio with the results of prediction of the age of the brake lining based on direct observation of changes in the thickness of the brake lining on the results of the road test."