Hasil Pencarian  ::  Simpan CSV :: Kembali

"Quadcopter adalah sebuah wahana terbang yang terdiri dari empat motor terhubung dengan baling-baling. Sistem pengendalian wahana ini memiliki kompleksitas yang cukup tinggi akibat kemampuannya yang memiliki enam derajat kebebasan, tetapi hanya memiliki empat jenis pergerakan, yaitu roll, pitch, yaw, dan thrust. Kompleksitas ini menyebabkan pengendalian quadcopter bersifat underactuated karena jumlah pergerakannya yang lebih sedikit dari derajat kebebasannya. Pengendalian empat pergerakan tersebut membutuhkan proses tambahan untuk menggerakkan masing-masing motor pada quadcopter yang disebut sebagai control mixer. Penelitian yang bertujuan untuk mengembangkan sistem kendali quadcopter berdasarkan ekosistem PX4 Autopilot membutuhkan sebuah control mixer yang dapat digunakan terlepas dari sistem pengendali bawaan dari PX4 Autopilot. Akan tetapi, control mixer yang terdapat di PX4 Autopilot hanya terikat pada sistem pengendali bawaannya dan persamaan matematisnya tidak terdapat di dokumentasi resminya. Oleh karena itu, penelitian ini bertujuan untuk membuat sistem control mixer berbasis ekosistem PX4 Autopilot tanpa perlu mengetahui persamaan matematis dari model tersebut menggunakan model Deep Learning berbasis Back Propagation Neural Network yang akan diujikan pada program simulasi Gazebo untuk melakukan evaluasi model.

---

The quadcopter is an aircraft composed of four motors connected to propellers. The control system of this vehicle is quite complex due to its capability of six degrees of freedom, but it only has four types of movements: roll, pitch, yaw, and thrust. This complexity makes quadcopter control underactuated because the number of movements is fewer than its degrees of freedom. Controlling these four movements requires an additional process to manipulate each motor on the quadcopter, known as a control mixer. Research aimed at developing a quadcopter control system based on the PX4 Autopilot ecosystem requires a control mixer that can be used independently of PX4 Autopilot's built-in control system. However, the control mixer in PX4 Autopilot is only tied to its built-in control system, and its mathematical equations are not documented officially. Therefore, this research aims to create a control mixer system based on the PX4 Autopilot ecosystem without needing to know the mathematical equations of the model, using a Deep Learning model based on Back Propagation Neural Network that will be tested in the Gazebo simulation program to evaluate the model."

"Quadcopter atau Quadrotor adalah sebuah jenis helikopter tanpa awak yang memiliki empat rotor yang terpasang dengan propeller. Pada quadcopter memiliki 2 buah rotor yang berputar searah jarum jam dan 2 buah rotor yang berputar berlawanan arah jarum jam. Pada sebuah quadcopter memiliki keseimbangan yang tidak stabil secara aerodinamis sehingga memerlukan komputer untuk mengkonversi perintah input menjadi perintah yang dapat mengganti kecepatan rotasi dari propeller sehingga menghasilkan gerakan yang diinginkan. Seiring dengan perkembangan teknologi, khususnya Artificial Intelligence dan Machine Learning, teknologi telah menjadi bagian penting serta berpengaruh secara signifikan dalam kehidupan manusia. Pengaplikassian Artificcial Intelligence seperti Neural Network juga tidak luput pengaplikasiannya di bidang Quadcopter Unmanned Aerial Vehicles (UAV). Dalam hal ini Neural Network digunakan sebagai basis dari metode pengendalian yang hendak diaplikasikan pada Quadcopter Unmanned Aerial Vehicles (UAV) yang disebut sebagai Pengendali Neural Network. Metode pengendalian Neural Network merupakan metode pengendalian yang memiliki model matematika yang disusun oleh Artificial Neural Network (ANN) dimana pengendali Neural Network terdiri dari dua buah komponen dasar yakni komponen inverse dan komponen identifikasi. Jenis pengendali yang digunakan untuk menstabilisasi manuver pada pergerakan Quadcopter UAV kemudian diuji dan diverifikasi melalui simulasi yang dilakukan dengan bahasa pemrograman MATLAB serta dilakukan perbandingan dengan pengendali Single Neuron Adaptive PID sebagai pembanding dalam hal performa pengendali.

