Article Per Year (5 Year)
p-Index From 2021 - 2026
0.61
P-Index
This Author published in this journals
All Journal Warta Penelitian Perhubungan Automotive Experiences Warta Penelitian Perhubungan
Maarif, Muhammad Samsul
Unknown Affiliation
Aerospace Engineering Automotive Engineering Chemical Engineering, Chemistry & Bioengineering Civil Engineering, Building, Construction & Architecture Control & Systems Engineering Electrical & Electronics Engineering Energy Engineering Environmental Science Materials Science & Nanotechnology Mechanical Engineering Transportation

Published : 3 Documents Claim Missing Document
Claim Missing Document
Check
Articles

Found 3 Documents
Search

 1 
Metode Pengukuran Percepatan Kendaraan Bermotor Berbasis Data GPS menggunakan Jaringan Saraf Tiruan Atmaja, Sigit Tri; Wahidin, Agus; Maarif, Muhammad Samsul
Warta Penelitian Perhubungan Vol. 37 No. 1 (2025): Warta Penelitian Perhubungan
Publisher : Sekretariat Badan Penelitian dan Pengembangan Perhubungan

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.25104/warlit.v37i1.2342

Abstract

Penelitian ini bertujuan untuk mengembangkan metode pengukuran percepatan kendaraan bermotor dengan menggunakan data kecepatan tanpa memerlukan alat ukur percepatan tambahan, sehingga alat pengukuran tersebut lebih efisien dan ekonomis. Dasar teori yang dipergunakan adalah bahwa percepatan merupakan perubahan kecepatan pada waktu tertentu. Hasil dari percepatan secara teori dapat menggunakan perhitungan formula penurunan dari hasil pengukuran kecepatan, akan tetapi hasil perhitungan konvensional dengan formula penurunan kecepatan dibandingkan dengan hasil pengukuran alat ukur percepatan memberikan deviasi hasil konversi yang terlalu besar. Oleh sebab itu, formula konvensional tersebut digantikan oleh pendekatan berbasis jaringan saraf tiruan (JST) untuk memodelkan hubungan antara kecepatan dan percepatan secara lebih akurat. Pada penelitian ini, data kecepatan kendaraan diukur menggunakan global positioning system (GPS) dengan frekuensi akuisisi data sebesar 10 Hz. Data tersebut digunakan sebagai data set pada JST yang terbagi atas 90% data training dan 10% data testing. Jika dibandingkan dengan pendekatan yang lain optimasi hyperparameter JST dilakukan secara otomatis menggunakan pendekatan Bayesian Optimization karena kemampuannya dalam memilih parameter secara efisien dan menghindari hasil optimal pada lokal minimum. Model JST yang terbaik diuji menggunakan data testing pertama dengan hasil nilai mean absolute error (MAE) sebesar 0.06373, root mean square error (RMSE) sebesar 0.08434, dan koefisien determinasi (R²) sebesar 0.82456, selanjutnya data testing kedua dengan hasil nilai MAE sebesar 0.07061, RMSE sebesar 0.09112, dan R² sebesar 0.78517. Hasil metode ini menunjukkan potensi penerapan dalam pengukuran percepatan kendaraan dengan akurat dan bisa dikembangkan lebih lanjut untuk berbagai skenario kendaraan dinamis, integrasi real-time dengan sistem navigasi, serta penerapan pada kendaraan otonom atau sistem monitoring berbasis IoT.  
Metode Pengukuran Percepatan Kendaraan Bermotor Berbasis Data GPS menggunakan Jaringan Saraf Tiruan Atmaja, Sigit Tri; Wahidin, Agus; Maarif, Muhammad Samsul
Warta Penelitian Perhubungan Vol. 37 No. 1 (2025): Warta Penelitian Perhubungan
Publisher : Sekretariat Badan Penelitian dan Pengembangan Perhubungan

