Difference between revisions of "Ronald Akbar"

From ccitonlinewiki
Jump to: navigation, search
(→‎Tugas Ujian Tengah Semester)
 
(30 intermediate revisions by the same user not shown)
Line 595: Line 595:
 
Saya akan mencoba menjawab perintah-perintah yang sudah diberikan.
 
Saya akan mencoba menjawab perintah-perintah yang sudah diberikan.
  
−
1. Jawaban ini merupakan pengembangan tugas optimasi kebutuhan energi yang sudah diupload pada 4 Maret 2020 dengan hasil yang lebih lengkap. (http://air.eng.ui.ac.id/index.php? title=Ronald_Akbar#Optimasi_Kebutuhan_Energi_Manusia_.284_Maret_2020.29)
+
1. Jawaban ini merupakan pengembangan tugas optimasi kebutuhan energi yang sudah diupload pada 4 Maret 2020 dengan hasil yang lebih lengkap.  
 +
 
 +
http://air.eng.ui.ac.id/index.php?title=Ronald_Akbar#Optimasi_Kebutuhan_Energi_Manusia_.284_Maret_2020.29
  
 
Berikut merupakan kegiatan yang saya lakukan selama seminggu ('''note : Kegiatan yang dilakukan merupakan kegiatan-kegiatan tertentu yang saya rasa penting untuk dimasukkan ke dalam perhitungan''')
 
Berikut merupakan kegiatan yang saya lakukan selama seminggu ('''note : Kegiatan yang dilakukan merupakan kegiatan-kegiatan tertentu yang saya rasa penting untuk dimasukkan ke dalam perhitungan''')
 +
 +
[[File:Ensenin.png|800px|center]]
 +
 +
[[File:Enselasa.png|800px|center]]
 +
 +
[[File:Enrabu.png|800px|center]]
 +
 +
[[File:Enkamis.png|800px|center]]
 +
 +
[[File:Enjumat.png|800px|center]]
 +
 +
[[File:Ensabtu.png|800px|center]]
 +
 +
[[File:Enminggu.png|800px|center]]
 +
 +
 +
Kemudian untuk kebutuhan listrik dalam satu minggu diperlihatkan dalam tabel di bawah ini
 +
 +
[[File:Enkebutuhanllistrik.png|800px|center]]
 +
 +
Kemudian, kebutuhan listrik ini digabungkan dengan energi dari kegiatan yang dilakukan dalam seminggu, sehingga hasilnya ditampilkan seperti tabel di bawah ini
 +
 +
[[File:Enertotal.png|800px|center]]
 +
 +
Sehingga rangkuman dari energi yang dibutuhkan dalam seminggu dapat diperlihatkan dalam grafik di bawah ini
 +
 +
[[File:Engrafik1.png|800px|center]]
 +
 +
Dari grafik tersebut terlihat bahwa energi yang dibutuhkan pada Hari Kamis-Minggu menurun drastis dibandingkan hari-hari sebelumnya. Hal ini dikarenakan pada hari tersebut sudah dimulai kegiatan perkuliahan jarak jauh, ditambah lagi adanya larangan ke kampus dan kegiatan di laboratorium dikarenakan keadaan darurat akibat pandemi COVID-19. Jadi mulai Kamis 19 Maret 2020 saya mulai mengurangi bepergian, tetap di rumah dan fokus mengerjakan tugas-tugas.
 +
 +
 +
2. Berikut merupakan ''draft'' dari project komputasi teknik saya
 +
 +
'''Judul  : Perancangan Boiler untuk Proses Sterilisasi pada Baglog Jamur Tiram'''
 +
 +
'''1.Pendahuluan'''
 +
 