---

A quadcopter, or quadrotor, is an unmanned helicopter with four rotors equipped with propellers. In a quadcopter, two rotors spin clockwise, and two rotors spin counterclockwise. A quadcopter has an aerodynamically unstable balance, which requires a computer to convert input commands into instructions that can change the rotation speed of the propellers to produce the desired movements. With the advancement of technology, especially Artificial Intelligence and Machine Learning, technology has become an integral and influential part of human life. Artificial Intelligence, such as Neural Networks, is also applied in the field of Quadcopter Autonomous Aerial Vehicles (UAV). In this context, Neural Networks are used as the basis for control methods to be applied to Quadcopter Unmanned Aerial Vehicles (UAV), referred to as Neural Network Controllers. The Neural Network Controller method is a control method with a mathematical model constructed by an Artificial Neural Network (ANN) consisting of two primary components: the inverse component and the identification component. The type of controller used to stabilize the maneuvers in the movement of the Quadcopter UAV is then tested and verified through simulations conducted in the MATLAB programming language and compared with Single Neuron Adaptive PID (SNAPID) controllers regarding controller performance."

"Salah satu aspek pertahanan negara yang cukup penting adalah pertahanan udara negara. Sayangnya, Industri Pertahanan Indonesia masih cukup kurang mendukung. Salah satu isu yang diakibatkan oleh masalah ini adalah kurang berkembangnya teknologi pertahanan udara di Indonesia dibanding dengan negara-negara lain, seperti teknologi pengendalian pesawat, seperti Unmanned Aerial Vehicle (UAV). Oleh karena ini, diperlukan pengembangan teknologi pengendalian pesawat yang mandiri dan bersetara dengan pihak luar negeri. Dinamika penerbangan merupakan masalah yang bersifat non-linear, time-varying, memiliki coupling, dan terefek oleh gangguan eksternal. Untuk memecahkan masalah ini, diperlukan pengendali pesawat berbasis metode Direct Inverse Control. Direct Inverse Control memerlukan sistem identifikasi dari sistem yang ingin dikendalikan agar dapat mengembangkan neural network inverse. Pada penelitian ini, diajukan sistem identifikasi pesawat Cessna-172P berbasis Deep Neural Network dan Recurrent Neural Network. Kinerja kedua sistem identifikasi sudah cukup dalam mereplikasikan dinamika penerbangan pesawat Cessna-172P. Dari analisis kinerja kedua sistem identifikasi, sistem identifikasi berbasis recurrent neural network menghasilkan kesahalan prediksi yang lebih rendah, tetapi menggunakan daya dan waktu komputasi yang lebih banyak.

---

One important aspect of national defense is the country's air defense. Unfortunately, the Indonesian Defense Industry still lacks sufficient support. One issue resulting from this problem is the underdevelopment of air defense technology in Indonesia compared to other countries, such as aircraft control technology like Unmanned Aerial Vehicles (UAV). Therefore, the development of independent aircraft control technology that is on par with foreign counterparts is needed. Flight dynamics pose nonlinear, time-varying challenges with coupling and are affected by external disturbances. To address this problem, an aircraft controller based on the Direct Inverse Control method is required. Direct Inverse Control necessitates system identification of the desired controlled system to develop an inverse neural network. In this study, a Deep Neural Network and Recurrent Neural Network-based identification system for the Cessna-172P aircraft is proposed. Both identification systems perform well in replicating the flight dynamics of the Cessna-172P aircraft. From the performance analysis of both identification systems, the recurrent neural network-based identification system produces lower prediction errors but requires more computational power and time."

"Kemajuan teknologi mengiringi kemajuan Pesawat Tanpa Awak yang membuat peneliti terus mengembangkannya. Quadcopter merupakan Pesawat Tanpa Awak yang saat ini telah banyak digunakan untuk berbagai tujuan. Bentuknya yang ringkas serta beratnya yang ringan dengan empat buah baling-baling motor membuat quadcopter memiliki keunggulan dalam kemampuan dalam melakukan maneuver di udara. Tujuan dari penelitian skripsi ini adalah diajukannya sebuah ide menciptakam pengendali Jaringan Saraf Kendali Inverse Langsung NN ndash;DIC ndash; Neural Network Direct Inverse Control dengan algoritma Elman Recurrent untuk quadcopter, dan membandingkannya dengan pengendali berbasis algoritma Back Propagation Neural Network biasa. Dalam skripsi ini dikemukakan hasil simulasi dari identifikasi quadcopter dengan memodelkan secara black box, serta hasil dari dua jenis pengendali Inverse untuk quadcopter yaitu Elman Recurrent Neural Network Direct Inverse Control dan Back Propagation Neural Network Direct Inverse Control.

