Hasil Pencarian  ::  Simpan CSV :: Kembali

"Pada tesis ini dilakukan identifikasi sistem homogenisasi dengan menggunakan algoritma neural network, sehingga dapat dijadikan model untuk mengetahui dinamika sistem yang sebenarnya. Identitikasi dengan menggunakan neural network, dilakukan dengan memanfaatkan data tanggapan sistem homogenisasi di pabrik pembuatan susu kental manis. Dengan model hasil identitikasi ini, dapat diketahui bagaimana tanggapan sistem terhadap perubahan tekanan dengan memberikan fungsi step pada sistem lingkar terbuka. Dengan model yang ada, juga dapat diketahui bagaimana hubungan antara viskositas dan tekanan, dengan memberikan fungsi ramp pada sistem lingkar terbuka. Dari kurva hubungan antara viskositas dan tekanan, ternyata terdapat sifat non linearitas pada sistem homogenisasi. Dengan pengetahuan tentang dinamika sistem homogenisasi, maka dapat dilakukun simulasi sistem kendali dengan menggunakan pengendali P!. Tujuan simulasi ini ialah agar dapat diketahui bagaimana karaketeristik sistem sebelum diterapkan pada sistem yang sebenarnya. Dari simulasi yang dilakukan ternyata pengendali PI cukup baik melakukan pengendalian sistem homogenisasi tersebut."

"Penelitian ini bertujuan untuk membandingkan kualitas dari perencanaan terapi menggunakan conformity index (CI) dan homogeneity index (HI) pada kasus kanker paru-paru. Dengan menggunakan 5 pasien kanker paru-paru yang berada pada paru kanan. Dilakukan evaluasi pengaruh dari dose grid, kalibrasi densitas elektron berdasarkan fan beam dan cone beam CT. Hasil dari penelitian ini menunjukkan pasien dengan volume target berukuran besar memiliki kecenderungan CI yang rendah dan HI yang tinggi. Pada penggunaan variasi grid dose, nilai CI dan HI masing-masing kurang dari 0.02 dan 0.013. Perbedaan perhitungan antara cone beam dan fan beam adalah 10% untuk CI dan 60% untuk HI.

---

This research aims to compare the quality of planning by using conformity index (CI) and homogeneity index (HI) for lung cancer cases. We used 5 lung cancer patients which is located in right lung. We evaluated the impact of dose grid, eletron density calibration based on fan beam and cone beam CT.

The results of shows the patient with big size target volume has tendency low CI value and high HI. On the use of grid dose variation, the CI and HI values less than 0.02 dan 0.013, respectively. The differences between the cone beam and fan beam calculation was 10% for CI and 60% for HI."

"Tugas Akhir ini merancang suatu pengendali fuzzy berbasis jaringan saraf buatan (neural network) untuk mengendalikan sistem nonlinier yang selanjutnya diterapkan kedalam suatu perangkat lunak sederbana. Pada dasarnya pengendali ini menyatukan pengendali logika fuzzy biasa dengan suatu jaringan saraf buatan (neural network) dengan tujuan untuk memperbaiki karakteristik transien dari suatu proses yang dikendalikan. Dengan pengendali logika fuzzy biasa, tanggapan waktu sistem sudah dapat diperbaiki, namun pengendali ini dapat mencapai keadaan seperti tersebut diatas bila ada seorang operator ahli dalam sistem kendah dan sistem yang dikendalikan. Penerapan jaringan saraf buatan (neural network) kedalam pengendah logika fuzzy ini dapat mengurangi kerja operator ahli dalam menentukan lebar/range dari fungsi keanggotaan masukan dan keluaran. Dengan kemampuan belajar dari jaringan saraf buatannya, pengendali ini dapat memperbaiki keluaran sistem yang tidak linier. Uji coba simulasi dilakukan untuk dua buah model sistem nonlinier yaitu sistem nonlinier orde sate yang tidak stabil clan sistem pengendalian pH. Untuk pengendalian pH jugs ditunjukkan kehandalan pengendali dalam mengatasi gangguan yang datang dari sistem itu sendiri. Hasil simulasi kedua model yang dikendalikan menunjukkan pengendali logika fuzzy berbasis neural network dapat melakukan perbaikan pada rise time, settling time, overshoot dan kesalahan tunak dari suatu proses yang dikendalikan dan jugs dapat mengurangi keda ahli operator dalam menentukan komponen-komponen fuzzy dibandingkan dengan pengendali logika fuzzy biasa."