 +
  Proses produksi merupakan inti dari suatu industri. Industri makanan, industri pertanian, industri farmasi, dan industri-industri lainnya mengandalkan peralatan-peralatan yang digunakan dalam proses produksi. Industri baglog jamur tiram merupakan salah satu industri pertanian yang perlu dikembangkan dalam peralatan produksinya. Hal ini dikarenakan prospek pasarnya yang bagus dan memiliki potensi ekonomi yang tinggi dengan segmen pasar yang jelas. Pada segmen restoran dan hotel, kebutuhan akan jamur tiram cukup tinggi. Jadi dibutuhkan pasokan jamur tiram yang banyak dan cepat. Adanya industri baglog jamur tiram ini dapat memenuhi permintaan pasar tersebut karena proses penanamanya yang sederhana dengan hasil panen yang  cukup banyak dan cepat.
 +
 +
  Namun ada sedikit masalah yang sering dihadapi oleh petani baglog, yaitu proses sterilisasi dari baglog itu sendiri yang tidak baik. Baglog adalah sebuah media tumbuh dari jamur tiram. Sebelum proses pemasukkan bibit jamur, baglog harus melewati proses sterilisasi berupa pemanasan dengan suhu tinggi yang bertujuan untuk mematikan berbagai patogen dan mikroba lain pada media tumbuh tersebut. Biasanya para petani hanya menggunakan peralatan seadanya untuk melakukan proses sterilisasi ini, sebagai contoh adalah memodifikasi drum bekas untuk dijadikan alat pemanas. Hal tersebut  kurang baik karena suhu pemanasan yang tidak teratur sehingga kualitas dari jamur tiram akan menurun atau lebih parahnya lagi adalah kegagalan panen.
 +
 +
  Perkembangan ilmu teknologi saat ini dapat mendukung alat produksi pada industri baglog jamur  tiram. Salah satunya teknologi dalam bidang konversi energi yang memunculkan banyak ide kreatif untuk memanfaatkannya dalam dunia industri. Berdasarkan hal tersebut penulis berfikir untuk melakukan sebuah penelitian berupa perancangan suatu boiler atau ketel uap yang sesuai dengan standar yang ada sehingga dapat menaikkan hasil panen dan kualitas dari suatu industi baglog jamur tiram.
 +
 +
'''2.Tujuan'''
 +
 +
  Tujuan dari penelitian ini adalah :
 +
 +
  a. Merancang sebuah boiler untuk proses sterilisasi pada baglog jamur tiram sesuai dengan standar yang ada, yaitu standar ASME (American Society of Mechanical Engineers)
 +
      Boiler and Pressure Vessel Code (BPVC).
 +
 +
  b. Mengurangi permasalahan pada industri baglog yaitu pada proses sterilisasi. Sehingga dapat dihasilkan jamur tiram dengan kualitas yang bagus sekaligus dapat mengurangi
 +
      kerugian petani baglog akibat kegagalan panen.
 +
 +
'''3.Rumusan Masalah'''
 +
 +
  Rumusan masalah dari penelitian ini adalah :
 +
 +
  a. Bagaimana proses sterilisasi pada baglog jamur tiram ?
 +
 +
  b. Material apa yang dapat digunakan dalam proses perancangan ini?
 +
 +
  c. Bagaimana proses perancangan Boiler untuk Proses Sterilisasi pada Baglog Jamur Tiram ?
 +
 +
'''4.Metodologi Penelitian'''
 +
 +
  Penelitian ini menggunakan tiga metode, yaitu metode studi literatur, perhitungan secara manual, dan simulasi software. Metode studi literatur dilakukan dengan mencari dan mempelajari referensi dari sumber-sumber yang terkait dan diperlukan dalam perancangan tugas akhir ini. Kemudian metode perhitungan secara manual diterapkan dengan menggunakan rumus-rumus serta standar yang telah ada dan sesuai dengan standar ASME PBVC (American Society Mechanical Engineers Boiler and Pressure Vessel Code). Langkah terakhir adalah dengan melakukan simulasi yang dilakukan dengan menggunakan software.