---

Technological advances accompany the progress of Unmanned Aircraft that keeps researchers on the rise. Quadcopter is an Unmanned Aircraft that is now widely used for various purposes. Its compact shape and light weight with four motor propellers make the quadcopter has an advantage in the ability to maneuver in the air. The purpose of this thesis research is to propose an idea to create a controller of the Direct Inverse Control Neural Network NN ndash DIC with Elman Recurrent algorithm for quadcopter, and compare it with an ordinary Back Propagation Neural Netwok algorithm. In this thesis, the shown simulation results are those of quadcopter plant based on black box modeling identification, and the result of two types of Inverse controllers for quadcopter, Elman Recurrent Neural Netwok Direct Inverse Control and Back Propagation Neural Network Direct Inverse Control."

"ABSTRAKQuadcopter merupakan kendaraan tanpa awak UAV yang saat ini telah banyak digunakan untuk berbagai tujuan. Bentuknya yang ringkas, serta beratnya yang ringan dengan 4 buah baling-baling yang kecil membuat quadcopter memiliki keunggulan dalam kemampuan bermanuver diudara. Kecepatan rotasi dari 4 buah motor penggerak baling-baling pada Quadcopter merupakan factor yang paling berpengaruh dalam kemampuan maneuver quadcopter, oleh karenanya dibutuhkan desain pengendali yang dapat bekerja sangat baik dalam mengendalikan quadcopter ketika bermanuver diudara.Dalam Skripsi ini diajukan sebuah ide menggunakan pengendali Jaringan Saraf Kendali Inverse Langsung NN-DIC - Neural Network ndash;Direct Inverse Control sebagai pengendali quadcopter. Metode pengendali yang baru mulai dicetuskan dan diteliti dalam beberapa decade akhir ini dinilai memiliki kinerja yang lebih baik dalam mengendalikan sistem yang bersifat non-linear seperti quadcopter. Dalam skripsi ini disampaikan hasil simulasi pengendalian quadcopter menggunakan pengendali Neural Network-Direct Inverse Control NN-DIC single hidden layer dan double hidden layer pada simulasi MATLAB, serta hasil simulasi Neural Network ndash;Direct Inverse Control NN-DIC single hidden layer dan double hidden layer menggunakan metode pelatihan jaringan saraf inverse NN-INV- Neural Network Inverse yang dilatih dengan Feedback seara langsung sebagai upaya mengoptimalkan hasil pengendalian Neural Network-Direct Inverse Control NN-DIC pada quadcopter.

---

ABSTRACT

Quadcopter is an Unmanned Aerial Vehicle UAV that lately have been used for many purpose. Its compact shape, and a light weight body with 4 small propellers make the quadcopter has several advantages in the maneuverability in the air. The speed rotation of 4 propeller is the most influential factor in controlling the flying rsquo s maneuverability of quadcopter, therefore it is needed a design of controller that can work very well in controlling quadcopter while it rsquo s maneuvering on the air. In this thesis an idea using Neural Network Direct Inverse Control NN DIC as controller for quadcopter is proposed. This new method that was proposed and researched in this recent decades is considered will work very well when controlling a non linier system such as quadcopter. This thesis presents the simulation results of quadrotor rsquo s control using the Neural Network Direct Inverse Control NN DIC single hidden layer and double hidden layer using MATLAB rsquo s simulation, also simulation results Neural Network Direct Inverse Control NN DIC single hidden layer and Double hidden layer using Inverse Feedback Training Method as an effort in order to enhance the result of Neural Network Direct Inverse Control NN DIC . "

