Prof. Dr.-Ing. Ir. Yul Yunazwin Nazaruddin, IPM.
Guru Besar, KK Instrumentasi, Kontrol, dan Otomasi FTI, ITB.yul@itb.ac.id Ruang dosen TF labtek VI Lt IVDr. Azka Muji Burrohman, S.Si., MT.
Non Jabatan, KK Instrumentasi, Kontrol, dan Otomasi FTI, ITB.a.m.burohman@itb.ac.iddepan lab ICODESLaboratorium Sistem Instrumentasi, Kontrol, dan Keputusan
Profil Singkat Laboratorium
Laboratorium Sistem Instrumentasi, Kontrol dan Keputusan (Instrumentation, Control and Decision Systems (ICoDeS) Laboratory) merupakan salah satu laboratorium di lingkungan Kelompok Keahlian Instrumentasi dan Kontrol, Fakultas Teknologi Industri, Institut Teknologi Bandung. Laboratorium ini awalnya disebut Laboratorium Instrumentasi Instrumentasi (INDI) yang didirikan pada sekitar tahun 1998, yang kemudian berganti nama menjadi Laboratorium Manajemen Instrumentasi dan Kontrol (MSIK) dan kemudian berganti nama menjadi ICoDeS pada tahun 2019, berfungsi sebagai tempat penelitian dan sarana pendukung proses pembelajaran di lingkungan program studi Teknik Fisika.
ICoDeS melakukan berbagai aktivitas, diantaranya penelitian, pelatihan, kerjasama industri dan lainnya dalam pengembangan dan penerapan bidang instrumentasi, kontrol dan sistem keputusan (decision systems) untuk berbagai industri dan mitra-mitra lainnya (termasuk teknologi terkini seperti Artificial Intelligence, Cyber Physical Systems, Internet of Things (IoT), Industry 4.0, Autonomous Systems dan Advanced Control). Sejak pertama kali dibentuk lebih dari 200 mahasiswa (S1, S2 dan S3) telah beraktivitas di ICoDeS (atau di Laboratorium INDI pada awalnya), dan sampai saat ini lulusan-lulusannya (atau yang dulu terlibat aktif di laboratorium ini) telah bekerja di berbagai bidang di industri, BUMN, multinational companies, menjadi dosen, bekerja di luar negeri, atau bahkan ada yang melanjutkan sekolah di berbagai perguruan tinggi ternama di Indonesia maupun di Luar Negeri
Profil Singkat Laboratorium
Beberapa aktivitas dan lingkup penelitian dan pembelajaran yang dilakukan selama ini, diantaranya adalah :
Research & Activities on Industrial Instrumentation and Process Control, Advanced Control System, Automation, and Industrial Networking
Research & Activities on Railway Signalling, Control and Automation
Research & Activities on Unmanned Aerial Vehicles (UAV)
Research & Activities on Electric and Autonomous Vehicle, Train, Truck-Trailer and Bus
Research & Activities on Port Automation and Automatic Guided Vehicles (AGV)
Research & Activities on Digital Twins for Industrial Application and Optimizing Industrial Process Control
Research & Activities on Development and Implementation of Artificial Intelligence Methodology for Various Applications
Topik TA yang ditawarkan
A. Penelitian Tentang Kendaraan Otonom dan High Speed Rail (HSR)
1. Development of Low Cost High Definitian (HD) Map for Autonomous Vehicles
2. High Definitian (HD) Map-based Localization for Autonomous Vehicles Using Monocular Camera
3. Path loss Characteristics of Urban Wireless Channel for Autonomous Vehicles
4. Outdoor Channel Modeling for High Speed Railway based on Machine Learning
B. Penelitian Tentang Digital Twin untuk Kendaraan Listrik (EV)
5. Perancangan Sistem Kontrol Motor Listrik pada Kendaraan Listrik (EV) dengan Pendekatan Digital Twin
6. Estimasi Masa Hidup Motor Listrik pada Kendaraan Listrik (EV) yang Mengalami Kegagalan Mekanik dengan Pendekatana Sensor Fusion dan Machine Learning
7. Deteksi, Lokalisasi dan Identifikasi Kegagalan pada Motor Listrik pada Kendaraan Listrik (EV) Dengan Kamera Termal
C. Penelitian Tentang Port Automation :
8. Perancangan dan implementasi pengontrol PID Robust dengan Pendekatan Reinforcement Learning untuk Purwarupa Gantry Crane
9. Perancangan dan Implementasi Pengontrol Tidak Linier Berbasis Metode IDA-PBC PINN dan Lyapunov untuk Pemindahan Kontainer di RTGC
D. Penelitian Tentang Digital Twin Untuk Conveyor Belt
10. Condition Monitoring of Conveyor Belt Systems Using Digital Twin
E. Penelitian Tentang Multi-Drone Systems
11. Implementasi Sistem Perencana Jalur pada Sistem Multi Drone untuk Skenario Operasi SAR pada Korban Bencana Alam dengan Memanfaatkan Received Signal Strength
F. Penelitian Lainnya (ex AZKA)
12. Pengurangan Kompleksitas Model dengan Menjaga struktur Port-Hamiltonian (Aplikasi untuk Sistem Ocean Grazer)
13. Complexity Reduction for Predictive Digital Twin
14. Pengurangan Kompleksitas Model Berbasis Data
Pembimbing I : Prof. Yul Yunazwin Nazaruddin
Tujuan Penelitian: Mengembangkan sistem deteksi anomali waktu nyata untuk motor listrik menggunakan kerangka digital twin, untuk deteksi dini potensi kegagalan. Metode Penelitian: Mengimplementasikan model digital twin motor listrik. Mengintegrasikan data sensor waktu nyata (misalnya, arus, tegangan, suhu, getaran) ke dalam digital twin. Menerapkan metode statistik atau algoritma pembelajaran mesin untuk mendeteksi penyimpangan dari kondisi operasi normal. Mengevaluasi kinerja sistem dalam mendeteksi berbagai jenis anomali.
