Hasil Pencarian  ::  Simpan CSV :: Kembali

Abstrak :
Turbin gas adalah suatu alat yang memanfaatkan gas sebagai fluida untuk memutar turbin dengan pembakaran internal sehingga mampu memutar generator untuk menghasilkan listrik. Turbin gas memiliki tingkat bahaya yang besar, sehingga perlu dilakukan penelitian untuk menganalisis seberapa besar potensi kegagalan komponen-komponennya. Jika sebuah mesin atau peralatan mengalami kerusakan, maka seluruh fungsi akan terhenti. Oleh karena itu, aktivitas preventive maintenace dibutuhkan untuk mencegah kerusakan dan meminimasi downtime. Tahapan penelitian ini dimulai dengan menentukan komponen kritis menggunakan diagram pareto. Kemudian memvisualisasikan data-data yang didapat. Lalu, menentukan nilai parameter shape (β), parameter scale (η), reabilitas, MTTF (Mean Time to Failure), dari komponen-komponen kritis. Terakhir merekomendasikan jadwal preventive maintenance. Dalam penelitian ini pengolahan dan analisis data dilakukan melalui Big Data Analytics menggunakan R Software diharapkan kedepannya dapat dikembangkan menjadi sebuat aplikasi yang terintegrasi untuk mengimpor dan menganalisis data historis (data base), memudahkan untuk memprediksi kegagalan secara real time, memprediksi kegagalan sebelum muncul, dan dapat mengawasi equipment secara run on live. Berdasarkan hasil pengolahan data yang telah dilakukan, ditemukan bahwa ada 8 komponen kritis, Penentuan keandalan yang dilakukan dengan bantuan R software dengan menggunakan distribusi weibull menunjukkan saat 43.830 jam operasional atau 5 tahun, komponen yang memiliki keandalan paling rendah adalah Actuator dengan nilai sebesar 0,799. Keandalan sistem pada saat 43.830 jam atau 5 tahun adalah 0,866, nilai ini digolongkan sebagai kuat. Hasil dari evaluasi nilai parameter shape (β), menunjukan 7 dari 8 komponen di kategorikan IFR (Increasing Failure Rate) kegagalan ini diakibatkan oleh beberapa faktor seperti penuaan, korosi, gesekan, sehingga di sebut fase pengausan (wearout), dan solusi yang tepat untuk membuat rekomendasi jadwal preventive maintenance dengan T=80%. ......Gas turbine is one tool that uses gas as a fluid to turn turbines with internal combustion so that it is able to turn generators to produce electricity. Gas turbines have a high level of danger, so research needs to be done to increase the high potential level of its components. If the machine is damaged, all functions will stop. Therefore, preventive activities are needed to prevent damage and minimize downtime. The stages of this research began by determining the critical components using pareto diagrams. Then visualize the data obtained. Then, determine the value of the form parameter (β), parameter scale (η), reliability, MTTF (Mean Time to Failure), from the critical components. Last scheduled preventative maintenance schedule. In this research, processing and analyzing data done through Big Data Analytics using R Software is expected to be developed in the future into an integrated application to facilitate and analyze historical data (databases), facilitate to predict in real time, predict changes before they appear, and Can keep running equipment directly. Based on the results of data processing that has been done, found that there are 8 critical components, Determination which is done with the help of R software using Weibull distribution shows when 43,830 operational hours or 5 years, the component that adds the lowest is the Actuator with a value of 0.799. The current system value of 43,830 hours or 5 years is 0.866, this value is classified as strong. The results of the evaluation of the form parameter values (β), showed 7 out of 8 components categorized as IFR (Increased Failure Rate) this improvement was caused by several factors such as aging, corrosion, friction, so it was called the wearout phase, and the solution needed for make a preventive maintenance schedule recommendation with T = 80%.