"Kemajuan umat manusia dalam penerbangan modern sangat bergantung pada kemampuan untuk melakukan pemodelan sistem idenifikasi penerbangan dari suatu wahana pernerbangan. Pemodelan suatu sistem identifikasi penerbangan bergantung dengan tingkat kualitas dan kuantitas dari data simulasi yang digunakan untuk mendapatkan pendekatan situasi dan kondisi penerbangan aktual yang seakurat mungkin. Akurasi dan presisi dari data simulasi yang digunakan dalam pemodelan sistem penerbangan akan mempengaruhi hasil algoritma yang digunakan dalam sistem identifikasi. Dalam pencapaian kualitas data tersebut, digunakanlah perangkat lunak X-Plane yang berfungsi sebagai simulator penerbangan ultra-realistis yang menyuplai set data yang memungkinkan pembelajaran mesin dari algoritma berbasis komputer. Data pembelajaran pesawat terbang terdiri dari attitude orientasi pesawat. Data yang diperoleh dari simulator tersebut akan diproseskan menggunakan metode preprocessing, sehingga layak digunakan untuk pelatihan sistem identifikasi. Suatu algoritma artificial neural network diterapkan untuk mengidentifikasi sistem pesawat dengan mempelajari dataset yang disebutkan di atas, yang kemudian akan digunakan dalam pengembangan perancangan sistem kontrol. Algoritma artificial neural network yang dirancang dalam penelitian ini telah menunjukkan keberhasilan dalam sistem identifikasi untuk sistem penerbangan pesawat, dan siap digunakan dalam percobaan dan pengujian sistem kontrol pada pesawat.

---

Humanitys progress in modern aviation is very dependent on the ability to model the flight identification system of a flight vehicle. Modeling a flight identification system depends on the quality and quantity of simulation data used to get the most accurate representation of the actual flight situation and condition. The accuracy and precision of the simulation data used in the flight system modeling will affect the results of the algorithm used in the identification system. In achieving this data quality, X-Plane software is used which functions as an ultra realistic flight simulator that supplies data sets that enable machine learning from computer based algorithms. Airplane learning data consists of airplane orientation attitude. Data obtained from the simulator will be processed using the preprocessing method, so it is feasible to use for identification system training. An artificial neural network algorithm is applied to identify aircraft systems by studying the dataset mentioned above, which will then be used in the development of control system design. The artificial neural network algorithm designed in this study has shown success in the identification system for aircraft flight systems, and is ready to be used in the testing and testing of control systems on aircraft."

"Pilar adalah unit struktural penting yang digunakan untuk memastikan keselamatan penambangan di tambang batuan keras bawah tanah. Oleh karena itu, prediksi yang tepat mengenai stabilitas pilar bawah tanah sangat diperlukan. Salah satu indeks umum yang sering digunakan untuk menilai stabilitas pilar adalah Safety Factor (SF). Sayangnya, batasan penilaian stabilitas pilar menggunakan SF masih sangat kaku dan kurang dapat diandalkan. Penelitian ini menyajikan aplikasi baru dari Artificial Neural Network-Backpropagation (ANN-BP) dan Deep Ensemble Learning untuk klasifikasi stabilitas pilar. Terdapat tiga jenis ANN-BP yang digunakan untuk klasifikasi stabilitas pilar dibedakan berdasarkan activation function-nya, yaitu ANN-BP ReLU, ANN-BP ELU, dan ANN-BP GELU. Dalam penelitian ini juga disajikan alternatif pelabelan baru stabilitas pilar dengan mempertimbangkan kesesuaiannya dengan SF. Stabilitas pilar diperluas menjadi empat kategori, yaitu failed dengan safety factor yang sesuai, intact dengan safety factor yang sesuai, failed dengan safety factor yang tidak sesuai, dan intact dengan safety factor yang tidak sesuai. Terdapat lima input yang digunakan untuk setiap model, yaitu pillar width, mining height, bord width, depth to floor, dan ratio. Hasil penelitian menunjukkan bahwa model ANN-BP dengan Ensemble Learning dapat meningkatkan performa ANN-BP dengan average accuracy menjadi 86,48% dan nilai F2 menjadi 96,35% untuk kategori failed dengan safety factor yang tidak sesuai.

