📚 Eksplorasi & Komparasi Topik Dokumen
Pencarian topik
Hasil Dokumen
Ditemukan: 3 dokumenPERANCANGAN DAN IMPLEMENTASI KONTROL PENJEJAKAN TRAJEKTORI UNTUK LENGAN ROBOT 6-DOF DENGAN ESTIMATOR RUANG TUGAS 3D BERBASIS PELACAK OPTIK
Interaksi fisik lengan robot dengan lingkungan yang bergerak dinamis memerlukan sistem kendali presisi tinggi untuk mengompensasi latensi spasial dan waktu. Penelitian ini bertujuan mengembangkan arsitektur sistem kontrol Position-Based Visual Servoing (PBVS) menggunakan Model Predictive Control (MPC) untuk memandu lengan robot 6-DOF dalam mengeksekusi tugas penjejakan trajektori di atas permukaan target yang statis maupun dinamis. Infrastruktur perangkat keras dibangun melalui perancangan end-effector khusus dan optimasi kerangka penanda optik. Sistem ini memanfaatkan sensor pelacak optik untuk pengukuran spasial yang didukung oleh algoritma estimasi keadaan Linear Kalman Filter (LKF) dan Error-State Kalman Filter (ESKF) guna mereduksi derau pembacaan sensor dan menghasilkan estimasi kecepatan spasial target secara real-time. Kinerja sistem dievaluasi melalui penjejakan trajektori pada tiga kondisi: target statis, target bermanuver acak (digerakkan manual), dan target translasi linear (modul kereta laju 2 hingga 8 cm/s). Kualitas trajektori dikuantifikasi menggunakan visi komputer untuk mengekstrak galat bentuk (shape RMSE). Hasil menunjukkan algoritma estimasi keadaan berhasil mereduksi amplitudo derau hingga 26,2% dengan keterlambatan fasa 20 – 60 ms. Pada pengujian dinamis manual, sistem mampu mempertahankan topologi geometri pada pergerakan lambat, namun terdistorsi pada manuver agresif akibat ketidakmampuan algoritma memprediksi pergerakan acak. Pada uji kereta linear, trajektori kontinu (lingkaran) sukses dieksekusi hingga laju target 6 cm/s (galat bentuk 0,8 mm). Sebaliknya, trajektori bersudut tajam (persegi dan segitiga) mengalami divergensi galat hingga 4,9 mm di laju 6 cm/s akibat ketertinggalan spasial yang dipicu algoritma exact stop. Arsitektur yang dikembangkan beroperasi tangguh dengan rekomendasi batas laju dinamis operasional pada 4 cm/s. Kata Kunci : Lengan Robot 6-DOF, Pelacak Optik, Model Predictive Control (MPC), Linear Kalman Filter (LKF), Error-State Kalman Filter (ESKF).
PENGEMBANGAN MODEL PREDIKTIF UNTUK PEMANTAUAN DAN OPTIMASI EMISI KARBON DALAM MEMBANTU PENGAMBILAN KEPUTUSAN PERDAGANGAN KARBON (STUDI KASUS: PLTU PAITON ENERGY)
Kementerian ESDM mengumumkan bahwa perdagangan karbon pada fase pertama akan dilaksanakan pada tahun 2023 yang dimulai dari PLTU batubara. Oleh karena itu, setiap unit pembangkit listrik memiliki kewajiban untuk menghitung emisi GRK. Selanjutnya, setiap instansi perlu melaksanakan upaya optimasi emisi karbon. PLTU Paiton Energy merupakan salah satu PLTU batubara yang wajib mengikuti mekanisme perdagangan karbon sesuai regulasi pemerintah. Saat ini, PLTU Paiton Energy telah mengidentifikasi emisi GRK secara manual. Namun, belum menyediakan informasi yang dapat mendukung efisiensi kegiatan perdagangan karbon di masa yang akan datang. Dalam mendukung efisiensi kegiatan perdagangan karbon, prediksi emisi dapat dimanfaatkan sebagai implementasi strategi pengurangan emisi. Berdasarkan hal tersebut, penelitian ini berfokus pada pengembangan model prediktif yang dapat memberikan informasi prediksi emisi karbon, konsumsi bahan bakar batubara, dan gross electricity sebagai upaya optimasi emisi karbon, serta mendukung pengambilan keputusan dalam kegiatan perdagangan karbon menggunakan metodologi CRISP-DM (The Cross Industry Standard Process for Data Mining). Evaluasi dilakukan dengan mengukur performa model yang telah dibangun menggunakan metrik MAE, RMSE, dan MAPE. Pelatihan model menggunakan lima model machine learning, yaitu Linear Regression, Support Vector Regression, Decision Tree Regression, Random Forest Regression, dan LightGBM. Pengembangan model prediktif menggunakan pendekatan machine learning dengan menggabungkan model time series dan model regresi. Model time series akan memprediksi setiap feature atau variable sebagai input pada