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.25104/warlit.v37i1.2342

Abstract

Penelitian ini bertujuan untuk mengembangkan metode pengukuran percepatan kendaraan bermotor dengan menggunakan data kecepatan tanpa memerlukan alat ukur percepatan tambahan, sehingga alat pengukuran tersebut lebih efisien dan ekonomis. Dasar teori yang dipergunakan adalah bahwa percepatan merupakan perubahan kecepatan pada waktu tertentu. Hasil dari percepatan secara teori dapat menggunakan perhitungan formula penurunan dari hasil pengukuran kecepatan, akan tetapi hasil perhitungan konvensional dengan formula penurunan kecepatan dibandingkan dengan hasil pengukuran alat ukur percepatan memberikan deviasi hasil konversi yang terlalu besar. Oleh sebab itu, formula konvensional tersebut digantikan oleh pendekatan berbasis jaringan saraf tiruan (JST) untuk memodelkan hubungan antara kecepatan dan percepatan secara lebih akurat. Pada penelitian ini, data kecepatan kendaraan diukur menggunakan global positioning system (GPS) dengan frekuensi akuisisi data sebesar 10 Hz. Data tersebut digunakan sebagai data set pada JST yang terbagi atas 90% data training dan 10% data testing. Jika dibandingkan dengan pendekatan yang lain optimasi hyperparameter JST dilakukan secara otomatis menggunakan pendekatan Bayesian Optimization karena kemampuannya dalam memilih parameter secara efisien dan menghindari hasil optimal pada lokal minimum. Model JST yang terbaik diuji menggunakan data testing pertama dengan hasil nilai mean absolute error (MAE) sebesar 0.06373, root mean square error (RMSE) sebesar 0.08434, dan koefisien determinasi (R²) sebesar 0.82456, selanjutnya data testing kedua dengan hasil nilai MAE sebesar 0.07061, RMSE sebesar 0.09112, dan R² sebesar 0.78517. Hasil metode ini menunjukkan potensi penerapan dalam pengukuran percepatan kendaraan dengan akurat dan bisa dikembangkan lebih lanjut untuk berbagai skenario kendaraan dinamis, integrasi real-time dengan sistem navigasi, serta penerapan pada kendaraan otonom atau sistem monitoring berbasis IoT.  
Integrating Synthetic Data with Deep Learning for Predictive Modelling and Optimization of Diesel Engine Performance on Waste Plastic Oil Blends Hidiyanto, Fitra; Fajar, Rizqon; Setiawan, Fauzi Dwi; Atmaja, Sigit Tri; Priyanto, Heru; Maarif, Muhammad Samsul; Telaumbanua, Yaaro
Automotive Experiences Vol. 9 No. 1 (2026): Issue in Progress
Publisher : Universitas Muhammadiyah Magelang

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.31603/ae.14360

Abstract

The scarcity of experimental data for diesel engines fueled by waste plastic oil (WPO) is a critical obstacle to optimizing engine performance. In this study, only 42 experimental data points covering six blend ratios and seven load conditions were available. To overcome this limitation, 121 synthetic data points were generated by training a suite of machine‑learning models—Random Forest, Gradient Boosting, and AdaBoost—on the original dataset and then predicting outputs across a grid of WPO blend ratios (0–50% in 5% increments) and engine loads (0–100% in 10% increments). The synthetic data were rigorously validated using Kolmogorov–Smirnov tests, kernel density estimation, and principal component analysis to ensure statistical similarity with the original measurements. Subsequently, a Multi‑Input Multi‑Output (MIMO) deep neural network was trained on the combined real and synthetic dataset to predict four key performance metrics—power, torque, specific fuel consumption (SFC) and brake thermal efficiency (BTE)—and its hyperparameters were fine‑tuned using Bayesian optimization via Optuna, achieving coefficients of determination (R²) above 0.95. Optimization analysis indicated that a 17% WPO blend at 82% load delivers the best trade‑off between power, efficiency and fuel consumption for non‑road applications. This integrated framework demonstrates how synthetic data generation, rigorous validation and deep‑learning modelling can effectively mitigate data scarcity and provide actionable insights for performance optimization of plastic pyrolysis oil in diesel engines.  
Co-Authors Atmaja, Sigit Tri Heru Priyanto Hidiyanto, Fitra Rizqon Fajar Setiawan, Fauzi Dwi Telaumbanua, Yaaro Wahidin, Agus