Hasil Pencarian  ::  Simpan CSV :: Kembali

Abstrak :
ABSTRAK
Sifat koloid lateks yang cenderung mengalami koagulasi mengakibatkan lateks sulit untuk dimodifikasi pada saat proses hidrogenasi. Hal ini disebabkan oleh sifat koloid lateks yang cenderung tidak stabil terhadap perlakuan temperatur, kecepatan pengadukan, dan penambahan zat kimia. Penelitian ini bertujuan mempelajari suatu kondisi proses yang optimum dengan mempertahankan kestabilan koloid untuk meningkatkan derajat hidrogenasi. Uji turbiditas dilakukan untuk mengetahui tingkat kekeruhan larutan lateks yang mengindikasikan terdispersinya koloid didalam larutan lateks. Sedangkan, uji viskositas dilakukan sebagai uji pendukung. Berdasarkan hasil penelitian dalam menentukan kondisi optimum stabilitas koloid pada fasa lateks dengan pengujian turbiditas dan viskositas, diketahui koloid cenderung stabil pada temperature 50?C, kecepatan aduk 200 rpm dan kadar karet kering KKK 20.

---

ABSTRACT
The tendency to coagulate, which is the colloid characteristic of latex makes it difficult to be modified when hydrogenation process is running. This was caused by the latex colloid characteristic which is unstable to thermal treatment, stirring velocity, and the addition of chemical compounds. This research aims to learn the optimum process condition by maintaining the colloid stability to increase the hydrogenation degrees. Turbidity test was done to know the turbidity level of latex solution indicates the dispersed colloid inside the latex solution, while viscosity test was done as a supporting test. Based on the research result in determining the optimum condition of the colloid stability in the latex phase with the turbidity and viscosity test, colloid has the tendency to be stable at the temperature of 50oC, stirring speed of 200 rpm, and the dry rubber content of 20.

Abstrak :
ABSTRAK
Singkapan di Sungai Cipamingkis yang termasuk dalam Formasi Jatiluhur memiliki sekumpulan struktur sedimen yang disebut Sequence Bouma. Sekuen Bouma merupakan salah satu kumpulan struktur sedimen yang terbentuk dari proses aliran turbidit. Aliran turbidit terjadi pada kedalaman air rata-rata 2000m, sehingga sulit untuk diamati secara langsung untuk memahami proses sedimentasi secara komprehensif. Aliran turbidit dalam penelitian ini difokuskan pada klasifikasi berdasarkan Bates (1953) dan sifat kohesivitasnya. Data yang diperoleh dari singkapan dalam penelitian ini berupa kolom Pengukuran Penampang Stratigrafik. Data tersebut akan menjadi data utama dalam melakukan eksperimen fisika. Eksperimen fisik tangki flume merupakan salah satu metode dalam memahami proses sedimentasi aliran turbidit. Pendekatan yang dilakukan dalam percobaan fisika ini adalah dengan menggunakan Froude Number dan Reynold Number. Percobaan fisis yang dilakukan memiliki 5 data percobaan dengan hasil berupa bilangan Froude, bilangan Reynold, perbandingan massa jenis campuran dengan massa jenis tangki flume air, kecepatan aliran maksimum, dan hasil geometri. Geometri hasil yang diperoleh dari percobaan fisika ini akan menjadi analog perbandingan singkapan di daerah penelitian.
ABSTRACT
The outcrop in the Cipamingkis River which is included in the Jatiluhur Formation has a collection of sedimentary structures called Sequence Bouma. The Bouma sequence is a collection of sedimentary structures formed from the process of turbidite flow. Turbidite flow occurs at an average water depth of 2000m, so it is difficult to observe directly to understand the sedimentation process comprehensively. The turbidite flow in this study focused on the classification based on Bates (1953) and its cohesive properties. The data obtained from the outcrop in this study were in the form of a Stratigraphic Cross-sectional Measurement column. These data will be the main data in conducting physics experiments. The physical experiment of the flume tank is one method in understanding the process of turbidite flow sedimentation. The approach taken in this physics experiment is to use Froude Number and Reynold Number. The physical experiments carried out have 5 experimental data with the results in the form of Froude number, Reynold number, ratio of the density of the mixture to the density of the water flume tank, maximum flow velocity, and geometric results. The geometry of the results obtained from this physics experiment will be analogous to the comparison of outcrops in the research area.

