Difference between revisions of "Ales Daniel"

From ccitonlinewiki
Jump to: navigation, search
(UJIAN TENGAH SEMESTER; RABU, 23 OKTOBER 2019)
 
(17 intermediate revisions by 2 users not shown)
Line 1: Line 1:
[[File:alesdaniel.JPG|600px]]
+
NAMA : .
 
 
NAMA : ALES DANIEL
 
 
 
TEMPAT, TANGGAL LAHIR : JAKARTA, 27 OKTOBER 1998
 
  
 
NPM : 1706036072
 
NPM : 1706036072
Line 163: Line 159:
  
 
[[Take Home Video]]
 
[[Take Home Video]]
 +
 +
Komentar dari teman di kanan dan kiri tempat duduk:
  
 
<comments voting="Plus" />
 
<comments voting="Plus" />
 +
 +
== Permodelan Persamaan Rudal Yang Meluncur ==
 +
 +
Asumsi suatu rudal yang meluncur dengan gerakan miring dengan sudut tertentu. Rudal tersebut bergerak pada suatu posisi yang miring terhadap sumbu x dan y. Pada pengerjaan ini, rudal tersebut dianggap bergerak secara terus menerus pada kemiringan tertentu. Perhitungan yang akan dilakukan adalah turunannya terhadap sumbu x dan sumbu y. Berikut adalah permodelan matematis yang digunakan:
 +
 +
dy/dt = (ay-(g+(cd*v**3/2)/m)
 +
 +
dx/dt = (ax-(cd*v**3/2)/m)
 +
 +
[[Algoritma Rudal X dan Y]]
 +
 +
== Tugas Besar ==
 +
'''Spesifikasi Airfoil'''
 +
[[File:TB1.png]]
 +
Airfoil yang digunakan adalah MH 70 11.08% - Martin Hepperle MH70
 +
Span = 2 mm
 +
Root and Tip Chord = 10 mm
 +
 +
'''Pembuatan model airfoil'''
 +
Airfoil dibuat dengan menggunakan software Autodesk Inventor
 +
[[File:TB2.png]]
 +
 +
'''Simulasi menggunakan CFD'''
 +
Model yang sudah dibuat diimport ke CFDSOF
 +
[[File:TB3.png]]
 +
Model memasuki tahap ''meshing''
 +
 
 +
Berikut adalah ''Boundary geometry'' untuk proses ''meshing''
 +
[[File:TB4.png]]
 +
 +
Model memasuki tahap-tahap analisis sebagai berikut
 +
[[File:TB5.png]]
 +
 +
[[File:TB6.png]]
 +
 +
[[File:TB7.png]]
 +
 +
[[File:TB8.png]]
 +
 +
[[File:TB9.png]]
 +
 +
[[File:TB10.png]]
 +
 +
[[File:TB11.png]]
 +
 +
[[File:TB12.png]]
 +
 +
'''Perhitungan menggunakan Paraview'''
 +
Model ''meshing'' diimport ke Paraview
 +
Perhitungan dilakukan dengan tahap berikut
 +
[[File:TB12.png]]
 +
 +
[[File:TB13.png]]
 +
 +
[[File:TB14.png]]
 +
 +
[[File:TB15.png]]
 +
 +
[[File:TB16.png]]
 +
 +
[[File:TB17.png]]
 +
 +
[[File:TB18.png]]
 +
 +
'''Hasil Percobaan'''
 +
''Data Percobaan''
 +
Data Percobaan
 +
[[File:TB19.png]]
 +
 +
''Grafik Percobaan''
 +
Berikut adalah grafik lift dan drag kami
 +
[[File:TB20.png]]
 +
 +
''Optimasi''
 +
Kode yang digunakan
 +
[[File:TB21.png]]
 +
 +
Berikut hasil optimasi yang dilakukan
 +
[[File:TB22.png]]
 +
 +
Grafik hasil optimasi Lift vs Drag
 +
 +
[[File:TB23.png]]
 +
 +
== Rabu, 27 November 2019 ==
 +
 +
Pertemuan ini diadakannya kuis mengenai pengetahuan tentang metode numerik terutama tentang optimasi dan adanya pemahaman mengenai sebuah rumus. Setelah pertemuan tersebut, diadakannya presentasi mengenai tugas metode numerik, yaitu optimasi airfoil CFD per kelompok. Kami juga diminta untuk menuliskan seberapa banyaknya kontribusi terhadap kelompok tersebut. Optimasi yang dilakukan berdasarkan data yang didapatkan dengan variasi sudut yang sudah ditentukan. Software yang digunakan adalah CFDSOF untuk melakukan ''running'' airfoil yang digunakan. Hasil tersebut ditunjukkan pada pengerjaan tugas besar yang sudah tertera.
 +
 +
== Rabu, 4 Desember 2019 ==
 +
 +
Pertemuan ini merupakan lanjutan untuk presentasi mengenai optimasi airfoil yang sudah dikerjakan. Presentasi berdasarkan progress kelompok yang sudah dikerjakan selama ini. Kelas tersebut dilanjutkan dengan materi ANN atau Artificial Neural Networks. ANN sendiri merupakan sistem pembelajaran yang dibangun dari elemen sederhana berupan ''neuron''. ''Neuron'' ini mengambil keputusan sederhana dan saaling memberikan keputusan dengan yang lainnya.
 +
 +
== Rabu, 11 Desember 2019 ==
 +
 +
Pertemuan ini melanjutkan materi mengenai ANN dan diberikan tugas mengenai hal tersebut. Langkah dalam pembuatan ANN adalah sebagai berikut :
 +
 +
1. Data Preprocessing
 +
 +
2. Add input layer
 +
 +
3. Random w init
 +
 +
4. Add Hidden Layers
 +
 +
5. Select Optimizer, Loss, and Performance Metrics
 +
 +
6. Compile the model
 +
 +
7. use model.fit to train the model
 +
 +
8. Evaluate the model
 +
9. Adjust optimization parameters or model if needed

