PERANCANGAN PENGATURAN SINYAL/RAMBU PADA STASIUN KERETA API BERSKALA KECIL BERBASIS PERSONAL KOMPUTER
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
Pada umumnya pengaturan sinyal/rambu pada stasiun kereta api berskala kecil masih menggunakan sistem manual (dijalankan oleh operator/manusia) yaitu menggunakan sebuah rantai penarik untuk menggerakkan palang sebagai sinyal/rambu bagi kereta api yang masuk ke stasiun. Berbeda halnya dengan sistem pengaturan sinyal/rambu pada stasiun kereta api berskala besar yang sudah lebih canggih yang serba otomatis, tetapi sangat disayangkan sekali biaya yang dibutuhkan untuk membuat sistem tersebut sangat mahal. Data ini didapatkan melalui studi visual dan studi perbandingan yang dilakukan oleh penulis di Stasiun Kereta Api Bandung, Jawa Barat (Stasiun Hall) dan Stasiun Kereta Api Kiaracondong Bandung, Jawa Barat. Dengan melihat permasalahan tersebut diatas maka solusi yang diambil adalah dengan membuat suatu perancangan alat pengatur sinyal/rambu kereta api yang berbasis personal komputer. Adapun alat yang digunakan dalam perancangan tersebut yaitu PPI 8255 sebagai antarmuka penghubung antara rangkaian elektronika dan komputer, motor DC untuk menggerakkan palang, seven segment untuk memberi tanda pada kereta api yang masuk agar pindah jalur atau tetap pada jalur, sensor untuk mendeteksi kedatangan kereta api yang masuk ke stasiun, serta lampu untuk memberi tanda pada kereta api bisa masuk ke stasiun atau tidak. Selain itu, penulis juga membuat perangkat lunak dengan menggunakan bahasa pemrograman Borland Delphi 5.0 untuk menjalankan aplikasi perancangan alat tersebut. Kata-kata kunci : motor DC, seven segment, sensor infra merah, interface PPI 8255
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,002 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,002 | 0,002 |
| Méta-épidémiologie (sens large) | 0,002 | 0,001 |
| Bibliométrie | 0,001 | 0,002 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,002 | 0,003 |
| Science ouverte | 0,006 | 0,002 |
| Intégrité de la recherche | 0,001 | 0,003 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 0,001 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découle