Abstrak :
Turbiditas adalah salah satu ukuran yang sering digunakan untuk menilai kualitas air. Pengukuran turbiditas dapat dijadikan estimasi untuk mengetahui parameter fisis lain seperti zat padat tersuspensi total (TSS) atau parameter biologis seperti konsentrasi mikroorganisme. Beberapa penelitian telah mencoba menerapkan metode computer vision untuk memprediksi nilai turbiditas dari citra sebuah sampel air. Kebanyakan penelitian yang dilakukan masih menggunakan ekstraksi fitur secara manual sehingga diperlukan pengetahuan yang mencukupi terkait pengolahan citra dan pengukuran turbiditas. Pada penelitian ini dibuat sistem instrumentasi prediksi nilai turbiditas air berbasis pengolahan citra ponsel dengan ekstraksi fitur dan regresi oleh model deep convolutional neural network (DCNN). Penggunaan DCNN memungkinkan dilakukannya untuk melakukan ekstraksi fitur secara otomatis. Arsitektur DCNN yang digunakan yaitu ResNet-50 dan DenseNet-121. Efektivitas penerapan transfer learning berupa weight initialization pada DCNN juga ditinjau dalam kasus ini. Sampel yang digunakan pada penelitian ini berupa suspensi formazin dengan berbagai nilai turbiditas untuk pelatihan model dan beberapa sampel air untuk validasi model. Sampel disinari oleh LED di dalam kotak akuisisi yang dibuat untuk menampakkan fitur. Citra dari sampel diakuisisi menggunakan ponsel Samsung S20 FE dari dua sudut berbeda yaitu 0° (turbidimetry) dan 90° (nephelometry) terhadap sampel. Hasil terbaik pada penelitian ini diperoleh oleh Model ResNet-50 dengan transfer learning yang memperoleh MAE sebesar 2.44 untuk sampel formazin dan 7.31 untuk sampel air dengan citra turbidimetry. Hasil penelitian menunjukkan potensi menjanjikan penggunaan DCNN pada kasus regresi nilai turbiditas air untuk dikembangkan lebih lanjut. ......Turbidity is a measure that is often used to assess water quality. Turbidity measurements can be used as estimates to determine other physical parameters such as total suspended solids (TSS) or biological parameters such as the concentration of microorganisms. Several studies have tried to apply computer vision methods to predict the turbidity value from images of water samples. Most of the research conducted still uses manual feature extraction, hence sufficient knowledge regarding image processing and turbidity measurements is needed. In this study, an instrumentation system for predicting water turbidity values based on mobile phone images is made. The feature extraction and regression process are done using a deep convolutional neural network (DCNN) model. The use of DCNN allows it to perform feature extraction automatically. The DCNN architecture used is ResNet-50 and DenseNet-121. The effectiveness of implementing transfer learning in the form of weight initialization on DCNN is also reviewed in this study. The samples used in this study were formazine suspensions with various turbidity values for model training and several water samples for model validation. The sample is illuminated by an LED inside an acquisition box to reveal its features. The images of the samples were acquired using a Samsung S20 FE mobile phone from two different angles, namely 0° (turbidimetry) and 90° (nephelometry) to the sample. The best results in this study were obtained by the ResNet-50 model with transfer learning applied which obtained MAE values of 2.44 for formazine samples and 7.31 for water samples using turbidimetry images. The results show the promising potential for further development of DCNN usage in the case of water turbidity values regression.