 +
 +
Untuk selengkapnya dapat dilihat di dokumen di bawah ini
 +
 +
https://drive.google.com/open?id=1JyiKYqqTQYdQ6PYt-qYbLbzOGvpLjn8K
 +
 +
 +
3. Video Hasil Pembelajaran Komputasi Teknik
 +
 +
Pada soal ini, saya akan meng''upload'' video hasil pembelajaran saya mengenai komputasi teknik selama seminggu. Ada dua video dengan topik pembahasan yang berbeda. Video pertama membahas mengenai suatu aliran fluida dalam sebuah channel yang akan disimulasikan dengan CFDSOF. Video kedua membahas mengenai sebuah soal iterasi yang menggunakan metode ''sucessive substitution''. Berikut video-videonya :
 +
 +
 +
 +
 +
'''Video Pertama''' (Link Belajar CFDSOF : http://cfdsof.com/verification/863/)
 +
 +
[[File:Komteksss1.mp4|center]]
 +
 +
 +
'''Video Kedua'''
 +
 +
[[File:Komteksss2.mp4|center]]
 +
 +
 +
Sekian Tugas UTS yang telah saya kerjakan. Mohon maaf apabila ada banyak kesalahan dalam tugas ini
 +
 +
Terima Kasih
 +
 +
Wassalamu'alaikum.WR.WB
 +
 +
 +
 +
== '''Quiz 2 Komputasi Teknik (13 April 2020)''' ==
 +
 +
Bismillahirrohmanirrohim
 +
 +
Assalamu'alaikum. WR. WB
 +
 +
Berikut merupakan link quiz komputasi teknik mengenai osilasi yang sudah saya kerjakan
 +
 +
https://drive.google.com/open?id=1cufBRZYPizlwbBmzm8PWCheGCcUuKl35
 +
 +
Terima Kasih
 +
 +
Wassalamu'alaikum. WR. WB
 +
 +
 +
== '''Review Materi Sistem Osilasi Satu Dimensi (29 April 2020)''' ==
 +
 +
Bismillahirrohmanirrohim
 +
 +
Assalamu'alaikum. WR. WB
 +
 +
Kali ini saya akan membahas materi mengenai sistem osilasi satu dimensi. Sebenarnya materi ini sudah terupload di Google Drive dalam bentuk word, tetapi untuk mempermudah saya akan upload kembali di sini.
 +
 +
Osilasi adalah sebuah variasi periodik terhadap waktu dari suatu hasil pengukuran, contoh nya ialah seperti pada ayunan bandul. Istilah vibrasi atau getaran sering digunakan sebagai sinonim osilasi, walau sebenar nya vibrasi itu merujuk pada jenis spesifik osilasi, yakni osilasi mekanis. Banyak sistem engineering yang berkaitan dengan osilasi, dan persamaan diferensial merupakan kunci utama untuk memahami, memprediksi, dan mengontrol osilasi. Sebagai contoh kasus. suatu benda dengan massa m dikaitkan pada pegas dan bergerak sepanjang garis tanpa gesekan seperti yang diperlihatkan pada gambar di bawah ini.
 +
 +
[[File:Osilasiiiiiii1.png|center]]
 +
 +
Ketika pegas diregangkan, gaya pegas menarik (atau mendorong) benda m kembali dan bekerja "melawan" gerakan. Lebih tepatnya, misalkan x (t) adalah posisi benda pada sumbu x, dimana benda bergerak. Pegas tidak direntangkan ketika x = 0, sehingga gaya adalah nol, dan x = 0 karenanya posisi keseimbangan benda. Gaya pegas adalah –k.x, dimana k adalah konstanta yang diukur. Diasumsikan bahwa tidak ada gaya lain (misal, Tidak ada gesekan). Sehingga Hukum Newton dua yaitu  F = m.a dapat diubah menjadi sepertri yang ditunjukkan pada persamaan 1,
 +
 +
 +
                                                        [[File:Osilasiiii2.png|center]]  (1)     
 +
                                                 
