PERANCANGAN PENGATURAN SINYAL/RAMBU PADA STASIUN KERETA API BERSKALA KECIL BERBASIS PERSONAL KOMPUTER
Why this work is in the frame
A frame that forgets how it found something cannot be audited. These are the routes that admitted this work.
Bibliographic record
Abstract
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
Fetched live from OpenAlex and de-inverted. Abstracts are not stored in this database: the inverted indexes are 8.6 GB of the frame’s 9.3 GB of text, and the host has 13 GB free.
Full frame distilled prediction
Teacher imitationNot calibrated prevalence, not ground truth. Human validation pending. Learned from the 10,348 direct Codex labels and 10,348 direct Gemma labels. Candidate is the union of thresholded teacher heads; consensus is their intersection. These outputs are machine_predicted_unvalidated and are not human labels or direct frontier model labels.
Codex and Gemma teacher scores by category
| Category | Codex | Gemma |
|---|---|---|
| Metaresearch | 0.002 | 0.000 |
| Meta-epidemiology (narrow) | 0.002 | 0.002 |
| Meta-epidemiology (broad) | 0.002 | 0.001 |
| Bibliometrics | 0.001 | 0.002 |
| Science and technology studies | 0.001 | 0.001 |
| Scholarly communication | 0.002 | 0.003 |
| Open science | 0.006 | 0.002 |
| Research integrity | 0.001 | 0.003 |
| Insufficient payload (model declined to judge) | 0.001 | 0.001 |
Machine scores (provisional)
The two teacher heads of the student model, read on this work. A score orders the frame for review; it never asserts a category, and the validation status ships verbatim with every row.
Baseline scores from an immature model (maturity gate not passed, 7 training rounds). Scores rank; they never assert a category.
score_only:v0-immature-baseline · verbatim from the scoring run: score_only means the number may rank works, and no category label ships from it