Latest revision as of 21:52, 26 December 2022

NAMA : .

NPM : 1706036072

DOSEN :

Dr. Ir. Ahmad Indra Siswantara

Dr. Eng. Radon Dhelika, B.Eng, M.Eng


Rabu, 4 September 2019

Mengapa Saya Harus Belajar Kalkulus?

Kalkulus merupakan suatu ilmu mendasar bagi mahasiswa teknik sebagai bekal untuk melakukan perhitungan pada mata kuliah lainnya. Penggunaan ilmu tersebut dapat mengatasi permasalahan melalui perhitungan berdasarkan data yang diinformasikan. Ilmu Kalkulus lebih berfokus kepada perhitungan fungsi, turunan, integral, dan lain-lain. Pada pertemuan pertama, kami membahas salah satu penggunaan ilmu Kalkulus pada salah satu mata kuliah teknik mesin, Termodinamika. Contoh yang digunakan adalah rumus entalpi sebagai berikut :

H = U + PV

Apabila dikaitkan dengan ilmu Kalkulus, rumus tersebut dapat diturunkan menjadi rumus sebagai berikut :

dH = dU + dPV

Setelah itu, saya dijelaskan oleh pak Dai untuk setiap pelajaran yang akan dihadapi untuk selalu memulai dengan berdoa. Kami melakukan doa bersama sebelum melakukan pelajaran dan diajak oleh beliau untuk tidak pernah lupa kepada yang maha kuasa.

Metode Numerik dan Phyton

Pada mata kuliah metode numerik ini, kami menggunakan salah satu perangkat bernama Phyton. Perangkat merupakan bahasa pemrograman untuk menyusun langkah-langkah dalam menyelesaikan suatu permasalahan melalui pemberian instruksi. Perangkat ini sedang marak digunakan oleh banyak orang sebagai bahasa pemrograman dan MIT sebagai salah satu perguruan tinggi yang tengah menggunakan perangkat lunak tersebut. Komputer sendiri tidak akan mengalami kelelahan apabila menghitung angka yang banyak. Kita harus membuat langkah-langkah menyelesaikan solusinya. Dikarenakan langkah-langkah yang panjang, diperlukan perubahan bahasa yang dimengerti oleh komputer. Bahasa yang biasanya kita mengerti akan diubah melalui interpreter menjadi bahasa mesin oleh komputer atau biasa disebut sebagai High Level Language. Melalui perangkat Phyton, model matematis sesulit apapun dengan High level language, dapat dipecahkan dengan persamaan aljabar dari suatu numerik. Dalam suatu metode numerik, pasti terdapat persamaan-persamaan didalamnya. Misalkan persamaan berikut:

A = B + C

Pernyataan tersebut pada dasaranya tidak eksak sama sekali dan yang eksak hanyalah 'The One and Only', Tuhan. Persamaan tersebut memiliki bentuk yang lebih tepat sebagai berikut :

R = A - (B + C)

R merupakan residu dengan besaran yang mendekati 0

Melalui programming tersebut, dapat diaktualisasikan pada kenyataan dengan metode numerik. Salah satu contohnya adalah prediksi badai yang akan datang sehingga masyarakat dapat melakukan evakuasi terlebih dahulu. Hal tersebut disebut dengan Weather Forecasting dan menggunakan model matematika yang sangat rumit disertai super komputer. Komputer hanya mengetahui operasi matematis tambah(+), bagi(:), kali(x), dan kurang(-). Komputer tidak mengetahui operasi integral dan hanya kita sendiri yang dapat memahaminya serta menyusunnya. Langkah-langkah instruksi tersebut disebut sebagai algoritma. Hal tersebut dapat dibantu dengan membentuk flowchart untuk mengetahui alur perhitungannya.

