Desain Dan Analisis Multi Modul Inklinometer Dua Sumbu Dengan Machine Learning Dan Simulink

Damanik, Robin (2023) Desain Dan Analisis Multi Modul Inklinometer Dua Sumbu Dengan Machine Learning Dan Simulink. Masters thesis, ITS.

Text 6009211002-Master_Thesis.pdf - Accepted Version Restricted to Repository staff only until 1 October 2025. Download (9MB) | Request a copy

Abstract

Inklinometer merupakan sensor yang digunakan untuk mengukur sudut kemiringan sudut suatu objek relatif terhadap garis horizontal atau vertikal. Penelitian yang luas mengenai inklinometer 2 sumbu telah banyak dilakukan, yang meliputi penelitian mengenai akselerometer MEMS, studi kalibrasi, analisis kinerja, transmisi data menggunakan RS 485 dan penyelidikan efek suhu terhadap kesalahan pengukuran. Fokus dalam penelitian ini adalah pengembangan model inklinometer menggunakan machine learning. Dengan memanfaatkan data percepatan (ax, ay, dan az), informasi berharga dapat diperoleh seperti sudut kemiringan, jarak pergeseran setiap inklinometer, jarak pergeseran total, arah sumbu pergeseran, lapisan tanah mana yang bergeser dan pemicu alarm bahaya. Mendapatkan informasi tersebut akan sulit dan kompleks jika menggunakan perhitungan sederhana. Karena itu perlu dilakukan pemodelan menggunakan machine learning dengan metode random forest setelah melakukan perbandingan percobaan dengan teknik machine learning lainnya. Parameter yang digunakan untuk hasil optimal adalah max_depth diatur menjadi 0, min_samples_leaf diatur menjadi 5 dan n_estimators diatur menjadi 200. Diterapkan dua jenis machine learning, yaitu regressor dan classifier. Dengan test_size diatur menjadi 0,1, MAE (Mean Absolute Error) pada metode pertama adalah 0,9 dan MAE pada metode kedua adalah 0,4. MATLAB Simulink digunakan untuk mensimulasikan program Python untuk mengamati karakteristik model yang dibuat. Validasi model dilakukan dengan dua cara yaitu mebandingkan dengan data penelitian sebelumnya dan dengan mengirimkan data akselerometer dari ponsel android ke MATLAB Cloud menggunakan aplikasi MATLAB pada ponsel dan membandingkannya dengan data simulasi.
===========================================================================================================================================
An inclinometer is a sensor used to measure the angle of inclination of an object relative to the horizontal or vertical line. Extensive research has been conducted on 2-axis inclinometers, covering studies on MEMS accelerometers, calibration, performance analysis, data transmission using RS 485, and investigation of temperature effects on measurement errors. This research focuses on developing an inclinometer model using Machine Learning. By utilizing acceleration data (ax, ay, and az), valuable information can be obtained regarding the inclination angle, displacement distance of each inclinometer, total displacement distance, direction of the displacement axis, the soil layer that is shifting, and triggering danger alarms. Obtaining such information would be challenging and complex if shallow computations were used. Modeling was performed using random forest machine learning after experimenting with other machine learning techniques. The parameters used for optimal results were set as follows: max_depth set to 0, min_samples_leaf set to 5, and n_estimators set to 200. Two types of machine learning, namely regressor and classifier, were applied. With a test_size set to 0.1, the MAE in the first method is 0.9, and the MAE in the second method is 0.4. The usage of MATLAB Simulink to simulate a Python program was conducted to observe the characteristics of the created model. The validation model was performed in two ways: first, by validating it with previous research data, and second, by sending accelerometer data from an android mobile phone to the MATLAB Cloud using the MATLAB application on the mobile phone and comparing it with simulated data

Item Type:	Thesis (Masters)
Uncontrolled Keywords:	pergeseran tanah, pemodelan, inklinometer 2 sumbu, landslide, modelling, 2-axis inclinometer, random forest, machine learning
Subjects:	Q Science > QC Physics
Divisions:	Faculty of Industrial Technology and Systems Engineering (INDSYS) > Physics Engineering > 30101-(S2) Master Thesis
Depositing User:	Robin Manahan Damanik
Date Deposited:	21 Aug 2023 08:24
Last Modified:	21 Aug 2023 08:24
URI:	http://repository.its.ac.id/id/eprint/104820

Actions (login required)

View Item