model regresi untuk melakukan prediksi emisi karbon. Kemudian, informasi keputusan perdagangan karbon menerapkan rule-oriented decision support systems. Hasil pengujian untuk setiap model pada PLTU Paiton Energy Unit 3, Unit 7, dan Unit 8 menghasilkan Model Decision Tree Regression sebagai model terbaik pada model time series Metode 1 dan Metode CEMS. Selanjutnya, Model Linear Regression menjadi model terbaik pada model regresi dalam memprediksi emisi CO2e Metode 1. Kemudian, Model Random Forest Regression menjadi model terbaik pada prediksi emisi CO2 Metode CEMS menggunakan model regresi. Analisis hasil pengujian pada setiap model yang telah dikembangkan di PLTU Paiton Energy menghasilkan insight bahwa kualitas model sangat bergantung pada karakteristik data dan pemilihan model yang sesuai. Unit dengan data yang memiliki hubungan linear dengan target prediksi menunjukkan hasil prediksi yang lebih akurat menggunakan Model Linear Regression, sedangkan unit dengan data non-linear memerlukan model yang lebih kompleks, seperti Model Decision Tree Regression, Model Random Forest Regression, Model LightGBM, dan Model Support Vector Regression untuk mengatasi volatilitas dan outlier. Implementasi model prediksi emisi karbon untuk tahun 2024 menghasilkan keputusan perdagangan karbon yang berbeda antara Metode 1 dan Metode CEMS. Hasil keputusan pada Metode 1 dan Metode CEMS untuk Unit 3 adalah “menjual emisi”. Namun, hasil keputusan pada Metode 1 untuk Unit 7 dan Unit 8 menghasilkan keputusan untuk “membeli emisi”. Di sisi lain, hasil keputusan pada Metode CEMS untuk Unit 7 dan Unit 8 adalah “menjual emisi”. Hasil keputusan perdagangan karbon menunjukkan dampak yang signifikan dari perbedaan jumlah emisi aktual dan fluktuasi data pada setiap metode saat pelatihan model sehingga mempengaruhi hasil prediksi emisi. Dengan dikembangkannya model prediktif pada penelitian ini, PLTU Paiton Energy dapat mengetahui keputusan perdagangan karbon pada periode yang akan datang berdasarkan hasil prediksi emisi karbon. PLTU Paiton Energy juga dapat menyusun strategi dalam kegiatan perdagangan karbon dengan mengestimasi hasil energi listrik yang dihasilkan serta mempertimbangkan hasil prediksi konsumsi bahan bakar batubara dan prediksi emisi sehingga PLTU Paiton Energy dapat mengindentifikasi dampak dari sisi lingkungan dan finansial di masa yang akan datang.
ANALISIS GETARAN PELEDAKAN UNTUK VARIASI KEKUATAN BATUAN DI PT AMMAN MINERAL NUSA TENGGARA
PT Amman Mineral Nusa Tenggara mengoperasikan tambang di Pit Batu Hijau, Pulau Sumbawa, yang merupakan salah satu perusahaan pertambangan terbesar di Indonesia dengan komoditas utama tembaga dan emas. Guna mendukung aktivitas penambangan diperlukan salah satu proses penambangan yaitu peledakan. Dampak negatif yang dihasilkan dari kegiatan peledakan salah satunya ialah getaran tanah yang dihasilkan. Berdasarkan karakteristik kekerasan material dibedakan menjadi beberapa domain diantaranya soft, moderate, dan hard. Untuk mengukur tingkat getaran tanah, salah satu parameter yang sering digunakan adalah Peak Particle Velocity (PPV). Beberapa persamaan empiris yang digunakan yaitu USBM, Langefors-Kihlstrom, Ambraseys-Hendron, Indian Standard, dan CMRI. Untuk mendapatkan persamaan prediksi dari masing-masing persamaan empiris ditentukan hubungan PPV dengan scaled distance dari 70% data. Kemudian, dilakukan evaluasi hasil dari model prediksi dari beberapa persamaan empiris dengan mempertimbangkan nilai R2, MAE, dan RMSE. Berdasarkan nilai dari R2, MAE dan RMSE berturut-turut diperoleh persamaan prediksi terakurat yaitu Langefors-Kihlstrom, Indian Standard, Ambraseys Hendron, CMRI, dan USBM. Kemudian ditentukan konstanta K pada masing-masing domain. Selanjutnya, agar memberikan ukuran ketepatan dalam memprediksi, maka digunakan tingkat kepercayaan 95%, lalu dilakukan pengujian data sebanyak 30% data, jika terdapat data error maka dilakukan training data ulang. Sehingga diperoleh persamaan terakurat terbaru yang dapat digunakan untuk memprediksi getaran tanah hasil peledakan pada masing masing domain.