Tugas 01

Langkah pengerjaan Tugas 01


Rabu, 11 September 2019

Pada hari ini, kami mendapatkan materi lebih dalam mengenai metode numerik. Metode numerik belajar mengenai penyelesaian model matematika dengan menggunakan High Level Language. Permodelan komputer saat ini diperlukan oleh mahasiswa teknik mesin. Komputer memiliki sebuah database untuk menyimpan file. Contohnya adalah sebuah file game catur yang menyimpan langkah-langkah. Metode numerik saat ini juga digunakan untuk Artificial Intelligence. Misalkan juga pada saat melakukan pencarian di internet, akan muncul pencarian dan hal-hal yang kita inginkan berdasarkan history yang sudah ada.

Saat sedang mendownload suatu software, kita diberikan pilihan pilihan bit antara 32 dan 64 bit. 32 bit berarti intergernya berada pada tingkat 2^31, kemudian untuk 64 bit prosesnya akan lebih berbeda. Prosesor tersebut juga memiliki batas. Misalkan, pada 32 bit, berarti batas bawah dan atas yang direpresentasikan pada komputer hanya di dalam angka tersebut. Apabila kita menjalankan suatu proses yang lebih dari 32 bit, akan terjadi overflow. Untuk mempresentasikannya diberikan bilangan biner, yaitu terdiri dari 0 dan 1. Huruf yang muncul pada komputer kita terdiri dari bilangan biner tersebut. Dalam memori, ada yang menampung data dalam bentuk angka biner. Jika dengan 64 bit, angka menghasilkan angka yang lebih besar sehingga lebih akurat dengan kualitas lebih baik.

Komputer memiliki otak berupa memori. Manusia hanya memiliki memori terbatas. Akan tetapi, manusia memiliki hati. Menurut pak Dai, berpikir yang sesungguhnya adalah menggunakan hati. Otak kita hanyalah seperti komputer sebagai penyimpan memori atau database. Kita juga harus mengetahui keterbatasan kita. Apa yang dimiliki oleh komputer hanyalah Artificial Intelligence. Yang ada pada manusia merupakan natural. Manusia sendirilah yang memiliki pure inteligence walaupun memiliki memori yang terbatas.

Pada akhir pertemuan, kami diberikan latihan soal sebagai berikut :


TUPLES

rec=('Ales','Daniel',(10,27,1998))

NamaAwal,NamaAkhir,TanggalLahir=rec #Unpacking the tuple

print(NamaAkhir) #akan dicetak Daniel

TahunLahir = TanggalLahir[2]

print(TahunLahir) #akan dicetak 1998

name = rec[0] + ' ' + rec[1]

print(name) #akan dicetak Ales Daniel

print(rec[0:2]) #akan dicetak ('Ales', 'Daniel')

Capture Phyton Ales 2.JPG



LISTS

a = [1.0, 2.0, 3.0] #Create a list

a.append(4.0) #Append 4.0 tp list

print(a)

a.insert(0, 0.0) #Insert 0.0 in position 0

print(a)

print(len(a)) #Determine length of list

a[2:4] = [1.0, 1.0, 1.0] #Modify selected elements

print(a)

Capture Phyton Ales.JPG


Rabu, 18 September 2019

Tugas Fungsi Fibonacci

TUGAS KELOMPOK GAUSS-ELIMINATION

Hasil Pengerjaan Kelompok 2

Rabu, 9 Oktober 2019

Seorang engineer harus memiliki skill untuk memodelkan suatu hal. Kontinuum berarti semua hal mengisi segalanya. Misalkan sebuah meja yang memiliki massa mengisi isi mejanya. Kontinuum tersebut dapat dimodelkan secara matematis dalam persamaan diferensial.