"ABSTRACTTugas akhir ini membahas mengenai Neural Network yang diaplikasikan dalam simulasi pengendalian plant. Plant yang digunakan adalah Pressure Process Rig 38-714. Pengendali yang digunakan adalah pengendali yang bekerja dengan nilai masukan berupa nilai eror dari nilai keluaran plant yang dibandingkan dengan nilai keluaran referensi. Kesuksesan percobaan ditinjau dari seberapa bagus keluaran plant yang dipasang pengendali ketika dibandingkan dengan sinyal referensinya dan ketahanannya terhadap gangguan. Hasil percobaan menunjukkan NN dengan metode Backpropagation memberikan performa yang baik walaupun diberi gangguan dengan batasan nilai tertentu.

---

ABSTRACTThis project discuss about the application of Neural Network in a simulation as a controller of a plant. Pressure Process Rig 38-714 is used as the plant. Error based NN is used as the controller. The controller’s input is the error signal from the output signal of plant compared to reference signal. The success rate is viewed by the similarity of the output of plant compared to the reference signal amd their robustness against noise. The testing result shows that NN based on backpropagation method has a great performance and robustness when there is noise."

"Pada tesis ini dibahas tentang simulasi dan perancangan pengendalian sistem multivariabel Coupled Tank Apparatus dengan menggunakan Neural Network model Direct Invers Control. Model sistem yang bersifat non linier akan dilinierisasi sehingga diperoleh fungsi alih yang mengandung persamaan karakteristik yang menyerupai sistem linier orde dua yang berada dalam keadaan over damped akan selalu stabil. Pengurangan interaksi (kopling) yang terjadi pada sistem multivariabel Coupled Tank Apparatus dilakukan dengan perancangan dekopling yang menggunakan metode Relative Gain Matrik. Perancangan dan simulasi sistem pengendalian Neural Network model Direct Invers Control menggunakan program Matlab Versi 5.3.1. Perbandingan antara analisa tanggapan waktu terhadap sistem kendali yang dirancang dengan sistem kendali Proportional Integral Derivatif serta sistem kendali logika Fuzzy menghasilkan tanggapan respon untuk mencapai keadaan steady state (setting time) pada Neural Network model Direct Invers Control lebih cepat dibandingkan dengan tanggapan waktu yang dihasilkan oleh pengendali konvensional PI, PID, dan Fuzzy.Dalam hal ini, data parameter sistem untuk simulasi diperoleh dari hasil penelitian dan percobaan di Laboratorium Fakultas Teknik Universitas Indonesia.

---

In this thesis, a study on simulation and design of a multivariabel Control of Coupled Tank Apparatus Systems is presented. A Neural Network Controller based on a Direct Invers Control is applied. The linierized model of the Coupled Tank Apparatus Systems appears to be a stable second order transfer function with an over damped characteristic. A Decoupling Compensator is designed using Relative Gain Matrix Method of Bristol. The Simulation and control is implemented using Matlab 5.3.1 on apersonal computer. For comparison a PID controller and a Fuzzy Logic Controller are also implemented. It is found that NN Direct Invers Control shows a better performance than the other control method in terms of speed response.All data for experiment and equipment used are done in the Control Laboratory, Dept of Electrical Engineering, Faculty of Technology University of Indonesia."

"Dalam tugas Skripsi ini dibuat simulasi suatu sistem kendali dengan neural network untuk menge:ndalikan sistem gerak pitch pesawat rerbang secam on-line. Dalam pengendalian ini digunakan arsitektur kendali adaptif dengan menggunakan metode belajar tak-langsung (indirect teaming). Pengendali ini menggunakan dua buah neural network, neural network perrerna digunakan sebagai pengendali yang mangendalikan proses runpan maju (feedforward controller) sedangkan neural network kedua digunakan untuk mengendalikan proses umpan balik (feedback controller). Sebelum digunakan untuk mangendalikan seeara on-line, pengendali neural network dilatih secara oj}lim untuk mendapatkan bobot awa! yang akan digunakan da1am proses pengendalian secara on-line. Algoritma umpan ba1ik dangan metode Ievenberg­ Marquardt digunakan untuk modifikasi bobot neural secara off-line. Algoritma propagasi balik dengan metode penurunan gradien digunakan untuk rnodifikasi bobot pengendali neural network pada fuse on-line. Simulasi sistem kendali adaptif dangan neural networl< ini diuji dengan tiga..."