Abstrak :
Penentuan kadar kolesterol menggunakan sensor non-enzimatik pada saat ini banyak dikembangkan sebagai alternatif, sensor kolesterol non-enzimatik berupa perangkat yang praktis dan sederhana, digunakan Screen Printed Electrode SPE sebagai sensor, kemudian dimodifikasi dengan carbon nanotube CNT dan nafion Nf . Pada penelitian ini, digunakan oksida tembaga sebagai sensor non-enzimatik yang terdeposit dipermukaan SPE yang telah diteteskan CNT terfungsionalisasi-Nf, dengan metode elektrodeposisi menggunakan larutan CuSO4 0.01M dalam 0,1M H2SO4. Variasi, potensial dan waktu deposisi dilakukan untuk mendapatkan deposit Cu/CNT-Nf-SPE yang optimum, karakterisasi dengan SEM-EDX. Uji deteksi kolesterol dilakukan pada potensial 0.482V vs Ag/AgCl. Deposit Cu/CNT-Nf-SPE dengan tetesan CNT terfungsionalisasi-Nf pada potensial - 0.386V selama 300 detik merupakan yang paling optimum, karena mempunyai sensitifitas paling tertinggi sebesar 6220,6 ?A mM-1 cm-2, batas deteksi terendah sebesar 9,559 x 10-3 M dan linieritas paling baik sebesar R2 = 0.8856. Sensor deposit Cu/CNT-Nf-SPE optimum digunakan pada sistem FIA, didapatkan laju alir optimum 1,0 mL/menit, konsentrasi KOH 1 M sebagai carier dilihat dari RSD sebesar 1.0371 rata-rata respon arus 0.05046 mA. Pada variasi konsentrasi kolesterol dihasilkan linieritas sebesar R2 = 0.9916 dengan sensitifitas sebesar 3051,470 ?A mM-1 cm-2, batas deteksi terndah sebesar 9.5116 x 10-4 M sensor memiliki repeatabilitas yang baik dengan RSD sebesar 1.2944 n=10 . Uji stabilitas selama 4 hari pengamatan dengan RSD rata-rata sebesar 0.904574 . Deteksi kolesterol pada darah dengan KR 43.72. Uji selektivitas pada kolesterol terhadap sukrosa, fruktosa, dan asam askorbat. ......Determination of Cholesterol sensor using non enzymatic sensor has been developed as an alternative to non enzymatic cholesterol sensor with practical and simple device, using Screen Printed Electrode SPE as sensor, which then modified with carbon nanotube CNT dan Nafion membrane Nf . In this study, copper oxide are used as non enzymatic sensor deposited on the surface of SPE dripped with functionalized CNT Nf, using electodeposition method with solution of 0.01 M CuSO4 in 0.1 M H2SO4. Droplets of functionalized CNT Nf, deposition potential and time are varied to find the optimal Cu CNT Nf SPE deposit, characterize with SEM EDX. Cholesterol detection were tested at the potential of 0.482V vs Ag AgCl. The test found that the optimal deposit was Cu CNT Nf SPE functionalized CNT Nf at potential 0.386V for 300 seconds, with highest sensitivity of 6220.6 A mM 1 cm 2, lowest detection limit of 9.569 x 10 3 M, and best linearity of R2 0.8856. The optimal sensor depositition Cu CNT Nf SPE electrode were used on flow system FIA, with result of optimal flow rate of 1.0 mL min, concentration of 1 M KOH as a carrier seen from RSD of 1.0371 with average current response 0.05046 mA. The result of variation of cholesterol concentration was linearity of R2 0.9916 with sensitivity 3051.470 A mM 1 cm 2, lowest detection limit of 9.5116 x 10 4 M, sensor have good repeatability at RSD of 1.2944 n 10 . Stability test for 4 days resulted in RSD average of 0.904574 . cholesterol detection in a blood yield KR of 43.72 , and interference test on Cholesterol to glucose, sucrose, fructose, ascorbic acid.