Hasil Pencarian  ::  Simpan CSV :: Kembali

"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."

"Berkendara adalah salah satu aktivivitas yang berbahaya. Kegagalan atau kesahalan pengemudi dalam mengemudikan kendaraan (seperti kurangnya focus, mengantuk dan penyakit) menjadi salah satu penyebab kecelakaan yang paling besar. Oleh karena itu, Advanced Driving Assistance System (ADAS) telah menjadi fokus penelitian yang dilakukan pada ranah akademis dan industri. Salah satu model ADAS yang dikembangkan yakni Lane Keeping Assistance System. Sistem bantuan ini memanfaatkan informasi yang diberikan oleh vision system (geometri jalan, dan posisi kendaraan), sensor devices (torsi, sudut kemudi, yaw angle, dan tingkah laku pengemudi) untuk dikalkulasikan agar kendaraan tetap berada di jalur yang tepat. Penelitian ini berfokus pada pengembangan pengendali lateral dengan menggunakan Model Predictive Control (MPC) untuk mengatasi masalah model kendaraan yang non linier, gangguan eksternal, keadaan kendaraan dan lingkungan kendaraan yang bervariasi, serta sharing control antara pengemudi dengan sistem bantuan. Secara umum, skema pengendalian terbagi menjadi tiga bagian, yaitu persepsi yang berfungsi untuk mendeteksi marka jalan dengan menggunakan sensor ADAS yang terdapat pada CarSim. Selanjutnya memodelkan referensi trajektori sebagai set point dalam pengendalian. Terakhir, pengendali lane keeping dengan MPC. Dalam penelitian ini, menggunakan model identifikasi bertingkat untuk mendapatkan model kendaraan yang mendekati model yang sesungguhnya. Hasil identifikasi ini kemudian akan digunakan pada MPC. Secara keseluruhan, penelitian ini menggunakan MATLAB®, Simulink®, dan Mechanical Simulation CarSim. Hasil percobaan menunjukkan MPC memiliki kemampuan yang baik untuk menjaga kendaraan tetap berada dijalur yang tepat.

---

Driving is a dangerous activiy. The failure of human driver’s performance (for example inattention, drowsiness, and illness) remains one of the most important causes the accident. Therefore, advanced driving assistance system (ADAS) have become the focus research in both academy and industry settings. The one part of ADAS models developed is the lane keeping assistance system. The assistance system of line keeping assist utilizes information that provided by the vision system (like road geometry, and vehicle position), and by sensor devices (like torque, steering angle, yaw angle, yaw rate error, and driver behavior). Then the informations is calculated so the vehicle stays in the center of the lane. This study has been focused on the development of lateral control for autonomous driving based on Model Predictive Control (MPC). The propose strategy utilized MPC to solve many shortcomings in terms of overcoming non-liner vehicle models, external disturbance, varying vehicle state and environment, and sharing control between humans and assistance system. Generally, scheme control method devided into three part: perception serves to detect boundary lines by using ADAS sensor in CarSim. Then reference trajectory generation as a set point in control. The last is controlling the vehicle keep in the center of the line. In this study, also using a multistage identification to obtain a dynamic lateral bicycle vehicle model that approaches the actual model. The result of identification model will be used for MPC controllers. The overall system has been developed using MATLAB®, Simulink®, and Mechanical Simulation CarSim. The experimental result show that MPC method have a good performance for keep the vehicle in the center of the lane."

"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."

"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.

---

"

"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%."

"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%."

"

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.

 

"

"Penelitian ini bertujuan untuk menganalisis hubungan perilaku berkendara dengan efektivitas radiator pada kendaraan dan mengembangkan aplikasi pemantau berbasis Android yang terintegrasi dengan Internet of Things (IoT). Dengan menggunakan ESP32 dan OBD-II untuk mendapatkan data suhu coolant dan posisi pedal akselerasi. Kemudian data tersebut dikirim dan disimpan di Firebase Cloud Server. Data tersebut kemudian ditampilkan pada aplikasi berbasis Android yang dibuat menggunakan Android Studio dan Flutter. Perhitungan Steinhart-Hart digunakan untuk mendapatkan nilai suhu dari thermistor yang digunakan untuk mendapatkan nilai efektivitas radiator. Pelepasan panas juga diperhitungkan untuk mengetahui kemampuan coolant dalam menyerap panas mesin. Pengujian menunjukkan bahwa perilaku berkendara sangat berpengaruh terhadap efektivitas radiator. Pada mode berkendara Eco, rata-rata efektivitas pendinginan mencapai 25,48%, dengan efektivitas terbaik sebesar 33,76% dan efektivitas terendah sebesar 15,75%. Mode berkendara Normal memiliki rata-rata efektivitas 20,72%, dengan efektivitas terbaik 29,51% dan terendah 11,67%. Sementara itu, mode Sport menunjukkan efektivitas terendah dengan rata-rata 14,62%, efektivitas terbaik 26,09%, dan terendah 7,91%. Kemudian melakukan verifikasi error menggunakan thermometer HABOTECH HT650c dan mendapatkan error sebesar 3,4% untuk Eco, 15,1% untuk Normal, dan 32,1% untuk Sport. Penyebab error tersebut dikarenakan perbedaan kalibrasi sensor OBD-II serta fluktuasi suhu yang cepat pada Normal dan Sport. Penelitian ini menyimpulkan bahwa perilaku berkendara Eco sangat direkomendasikan untuk penggunaan harian untuk menjaga umur mesin. Aplikasi dikembangan agar dapat mengurangi risiko overheating dan memantau efektivitas radiator secara real-time.

---

This study aims to analyze the relationship between driving behavior and radiator effectiveness in vehicles and to develop an Android-based monitoring application integrated with the Internet of Things (IoT). Using ESP32 and OBD-II, data on coolant temperature and accelerator pedal position were collected, then transmitted and stored on Firebase Cloud Server. The data were subsequently displayed on an Android-based application developed using Android Studio and Flutter. The Steinhart-Hart calculation is used to determine the temperature value from the thermistor, which is utilized to obtain the radiator effectiveness. Heat dissipation is also considered to determine the coolant's ability to absorb engine heat. Testing revealed that driving behavior significantly affects the effectiveness of the radiator. In Eco mode, the average cooling effectiveness reached 25.48%, with a maximum effectiveness of 33.76% and a minimum of 15.75%. Normal mode had an average effectiveness of 20.72%, with a maximum of 29.51% and a minimum of 11.67%. Meanwhile, Sport mode showed the lowest effectiveness, averaging 14.62%, with a maximum of 26.09% and a minimum of 7.91%. Verification of errors was performed using the HABOTECH HT650c thermometer, resulting in errors of 3.4% for Eco, 15.1% for Normal, and 32.1% for Sport. These errors were attributed to differences in sensor calibration between the OBD-II and thermometer, as well as rapid temperature fluctuations in Normal and Sport modes. This study concludes that Eco driving behavior is highly recommended for daily use to help extend engine life. The application was developed to reduce the risk of overheating and to monitor radiator effectiveness in real-time."

"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."