---

Pillars are important structural units used to ensure mining safety in underground hard rock mines. Therefore, precise predictions regarding the stability of underground pillars are required. One common index that is often used to assess pillar stability is the Safety Factor (SF). Unfortunately, such crisp boundaries in pillar stability assessment using SF are unreliable. This paper presents a novel application of Artificial Neural Network-Backpropagation (ANN-BP) and Deep Ensemble Learning for pillar stability classification. There are three types of ANN-BP used for the classification of pillar stability distinguished by their activation functions: ANN-BP ReLU, ANN-BP ELU, and ANN-BP GELU. This research also presents a new labeling alternative for pillar stability by considering its suitability with the SF. Thus, pillar stability is expanded into four categories: failed with a suitable safety factor, intact with a suitable safety factor, failed without a suitable safety factor, and intact without a suitable safety factor. There are five inputs used for each model: pillar width, mining height, bord width, depth to floor, and ratio. The results showed that the ANN-BP model with Ensemble Learning could improve ANN-BP performance with an average accuracy of 86.48% and an F2-score of 96.35% for the category of failed with a suitable safety factor."

"Survei Kesehatan Indonesia (SKI) tahun 2023 yang dilakukan oleh Kementerian Kesehatan (Kemenkes) ada sekitar 70 juta perokok aktif di Indonesia. Apabila dihitung dari populasi penduduk Indonesia ada 28,62% penduduk yang merokok di tahun 2023 dan persentase ini meningkat dari tahun sebelumnya sebanyak 0,36%. Perilaku merokok ini menyebabkan berbagai penyakit seperti penyakit paru-paru kronis, kerusakan gigi, penyakit mulut, stroke, serangan jantung, kanker rahim, gangguan mata, dan kerusakan pada rambut. Untuk menekan jumlah perokok di Indonesia, diperlukan sistem untuk deteksi perokok. Deteksi perokok saat ini memakan biaya yang mahal, bantuan ahli, dan sistem yang kompleks. Oleh karena itu, deep learning dengan algoritma Convolutional Neural Network hadir sebagai solusi untuk mengatasi masalah tersebut. Skripsi ini membahas bagaimana merancang sistem deep learning dengan Convolutional Neural Network (CNN) untuk keperluan deteksi wajah perokok. Skripsi ini juga membahas bagaimana pengaruh berbagai skenario jumlah data pelatihan dan data pengujian serta penambahan ekstraksi fitur wajah terhadap metrik evaluasi . Hasil dari rancangan dievaluasi dengan metrik evaluasi kalkulasi loss function, akurasi, dan F1 score. Hasil simulasi menunjukan skenario data pelatihan 70% dan data pengujian 30% adalah skenario terbaik dengan nilai metrik evaluasi pengujian pada skenario ini sebesar 2.236 untuk loss, 54.5% untuk akurasi, dan 34.9% untuk F1 score. Skenario ini diimprovisasi dengan adanya penambahan ekstraksi fitur perokok pada awal preprocessing yang ditandai dari penurunan loss sebesar 65.65%, peningkatan akurasi sebesar 19%, dan peningkatan F1 score sebesar 24.08%.

---

The 2023 Indonesian Health Survey (SKI) conducted by the Ministry of Health (Kemenkes) reported that there are approximately 70 million active smokers in Indonesia. This accounts for 28.62% of the Indonesian population in 2023, representing a 0.36% increase from the previous year. Smoking behavior leads to various diseases such as chronic lung disease, tooth damage, oral diseases, stroke, heart attacks, uterine cancer, eye disorders, and hair damage. To reduce the number of smokers in Indonesia, a smoker detection system is necessary. Current smoker detection methods are expensive, require expert assistance, and involve complex systems. Therefore, deep learning with Convolutional Neural Network (CNN) algorithms presents a solution to address these issues. This thesis discusses how to design a deep learning system using Convolutional Neural Networks (CNN) for smoker face detection. It also examines the impact of different training and testing data scenarios and the addition of facial feature extraction on evaluation metrics. The designed system is evaluated using metrics such as loss function calculation, accuracy, and F1 score. The simulation results show that a scenario with 70% training data and 30% testing data is the best scenario, yielding evaluation metric values of 2.236 for loss, 54.5% for accuracy, and 34.9% for F1 score. This scenario was improved with the addition of smoker feature extraction in the preprocessing stage, resulting in a 65.65% reduction in loss, a 19% increase in accuracy, and a 24.08% increase in F1 score."

