Article Per Year (5 Year)
p-Index From 2021 - 2026
0.751
P-Index
This Author published in this journals
All Journal Buletin Udayana Mengabdi Jurnal Energi Dan Manufaktur Majalah Ilmiah Teknologi Elektro Jurnal METTEK (Jurnal Ilmiah Nasional Dalam Bidang Ilmu Teknik Mesin) Majalah Ilmiah Teknologi Elektro
I Wayan Widhiada
Program Studi Teknik Mesin, Fakultas Teknik, Universitas Udayana
Computer Science & IT Control & Systems Engineering Education Electrical & Electronics Engineering Energy Engineering Industrial & Manufacturing Engineering Mechanical Engineering

Published : 15 Documents Claim Missing Document
Claim Missing Document
Check
Articles

Found 15 Documents
Search

 1   2 
Performansi Sistem Pengendali Kecepatan Motor BLDC Menggunakan Logika Fuzzy Logic Wayan Widhiada; Made Widiyarta; K.P. Arya Utama
Jurnal Mettek: Jurnal Ilmiah Nasional dalam Bidang Ilmu Teknik Mesin Vol 6 No 1 (2020)
Publisher : Program Studi Magister Teknik Mesin Universitas Udayana

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.24843/METTEK.2020.v06.i01.p02

Abstract

Brushless DC motor adalah salah satu jenis motor sinkron yang diberi arus DC yang bersumber dari inverter atau power supply. Motor AC menghasilkan arus AC yang dapat menggerakan motor. Pada dasarnya kecepatan motor dapat di atur menggunakan kontroler yang menghitung seberapa besar keluaran yang harus dihasilkan. Pada umumnya input dari kontroler berupa tuas (naik – turun atau putar) dan tombol untuk input awalnya. Oleh Karena itu dilakukan penelitian untuk mengganti input yang mengatur kecepatan motor BLDC. Kontrol kecepatan motor BLDC berbasis logika fuzzy adalah suatu system kontrol yang mengganti input main stream dari kontroler menjadi sensor beban, dan dimana pembacaanya akan dikontrol oleh logika fuzzy untuk mengatur control kecepatan motor BLDC. Penelitian dilakukan dengan dua cara yaitu simulasi dan eksperimen prototype dengan pemberian beban pada sensor yaitu 10 kg, 20 kg, 30 kg, 40 kg dan 50 kg sebagai inputnya. Hasil dari pengujian dan penghitungan yang didapat pada setiap pembebanan menghasilkan kecepatan yang stabil yaitu rata – rata 0.25 detik dengan kecepatan yang hamper setara dengan referensinya. Error pada kecepatan yang dihasilkan antara simulasi dan prototype sangat kecil yaitu kurang dari 1% pada masing – masing pembebanan. Brushless DC motor is one type of synchronous motor that is given a DC current from the inverter or power supply sourced. It produces an AC current that can drive the motor. Basically the motor speed can be set using a controller to compute the result of output. In general, the input from the controller is like a handle (up – down or twist) and a button for initial input. Therefore the research has changed the input that regulates the speed of the BLDC motor. BLDC motor speed is controlled based on fuzzy logic. Fuzzy logic is a control who help load sensor to replace the mainstream input like handle, and where the reader will be directed by logic to determine the speed of the BLDC motor. The research is carried out in two techniques, called simulation and experiment. The prototype is testing with the load on 10 kg, 20 kg, 30 kg, 40 kg and 50 kg as an input. The results of the tests is obtained at each loading resulted in a stable speed which is an average of 0.25 seconds with a speed that is almost the same as the reference. The error signal of the speed is produced between the simulation and prototype is very small, which is less than 1% in each load.
PENERAPAN GENSET HYBRID 100 W BERBAHAN BAKAR BIOGAS YANG DIPRODUKSI DARI KOTORAN TERNAK D.N.K.P. Negara; T.G.T. Nindhia; I.M. Widiyarta; I.W. Widhiada; I. P. Hariwangsa; K. Sebayuana; A. S. Ferdinand
Buletin Udayana Mengabdi Vol 20 No 3 (2021): Buletin Udayana Mengabdi
Publisher : Lembaga Penelitian dan Pengabdian kepada Masyarakat