Abstrak :
Turbiditas merupakan salah satu indikator yang dapat digunakan untuk menilai kualitas air. Turbiditas dapat diukur menggunakan instrumen konvensional seperti turbidimeter, spektrofotometer, dan nefelometri visual. Namun, semua instrumen tersebut memiliki kekurangannya masing-masing, seperti biaya yang relatif tinggi dan kurang efisien. Pada penelitian ini diusulkan metode pengukuran yang lebih terjangkau dan efisien dengan memanfaatkan kamera ponsel, serta model regresi support vector regression dan EfficientNet-B0 berbasis convolutional neural network sebagai instrumen pengukuran. Akuisisi citra dilakukan di dua lingkungan. Lingkungan 1 didefinisikan sebagai lingkungan dengan cahaya langsung yang menyinari sampel, mengikuti prinsip turbidimetri, sedangkan lingkungan 2 didefinisikan sebagai lingkungan dengan pencahayaan yang bergantung hanya kepada cahaya sekitar dengan intensitas cahaya yang tak tentu. Citra yang telah diakuisisi oleh ponsel melalui berbagai proses prapengolahan data seperti segmentasi, augmentasi, penerapan filter Gaussian, dan ekstraksi fitur saturasi dan tekstur sebelum diteruskan ke model regresi. Dari hasil evaluasi didapatkan kesimpulan bahwa model EfficientNet-B0 lebih unggul dibandingkan dengan support vector regresssion dengan fitur saturasi, tekstur maupun gabungan. Model EfficientNet-B0 mendapatkan nilai R2 sebesar 0.992, MAE sebesar 2.474 dan MSE sebesar 10.669 untuk citra lingkungan 1, dan nilai R2 sebesar 0.97, MAE sebesar 3.333 dan MSE sebesar 29.137 untuk citra lingkungan 2. ......Turbidity is an indicator that can be used to assess water quality. Turbidity can be measured using conventional instruments such as turbidimeter, spectrophotometer, and visual nephelometry. However, all of these instruments have their respective drawbacks, such as relatively high costs and inefficient. In this study, a more affordable and efficient measurement method is proposed by utilizing a cellphone camera, as well as a support vector regression and EfficientNet-B0 model based on convolutional neural network as a measurement instrument. Image acquisition will be carried out in two environments. Environment 1 is defined as an environment with direct light shining on the sample, following the principle of turbidimetry, while environment 2 is defined as an environment in which the illumination depends on the ambient light with an indeterminate light intensity. The image that has been acquired by the cellphone will go through various data preprocessing processes such as segmentation, augmentation, application of Gaussian filters, and extraction of saturation and texture features before being forwarded to the regression model. From the evaluation results, it can be concluded that the EfficientNet-B0 model is superior to the support vector regression with saturation, texture, or combined features. The EfficientNet-B0 model gets an R2 value of 0.992, an MAE of 2.474 and an MSE of 10,669 for environment 1 image, and an R2 value of 0.97, an MAE of 3.333 and an MSE of 29,137 for environment 2 image.

Abstrak :
Pembuatan membran kitosan yang dicrosslinking dengan glutaraldehida telah dilakukan melalui metode presipitasi pada suhu kamar. Tahap uji aplikasi membran ini dilakukan terhadap proses filtrasi air. Dimana membran kitosan-glutaraldehida digunakan sebagai media filter dalam proses filtrasi. Pada penelitian ini telah dikembangkan empat rancangan model set alat filtrasi, yaitu; model filtrasi gravitasi, model filtrasi bervakum, model filtrasi berlapis seri dan model filtrasi berulang. Dengan menggunakan rancangan set alat filtrasi model gravitasi dan bervakum, proses filtrasi tidak berjalan dengan baik karena air yang difiltrasi tidak keluar sama sekali. Rancangan set alat filtrasi model berlapis seri dan berulang, harga turbiditas sampel air sungai dengan turbiditas awal 411 sampai dengan 565 NTU dapat turun hingga turbiditas rata-rata 36 NTU. Tetapi untuk rancangan set alat filtrasi model berlapis seri memiliki kekurangan,yaitu ketika membran yang digunakan sebanyak dua buah, proses filtrasi membutuhkan waktu yang sangat lama. Dimana kecepatan air selama filtrasi sebesar 0,5 ml/menit. Sedangkan untuk model filtrasi berulang kecepatan air selama filtrasi lebih besar, yaitu 2-3 ml/menit.