Rabu, 16 Oktober 2019

KUIS


1. Hasil Running Problem Set 2.1 No. 6



2. Hasil Running Problem Set 7.1 No. 2

x0 = 0 y = 1 h = 0.01 x = 0.03


  1. nilai x bisa berubah sesuai kebutuhan

def dydx(x, y):

   return (x**2 - 4 * y)
   # Ini merupakan implementasi perhitungan Runge-Kutta.

def rungeKutta(x0, y0, x, h):

   n = (int)((x - x0) / h)
   y = y0
   for i in range(1, n + 1):
       k1 = h * dydx(x0, y)
       k2 = h * dydx(x0 + 0.5 * h, y + 0.5 * k1)
       k3 = h * dydx(x0 + 0.5 * h, y + 0.5 * k2)
       k4 = h * dydx(x0 + h, y + k3)
       y = y + (1.0 / 6.0) * (k1 + 2 * k2 + 2 * k3 + k4)
       x0 = x0 + h
       return y


print("Nilai dengan x =", x, "adalah", rungeKutta(x0, y, x, h))


HASIL: Nilai dengan x = 0.03 adalah 0.9607897700333333


UJIAN TENGAH SEMESTER; RABU, 23 OKTOBER 2019

Pengerjaan 23 Oktober 2019

Take Home Video

Komentar dari teman di kanan dan kiri tempat duduk:


Add your comment
ccitonlinewiki welcomes all comments. If you do not want to be anonymous, register or log in. It is free.

Permodelan Persamaan Rudal Yang Meluncur

Asumsi suatu rudal yang meluncur dengan gerakan miring dengan sudut tertentu. Rudal tersebut bergerak pada suatu posisi yang miring terhadap sumbu x dan y. Pada pengerjaan ini, rudal tersebut dianggap bergerak secara terus menerus pada kemiringan tertentu. Perhitungan yang akan dilakukan adalah turunannya terhadap sumbu x dan sumbu y. Berikut adalah permodelan matematis yang digunakan:

dy/dt = (ay-(g+(cd*v**3/2)/m)

dx/dt = (ax-(cd*v**3/2)/m)

Algoritma Rudal X dan Y

Tugas Besar

Spesifikasi Airfoil
TB1.png
Airfoil yang digunakan adalah MH 70 11.08% - Martin Hepperle MH70
Span = 2 mm
Root and Tip Chord = 10 mm 
Pembuatan model airfoil
Airfoil dibuat dengan menggunakan software Autodesk Inventor
TB2.png
Simulasi menggunakan CFD
Model yang sudah dibuat diimport ke CFDSOF
TB3.png
Model memasuki tahap meshing
 
Berikut adalah Boundary geometry untuk proses meshing
TB4.png

Model memasuki tahap-tahap analisis sebagai berikut 
TB5.png

TB6.png

TB7.png

TB8.png

TB9.png

TB10.png

TB11.png

TB12.png
Perhitungan menggunakan Paraview
Model meshing diimport ke Paraview
Perhitungan dilakukan dengan tahap berikut
TB12.png

TB13.png

TB14.png

TB15.png

TB16.png

TB17.png

TB18.png
Hasil Percobaan
Data Percobaan
Data Percobaan
TB19.png

Grafik Percobaan
Berikut adalah grafik lift dan drag kami
TB20.png

Optimasi
Kode yang digunakan
TB21.png

Berikut hasil optimasi yang dilakukan
TB22.png

Grafik hasil optimasi Lift vs Drag

TB23.png

Rabu, 27 November 2019

Pertemuan ini diadakannya kuis mengenai pengetahuan tentang metode numerik terutama tentang optimasi dan adanya pemahaman mengenai sebuah rumus. Setelah pertemuan tersebut, diadakannya presentasi mengenai tugas metode numerik, yaitu optimasi airfoil CFD per kelompok. Kami juga diminta untuk menuliskan seberapa banyaknya kontribusi terhadap kelompok tersebut. Optimasi yang dilakukan berdasarkan data yang didapatkan dengan variasi sudut yang sudah ditentukan. Software yang digunakan adalah CFDSOF untuk melakukan running airfoil yang digunakan. Hasil tersebut ditunjukkan pada pengerjaan tugas besar yang sudah tertera.

Rabu, 4 Desember 2019

Pertemuan ini merupakan lanjutan untuk presentasi mengenai optimasi airfoil yang sudah dikerjakan. Presentasi berdasarkan progress kelompok yang sudah dikerjakan selama ini. Kelas tersebut dilanjutkan dengan materi ANN atau Artificial Neural Networks. ANN sendiri merupakan sistem pembelajaran yang dibangun dari elemen sederhana berupan neuron. Neuron ini mengambil keputusan sederhana dan saaling memberikan keputusan dengan yang lainnya.

Rabu, 11 Desember 2019

Pertemuan ini melanjutkan materi mengenai ANN dan diberikan tugas mengenai hal tersebut. Langkah dalam pembuatan ANN adalah sebagai berikut :

1. Data Preprocessing

2. Add input layer

3. Random w init

4. Add Hidden Layers

5. Select Optimizer, Loss, and Performance Metrics

6. Compile the model

7. use model.fit to train the model

8. Evaluate the model 9. Adjust optimization parameters or model if needed