Show Abstract | Download Original | Original Source | Check in Google Scholar | Full PDF (914.202 KB) | DOI: 10.24843/BUM.2021.v20.i03.p05

Abstract

Pengabdian ini bertujuan untuk mengoptimalkan pemanfaatan biogas yang diproduksi menggunakan digester portebel memanfaatkan kotoran sapi pada Kelompok Ternak Tulus Nadi di Banjar Gambih Desa Buahan. Selama ini biogas yang dihasilkan hanya digunakan untuk keperluan memasak. Pengabdian ini dilakukan dengan memberikan pelatihan pengoperasian dan pemeliharaan genset hybrid yang bisa dioperasikan menggunakan biogas dan bensin, sehingga biogas yang dihasillkan dapat dikonversi menjadi energi listrik. Hasil kegiatan ini menunjukkan bahwa anggota kelompok ternak ini telah mampu mengoperasikan dan merawat genset hybrid ini. Listrik yang dihasilkan dapat digunakan sebagai cadangan energi ketika terjadi gangguan listrik dari PLN. Pada kegiatan ini diserahterimakan satu unit genset hybrid 1000 W dilengkapi dengan toolkit dan SOP pengoperasian dan pemeliharaan biogas.
Evaluasi Model Machine Learning Klasifikasi Gerak Tangan Untuk Sistem Kontrol Prototipe Prostesis Tangan I Made Esa Darmayasa Adi Putra; Ilham Fauzi; Karuna Sindhu Krishna Prasad; I Made Putra Arya Winata; I Wayan Widhiada
Majalah Ilmiah Teknologi Elektro Vol 22 No 1 (2023): (Januari - Juni) Majalah Ilmiah Teknologi Elektro
Publisher : Program Studi Magister Teknik Elektro Universitas Udayana

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.24843/MITE.2023.v22i01.P18

Abstract

Obstacles in the form of loss of function of body parts will cause difficulty in carrying out normal activities. In the application of electromyography (EMG) and electroencephalography (EEG) sensors that are not good at compensating for various kinds of human physical conditions, force sensing resistor (FSR) sensors can be an alternative to EMG and EEG in hand prostheses. In planning the neural network model, the data needed for the actual output is only in the form of hand gestures for post-amputation non-patients. Long Short Term Memory (LSTM) is used because it can handle data processing in the long run which is one of the conditions that arise in sequential data processing. The resulting evaluation metrics are in the form of accuracy values in training data with epoch 200 and accuracy in data testing. The first result with no dropout variation shows the accuracy value in training is 0,9449 and the accuracy in testing is 0,961 with the loss value in training is 0,1284 and the loss in testing is 0,0717. The second result with dropout variations shows the accuracy value in training is 0,9699 and accuracy in testing is 0,9688 with a loss value in training is 0,0803 and loss in testing is 0,1061. the metrics accuracy evaluation generated on the dataset has exceeded the value of 0,9. This indicates that the model has run well for the classification of 11 movements. Keyword — Control System; machine learning; moving arm; prostesis arm.
Model Object Detection Neural Network Berbasis Hand Gesture Recognition sebagai Kontrol Prostesis Tangan I Made Esa Darmayasa Adi Putra; I Made Putra Arya Winata; Ilham Fauzi; Karuna Sindhu Krishna Prasad; I Wayan Widhiada
Jurnal Teknologi Elektro Vol 22 No 2 (2023): (Juli - Desember) Majalah Ilmiah Teknologi Elektro
Publisher : Program Studi Magister Teknik Elektro Universitas Udayana