"Pada skripsi ini dibahas tentang simulasi dan perancangan pengendalian sistem Tangki Berhubungan Multivariabel (3 x 3) dengan menggunakan Neural Network model Kendali lnvers Langsung (Direct Inverse Control / DIC). Pengendali Neural Network model Kendali Invers Langsung mencari invers dari plant sehingga pengendali NN model DIC yang dirangkai seri dengan plant menghasilkan fungsi alih satu satuan, sehingga keluaran sistem akan sama dengan sinyal referensi yang diberikan. Penghilangan interaksi (kopling) yang terjadi pada sistem Tangki Berhubungan Multivariabel dilakukan dengan perancangan dekopling yang menggunakan metode Relative Gain Matrix. Perancangan dan simulasi sistem pengendalian Neural Network model Kendali Invers Langsung ini menggunakan program Matlab versi 6.1. Perbandingan antara analisa tanggapan waktu terhadap sistem kendali yang dirancang dengan sistem kendali Proportional Integral Derivartive (PID) dan sistem kendali Logika Fuzzy menghasilkan tanggapan untuk mencapai keadaan steady srare,dan pada Neural Network model Kendali Invers langsung lebih cepat dibandingkan dengan tanggapan waktu yang dihasilkan oleh pengendali konvensional PID dan Fuzzy."

"Di dalam dunia industri, operasi pencampuran banyak digunakan untuk mengolah bahan mentah menjadi suatu produk seperti minyak bumi, bahan kimia, dan lainnya. Biasanya, pada plant skala industri digunakan PID kontroler sebagai sistem pengendaliannya, akan tetapi PID kontroler ini akan menjadi kurang baik ketika menghadapi sistem non-linear, sehingga pada penilitian ini dirancang suatu sistem kendali berbasis neural network yang diharapkan dapat memberikan performa yang lebih baik dan efisien dibandingkan PID konvensional. Model plant yang digunakan untuk simulasi di dalam penelitian ini adalah proses pencampuran air, dimana temperatur dan level air akan dikendalikan. Dibuat dua jenis sistem pengendali neural network (NN) dengan perbedaan pada input-nya, yaitu NN dengan input SP, PV(n), PV(n-1) dan NN dengan input SP, error, dan perubahan error. Kedua sistem pengendali neural network ini dibuat dengan menggunakan metode feed-forward neural network dan simulasinya dibuat dengan menggunakan Simulink. Berdasarkan hasil pengujian, dapat disimpulkan bahwa sistem pengendalian dengan menggunakan neural network memberikan performa yang lebih baik jika dibandingkan dengan sistem pengendalian PID konvensional, yaitu dengan settling time dan rise time yang lebih cepat, serta menghasilkan respon sistem yang tidak memiliki overshoot sama sekali.

---

In the industrial world, blending operations are widely used to process raw materials into products such as petroleum, chemicals, and others. Usually, in industrial-scale plants, the PID controller is used as a control system, but this controller will be less good when dealing with non-linear systems. In this study, a neural network-based control system is expected to provide better and more efficient performance compared to conventional PID control. The plant model used for simulation in this study is the process of mixing water, where the temperature and water level will be controlled. Created two types of neural network (NN) control systems with differences in the input, the first is a NN with SP, PV(n), PV(n-1) for the input, and the second is a NN with SP, error, and change of error for the input. Both of these neural network control systems are made using a feed-forward neural network method, and the simulation was created by using Simulink. Based on the test results, it can be concluded that the control system using a neural network provides better performance when compared to conventional PID control systems with a faster settling time and rise time, and produces a system response that has no overshoot at all."