Claim Missing Document
Check
Articles

Found 3 Documents
Search

Desain dan Simulasi Adaptive High Power LED Driver menggunkan Feed-Forward Backpropagation Neural Network Muhammad Miftahuddin; Eka Prasetyono; Diah Septi Yanaratri
Jurnal Teknika Vol 16, No 2 (2020): Edisi November 2020
Publisher : Faculty of Engineering, Universitas Sultan Ageng Tirtayasa

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.36055/tjst.v16i2.8411

Abstract

Lampu LED (light emitting diode) merupakan salah satu jenis lampu hemat energi yang mempunyai lifetime yang panjang. Lampu LED memiliki dua bagian utama, yaitu LED modul dan LED driver modul. LED modul dan LED driver keduanya harus memiliki sepesifikasi yang sama, apabila tidak sesuai maka LED modul tidak bisa menyala karena tegangan atau arus yang kurang dan bisa mengalami kerusakan karena melebihi batas arus dan tegangan. LED driver yang umum dipasaran hanya dapat digunakan untuk satu jenis LED modul saja, sehingga setiap LED modul dengan daya yang berbeda memerlukan LED driver yang berbeda-beda. Penelitian ini membahas tentang adaptive LED driver yang mampu menyesuakain dengan kebutuhan LED modul. Metode yang digunakan adalah feed-forward backpropagation neural network (FF-BPNN) yang diadopsi dari cara kerja sistem saraf biologis. FFBPNN terdiri dari layer input, hidden layer, dan layer output. Penggunaan metode ini berfungsi sebagai kontrol driver LED agar didapatkan daya yang sesuai dengan kebutuhan tiap lampu LED modul sehingga tidak terjadi over current dan over voltage. Pengujian simulasi adaptif LED driver dilakukan dengan 3 variasi daya LED modul yaitu sebesar 50 watt, 70 watt dan 100 watt. Hasil simulasi menunjukkan bahwa driver LED mampu menyesuaikan rating dari daya led yaitu sebesar 49.89 watt, 69.94 watt dan 99.42 watt. LED (light-emitting diode) lamps are one type of energy-saving lamp that has a long lifetime. The LED lamp has two main parts, i.e the LED module and the LED driver module. Both module LEDs and driver LEDs must have the same specifications, if they do not match, the module LEDs cannot turn on due to insufficient voltage or current and can be damaged because they exceed the current and voltage limits. The general LED driver in the market can only be used for one type of LED module, so each LED module with different power requires a different LED driver. This research discusses the adaptive LED driver that can suit the needs of the LED module. The method used is a feed-forward backpropagation neural network (FF-BPNN) which is adopted from the workings of the biological nervous system. FF-BPNN consists of an input layer, a hidden layer, and an output layer. The use of this method functions as an LED driver control to obtain power that is under the needs of each LED module lamp so that over current and over voltage do not occur. Adaptive LED driver simulation testing is done with 3 variations of LED module power, i.e 50 watts, 70 watts, and 100 watts. The simulation results show that the LED driver can adjust the rating of the led power which is 49.89 watts, 69.94 watts, and 99.42 watts.
Estimasi State of Charge (SOC) Pada Baterai Lithium – Ion Menggunakan Feed-Forward Backpropagation Neural Network Dua Tingkat S Aisyah; Muhammad Nizar Habibi; Mohammad Imron Dwi Prasetyo; Novie Ayub Windarko; Diah Septi Yanaratri
Jurnal Teknologi Terpadu Vol 8, No 2 (2020): JTT (Jurnal Teknologi Terpadu)
Publisher : Pusat Penelitian dan Pengabdian Kepada Masyarakat

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.32487/jtt.v8i2.846

Abstract

Pada perkembangan teknologi zaman ini, baterai memainkan peran penting dalam memenuhi kebutuhan energi. Faktor yang mempengaruhi kinerja baterai adalah keadaan muatan dan energi yang disimpan baterai terbatas. Hal ini menyebabkan kerusakan baterai karena pengisian dan pengosongan baterai yang berulang kali dan dapat over-charge atau over-discharging. Oleh karena itu, dibutuhkan alat pengukuran kapasitas baterai untuk menjaga agar baterai tidak cepat rusak. State of charge baterai adalah status yang menunjukkan kapasitas baterai.  Pada penelitian ini, akan dilakukan estimasi state of charge baterai Lithium Ion 12 volt 4 ah menggunakan metode Feed-Forward Backpropagation karena metode FF-BPNN dapat menyesuaikan dengan karakteristik non-linear dari baterai Dalam metode ini, ada dua tingkat proses training data (dua neural) untuk mendapatkan estimasi nilai OCV dan SOC. Tingkat pertama dengan parameter input yaitu tegangan, arus, dan waktu charge atau discharge untuk estimasi OCV. OCV dari hasil tingkat pertama, digunakan sebagai input dari proses tingkat kedua untuk estimasi SOC. Hasil estimasi SOC yang didapat yaitu jumlah nilai hidden neuron 11 pada kondisi charging dan nilai hidden neuron 10 pada kondisi discharge, karena hal itu menunjukkan bahwa estimasi baterai lithium-ion SOC dengan pembacaan aktualnya menunjukkan error yang kecil.
Comparison Of FLC And ANFIS Method To Keep Constant Voltage Based On Flyback Converter Nila Nanda Nismayanti; Indhana Sudiharto; Diah Septi Yanaratri
INTEK: Jurnal Penelitian Vol 9, No 1 (2022): April 2022
Publisher : Politeknik Negeri Ujung Pandang

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.31963/intek.v9i1.3340

Abstract

The development of tecnology suggest humans to always create certain types of renewable inovation, which are usefull for public facilities. Especially in information technology we always need to do the things like work, school and etc using gadget. To reduce various kind of problems on battery health, needs an inovation about charger station in public places. This charger station has a single input single output system so that using just 1 battery source can be used for charging. To realize this charging system, a flyback converter that is capable of working with single input single output is used, which is of course controlled by the Adaptive Neuro Fuzzy Inference System (Anfis) so that the resulting output voltage remains constant, which is 19 V