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.24843/MITE.2023.v22i02.P05

Abstract

Most people with disabilities due to accident injuries are patients after an arm amputation which can cause psychological disorders and even major trauma. The urgency of hand prosthesis functionality is increasingly needed. Hand gesture recognition (HGR) can be used to control hand prostheses, judging from the similarity in shape of objects/objects that tend to make the same hand movements. This development uses three common types of movement, namely pinch, pick, and grab. Developing a neural network model capable of implementing this concept is necessary. The neural network model developed uses the YOLOV7 and YOLOV7 tiny pre-trained networks with datasets collected through the public image data scrapping method. The dataset is 317 images and 2278 object labels with a training ratio of 80:20 testing. The training process uses the Pytorch framework with 300 epochs. The results of the loss values for each epoch show that the model is trainable in the given dataset. The training results are then evaluated by evaluating number of parameters, frame per seconds (FPS) and mean average precision (mAP) using a testing dataset. The overall results show the highest evaluation metrics in the model, with YOLOV7 pretrained with parameter number of 36,9 million, FPS of 161, and mAP of 98,11%. The model has the potential to be developed and implemented as a support for the control functionality of hand prostheses.
Evaluasi Model Machine Learning Klasifikasi Gerak Tangan Untuk Sistem Kontrol Prototipe Prostesis Tangan I Made Esa Darmayasa Adi Putra; Ilham Fauzi; Karuna Sindhu Krishna Prasad; I Made Putra Arya Winata; I Wayan Widhiada
Jurnal Teknologi Elektro Vol 22 No 1 (2023): (Januari - Juni) Majalah Ilmiah Teknologi Elektro
Publisher : Program Studi Magister Teknik Elektro Universitas Udayana

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.24843/MITE.2023.v22i01.P18

Abstract

Hambatan berupa kehilangan fungsi bagian tubuh akan menyebabkan kesulitan dalam melakukan kegiatan secara normal. Dalam penerapan sensor electromyography (EMG) dan electroencephalography (EEG) yang kurang baik dalam mengimbangi berbagai macam kondisi fisik manusia, sensor force sensing resistor (FSR) dapat menjadi alternatif pengganti EMG dan EEG pada prostesis tangan. Dalam perencanaan model neural network, data yang dibutuhkan pada actual output hanya berupa hand gesture pada orang non pasien pasca amputasi. Long Short Term Memory (LSTM) digunakan karena dapat menangani proses data dalam jangka panjang yang merupakan salah satu keadaan timbul dalam pengolahan data sekuensial.evaluasi metrics yang dihasilkan berupa nilai accuracy pada data training dengan epoch 200 dan accuracy pada data testing. Hasil pertama dengan tanpa variasi dropout menunjukkan nilai accuracy pada training 0,9449 dan accuracy pada testing 0,961 dengan nilai loss pada training 0,1284 dan loss pada testing 0,0717. Hasil kedua dengan variasi dropout menunjukkan nilai accuracy pada training 0,9699 dan accuracy pada testing 0,9688 dengan nilai loss pada training 0,0803 dan loss pada testing 0,1061. evaluasi metrics accuracy yang dihasilkan pada dataset telah melampui nilai 0,9. Hal ini mengindikasikan model telah berjalan dengan baik untuk klasifikasi pada 11 gerakan. Kata Kunci— Sistem kontrol; machine learning; gerakan tangan; prostesis tangan.
Co-Authors A. S. Ferdinand Ainul Ghurri Bayu Nurcahya Beny Maximin Messakh D.N.K.P. Negara I .G. P. Agus Suryawan I Gusti Ngurah Bagus Mahendra Putra I Ketut Wijaya I Made Esa Darmayasa Adi Putra I Made Putra Arya Winata I Made Widiyarta I Nyoman Suprapta Winaya I Wayan Ambara Antara I. P. Hariwangsa Ilham Fauzi K. Sebayuana K.P. Arya Utama Karuna Sindhu Krishna Prasad S.Pd. M Kes I Ketut Sudiana . Tjok Gede Indra Partha Tjokorda Gde Tirta Nindhia Wayan Reza Yuda Ade Prasetya Wayan Reza Yuda Ade Putra