Hasil Pencarian  ::  Simpan CSV :: Kembali

"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 penyimpanan energi berbasis baterai ion litium berskala besar semakin banyak digunakan. Penggunaan baterai dalam skala besar memerlukan mekanisme proteksi yang andal untuk mencegah terjadinya thermal runaway yang dipicu oleh perlakuan tidak tepat pada sel baterai. Proteksi pada sel baterai dapat dilakukan dengan memantau dan mengendalikan interaksi antara sel baterai dengan beban. Proteksi pada sel baterai dilakukan dengan menggunakan battery management sytem. Pemanfaatan kapabilitas mikrokontroler bersamaan dengan integrated circuit LTC6802-2 dapat diimplemetasikan untuk menjalankan fungsi dasar battery management system. Pada penelitian ini, dilakukan perancangan dan pengimplementasian battery management system. Penelitian dilakukan untuk menentukan nilai kesalahan relatif dari sensor tegangan, arus, dan suhu. Dilakukan pengujian untuk mengetahui tingkat keandalan battery management system dalam melakukan proteksi terhadap kondisi overcurrent, overheat, undervoltage, dan overvoltage. Berdasarkan hasil percobaan, didapat nilai rata-rata kesalahan relatif sebesar 0,062% untuk parameter tegangan, 1,488% untuk parameter arus, dan 7,738% untuk parameter suhu.

---

Large-scale lithium ion battery-based energy storage systems are widely being used. The use of batteries on a large scale requires a reliable protection mechanism to prevent thermal runaway that is triggered by improper treatment of battery cells. Protection of the battery cell can be done by monitoring and controlling the interaction between the battery cell and the load. Protection of the battery cell is done by using a battery management system. Utilization of microcontroller capabilities together with LTC6802-2 integrated circuits can be implemented to carry out the basic functions of the battery management system. In this research, a battery management system is designed and implemented. The study was conducted to determine the relative error value of the voltage, current and temperature sensors. Tests are carried out to determine the level of reliability of the battery management system in protecting against overcurrent, overheat, undervoltage, and overvoltage conditions. Based on the experimental results, the average relative error value of 0,062% for the voltage parameter, 1,488% for the current parameter, and 7,738% for the temperature parameter."

"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."

"Permintaan masyarakat akan tersedianya listrik yang kian meningkat, terkadang tidak disertai dengan sikap yang bijaksana dalam penggunaannya. Seringkali terjadi pemborosan karena waktu pemakaiannya tidak tepat, ditambah kurangnya kesadaran msayarakat untuk menghemat pemakaian listrik. Oleh karena itu, diperlukan adanya perangkat yang dapat memonitoring secara langsung berapa besar konsumsi listrik yang digunakan. Atas dasar pemikiran tersebut maka dibuatlah rancangan alat yang mampu memonitoring penggunaan daya dan energi listrik secara real-time agar pemakaian listrik menjadi tepat guna. Alat monitoring ini menggunakan Power Line Carrier (PLC) yang memanfaatkan jala-jala listrik dari PLN pada jaringan tegangan rendah pada peralatan rumah tangga. PLC dipilih karena kelebihannya yaitu tidak perlu membangun jaringan baru lagi sebab bisa menggunakan jaringan listrik yang sudah ada. Alat ini dibagi menjadi dua modul utama yaitu modul pengirim dan penerima. Pada modul pengirim, digunakan PLC KQ330, mikrokontroler Arduino UNO, sensor PZEM-004T untuk pengukur besaran listrik berupa arus, tegangan, daya aktif dan energi serta LCD 16x2 sebagai penampil datanya. Modul penerima terdiri dari PLC KQ330, mikrokontroler Arduino UNO, dan modul WiFi ESP32 yang akan menghubungkan modul penerima ke internet melalui platform Internet of Things (IoT), bernama Thinger.io sehingga pengguna dapat mengakses hasil monitoringnya melalui gadget apapun. Informasi besaran listrik ini akan dikirimkan melalui komunikasi serial pada mikrokontroler. Kinerja sistem diukur berdasarkan keberhasilannya mengirimkan data antara sisi pengirim dan penerima secara real-time dengan nilai simpangan rata-rata yang kecil. Berdasarkan hasil pengujian, didapatkan bahwa simpangan pada pembacaan sensor pengukuran listrik PZEM, memiliki nilai sebesar 0.11% untuk tegangan, 0.15% untuk arus, dan 0.48% untuk daya.

---

The increasing of public demand for the availability of electricity, sometimes not balanced by a wise attitude in its use. Waste often happens because the time of use is not right, plus the lack of public awareness to save electricity usage. Therefore, it is needed a device that can monitor directly how much electricity consumption is used. On the basis of these ideas the design of devices that are able to monitor the use of electricity and electrical energy in real time is made so that electricity usage is needed. This monitoring tool uses a Power Line Carrier (PLC) that utilizes electricity grids from PLN on a low voltage network on household appliances. PLC was chosen because of its superiority, which is that it does not need to build a new network anymore because it can use an existing electricity network. This tool is divided into two main modules, the transmitting and receiving modules. In the transmitting module, the PLC KQ330, the Arduino UNO microcontroller, the PZEM-004T sensor are used to measure the electrical quantities in the form of current, voltage, active power and energy and a 16x2 LCD as the display. The receiver module consists of a KQ330 PLC, an Arduino UNO microcontroller, and an ESP32 WiFi module that will connect the receiver module to the internet via the Internet of Things (IoT) platform, called Thinger.io so that users can access the monitoring results through any gadget. Information on the amount of electricity will be sent via serial communication to the microcontroller. System performance is measured based on its success in sending data between the transmitter and receiver sides in real-time with a small average deviation value. Based on the test results, it was found that the deviation on the PZEM electric measurement sensor readings, has a value of 0.11% for voltage, 0.15% for current, and 0.48% for real power."