Pembimbing I : Prof. Yul Yunazwin Nazaruddin
Tujuan Penelitian: Mengembangkan sistem diagnosis kegagalan menggunakan digital twin untuk mengklasifikasikan dan melokalisasi secara akurat kerusakan motor tertentu dengan menggunakan algoritma pembelajaran mesin seperti Transformer. Metode Penelitian: Mengembangkan model digital twin motor listrik. Memperkenalkan kerusakan simulasi ke dalam digital twin. Melatih model pembelajaran mesin untuk mengklasifikasikan berbagai jenis kerusakan berdasarkan data sensor dari digital twin. Memvalidasi sistem diagnosis kerusakan menggunakan data eksperimen.
Pembimbing I : Prof. Yul Yunazwin Nazaruddin
Tujuan Penelitian: Mengembangkan sistem pemeliharaan prediktif dengan mengintegrasikan pembelajaran mesin dengan digital twin untuk memprediksi kegagalan motor dan mengoptimalkan jadwal pemeliharaan dengan algoritma pembelajaran mesin seperti LSTM atau Transformer. Metode Penelitian: Membangun digital twin motor listrik. Melatih model pembelajaran mesin (misalnya, regresi, klasifikasi, peramalan deret waktu) menggunakan data sensor historis dan waktu nyata dari digital twin. Memprediksi sisa umur pakai (RUL) atau waktu hingga kegagalan. Mengembangkan jadwal pemeliharaan berdasarkan prediksi.
Pembimbing I : Prof. Yul Yunazwin Nazaruddin
Tujuan Penelitian: Menciptakan sistem terintegrasi menggunakan perangkat IoT dan digital twin untuk pemantauan kesehatan motor yang komprehensif dan prediksi kegagalan. Metode Penelitian: Merancang sistem akuisisi data berbasis IoT untuk mengumpulkan data sensor dari motor listrik. Mengembangkan model digital twin motor. Membangun hubungan komunikasi antara perangkat IoT dan digital twin. Menerapkan algoritma PHM di dalam digital twin untuk menganalisis data dan memprediksi kegagalan.
Pembimbing I : Prof. Yul Yunazwin Nazaruddin
Deskripsi: Penelitian ini bertujuan untuk mengembangkan sistem sederhana yang dapat mendeteksi kondisi jalan seperti lubang, retakan, atau permukaan bergelombang. Sistem ini menggunakan data gambar yang diambil dari kamera yang dipasang pada kendaraan otonom. Mahasiswa akan mengimplementasikan algoritma Convolutional Neural Network (CNN) atau kemungkinan lain untuk melakukan klasifikasi dan deteksi kerusakan jalan. Penelitian ini juga melibatkan proses pelabelan dataset kecil, pelatihan model dengan framework pembelajaran mesin seperti TensorFlow atau PyTorch, dan validasi hasil deteksi. Manfaat: Membantu pengemudi untuk menghindari jalan yang rusak dan meningkatkan keamanan berkendara.
Pembimbing I : Prof. Yul Yunazwin Nazaruddin
Deskripsi: Fokus penelitian ini adalah pengintegrasian data dari berbagai jenis sensor (fusion sensor), seperti kamera, LiDAR, GPS, dan IMU (Inertial Measurement Unit), untuk meningkatkan akurasi deteksi kondisi jalan dan prediksi perilaku kendaraan. Mahasiswa akan merancang algoritma sensor fusion yang mampu menggabungkan data dengan waktu respons yang cepat dan akurasi tinggi. Penelitian ini juga mencakup pengujian terhadap noise data sensor dan analisis korelasi antar-sensor. Manfaat: Memberikan representasi virtual yang lebih akurat dari kondisi fisik kendaraan dan lingkungan sekitar.
Pembimbing I : Prof. Yul Yunazwin Nazaruddin
Deskripsi: Penelitian ini bertujuan untuk mengembangkan model pembelajaran mesin untuk memprediksi perilaku kendaraan di sekitar, seperti perubahan jalur, pengereman mendadak, atau belok. Mahasiswa akan menggunakan data sensor seperti kecepatan, arah, posisi GPS, dan data tambahan dari LiDAR atau kamera. Model yang digunakan dapat berupa Long Short-Term Memory (LSTM) atau Gaussian Mixture Model (GMM), yang dirancang untuk menangkap pola dalam data waktu nyata. Penelitian ini mencakup pengumpulan dataset, pelatihan model, dan evaluasi performa menggunakan metrik seperti akurasi dan F1-score. Manfaat: Membantu sistem kendaraan otonom untuk mengantisipasi perilaku kendaraan di sekitarnya, meningkatkan keamanan berkendara.