"ABSTRAKPATCHY-SAN adalah sebuah framework untuk sembarang graf yang diajukan oleh Niepert pada tahun 2016. Pada penelitian ini diajukan modifikasi arsitektur dari convolutional neural network CNNs pada PATCHY-SAN menggunakan beberapa representasi dari graf seperti B^i,L^i,N^i dengan B,L,N, berturut-turut adalah matriks betweeness, matriks Laplacian and matriks normalisasi Laplacian dengan i=1,2,3,4,5. Dilakukan beberapa percobaan dari model CNNs dengan 3 layer dan 2 layer. Penelitian ini menggunakan dropout atau batch normalization untuk mengurangi permasalahan internal covariate shift sebagai regularisasi. Berdasarkan percobaan tersebut disimpulkan, penambahan layer, penggunaan dropout dan batch normalization dapat meningkatkan dan juga menurunkan prediksi akurasi, hal ini tergantung dari dataset dan arsitektur CNNs. Representasi graf yang digunakan dalam penelitian ini masih belum bagus untuk membuat PATCHY-SAN learning, karena peningkatan akurasi hanya sebesar - 9 dari benchmark 50 .

---

ABSTRACTPATCHY SAN is a framework for learning Convolutional Neural Network CNNs for arbitrary graph proposed by Niepert in 2016. In this paper we propose to modified architecture of Convolutional Neural Network in PATCHY SAN by using some representation of graph such as B i,L i,N i, with B, L, N, is betweeness matrix, Laplacian matrix and normalize Laplacian matrix with i 1,2,3,4,5. We do some experiment of model with 3 convolutional layer and 2 convolutional layer. This research use dropout and batch normalization to reduce internal covariate shift problem as regularizer. In conclusion adding more convolution layer, and use dropout and batch normalization can increase and reduce accuracy, it depend on the architecture of CNNs. Graph representation used in this research still not good to make PATCHY SAN learning, because the accuration increase by 9 from benchmark 50 ."

"Berbagai metode pengembangan roket telah dilakukan, namun tidak semua orang bisa mengikuti perkembangannya karena teknologi roket merupakan teknologi rahasia yang pada akhirnya menyebabkan tidak adanya referensi. Kendali roket merupakan tahapan yang paling penting dari pengembangan teknologi roket yang pengembangannya hanya bisa dilakukan jika mempunyai data atau model. Penelitian ini mencoba untuk mendapatkan data penerbangan roket dari simulator pesawat X-Plane kemudian mengembangkan kendali roket menggunakan Neural Network. Konsekuensi yang ditimbulkan karena pemakaian simulator pesawat untuk menerbangkan roket akan dijadikan bahan analisis apakah data yang dihasilkan dari penerbangan roket mempunyai mekanisme fisika layaknya roket. Pengujian terhadap sistem kendali Neural Network berbasis Direct Inverse Control Open-Loop dilakukan untuk mengetahui keandalan sistem kendali yang dirancang. Sistem kendali roket yang dibuat menggunakan metode backpropagation dengan pembatasan pengendalian yaitu hover, sebuah trajectory terbang roket yang mempunyai pengaruh paling besar dalam jangkauan dan arahnya. Dari hasil pengujian ini diketahui bahwa data yang dihasilkan mempunyai dinamika gerak layaknya roket dan sistem kendali hover roket yang dibuat mempunyai kemampuan yang baik.

---

Various methods of rocket development have been done, but not everyone can follow its development because rocket technology is a secret technology that ultimately leads to no reference Rocket control is the most important stage of development of rocket technology whose development can only be done if it has data or models. In this study trying to get rocket flight data from the X Plane aircraft simulator then develop rocket control using Neural Network. The consequences of using the aircraft simulator to fly the rocket will be used as an analysis material whether the data generated from the rocket flight has a rocket physics mechanism.

Testing of Neural Network control system based on Direct Inverse Control Open Loop is done to know the reliability of control system designed. The rocket control system created using backpropagation method with control limitation is hover, a rocket flying trajectory that has the greatest influence in its range and direction. From the results of this test is known that the resulting data has the dynamics of motion like a rocket and rocket hover control system is made to have good ability."