 +
Dimana persamaan terssebut dapat ditulis ulang sebagai,
 +
 +
                                                        [[File:Osilasiiii3.png|center]]  (2)
 +
 +
Dengan ω adalah kecepatan sudut. Persamaan (2) merupakan persamaan diferensial orde dua. Oleh karena itu dibutuhkan dua kondisi awal, yang pertama adalah kondisi pada posisi x (0) dan kondisi pada kecepatan x’ (0). Pada kasus ini, ditentukan nilai x (0) sebesar X0 dan x’ sebesar 0. Solusi yang tepat untuk persamaan (2) pada kondisi awal ini adalah x(t) = X0. Cos ωt. Solusi tersebut menandakan bahwa sistem massa pegas dalam contoh kasus ini berisolasi bolak-balik seperti yang dijelaskan pada kurva cosinus.
 +
 +
 +
Contoh kasus ini, selain bisa dikerjakan dengan metode eksak, dapat juga dikerjakan dengan metode numerik. Pada bagian ini, u merupakan vaiabel yang menandakan x sedangkan v merupakan turunan dari u. Dan kedua fungsi ini merupakan fungsi baru yang tidak diketahui. Kemudian dengan menghubungkan kedua fungsi tersebut dengan persamaan (2), maka akan membentuk persamaan
 +
 +
                                                        [[File:Osilasiiii4.png|center]]  (3)
 +
 +
 +
                                                        [[File:Osilasiiii5.png|center]]  (4)
 +
 +
 +
Kemudian dapat diterapkan metode forward euler untuk persamaan (3) dan (4),
 +
 +
                                                        [[File:Osilasiiii6.png|center]]  (5)
 +
 +
 +
                                                        [[File:Osilasiiii7.png|center]]  (6)
 +
 +
Sehingga dapat menghasilkan persamaan sebagai berikut,
 +
 +
                                                        [[File:Osilasiii8.png|center]]  (7)
 +
 +
 +
                                                        [[File:Osilasiiii9.png|center]]  (8)
 +
 +
Hasil dari persamaan (7) dan (8) apabila dibandingkan dengan hasil dari metode eksak, terkadang masih menghaasilkan error atau deviasi yang cukup besar. Contohnya dapat dilihat di gambar bawah ini.
 +
 +
 +
[[File:Osilasiiii10.png|center]]
 +
 +
Langkah selanjutnya adalah mengurangi ∆t parameter diskritisasi dan melihat apakah hasilnya menjadi lebih akurat. Sehingga didapat persamaan-persamaan baru untuk mencari nilai dari u dan v.
 +
 +
                                                        [[File:Osilasiiii11.png|center]] (9)
 +
 +
 +
                                                        [[File:Osilasiii12.png|center]]  (10)
 +
 +
Gambar di bawah ini merupakan contoh hasil persamaan (9) dan (10) apabila dibandingkan dengan metode eksak,
 +
 +
 +
[[File:Osilasiiii13.png|center]]
 +
 +
 +
Sekian materi osilasi hari ini. Semoga materi ini berguna untuk kita semua, untuk materi berikutnya saya akan mengupload mengenai contoh soal osilasi satu dimensi yang dikerjakan menggunakan metode eksak dan numerik.
 +
 +
Terima kasih
 +
Wassalamu'alaikum. WR. WB
 +
 +
 +
== '''Perbandingan Hasil Perhitungan Numerikal dengan Eksak pada Kasus Osilasi (30 April 2020)''' ==
 +
 +
Bismillahirrohmanirrohim
 +
 +
Assalamu'alaikum. WR. WB
 +
 +
Kali ini saya akan mengupload hasil dari perhitungan metode eksak dari suatu kasus osilasi satu dimensi, kemudian hasilnya akan dibandingkan dengan hasil perhitungan dengan menggunakan metode numerik.
 +
 +
[[File:Osilasiiiiiii1.png|center]]
 +
 +
Kondisi awal (Initial Condition) yang ditentukan dalam kasus ini adalah :
 +
 +
u = 3 m
 +
v = 0 m/s
 +
omega = 1 rad/s
 +
∆t = 0,1 s
 +
 +
Perasamaan-persamaan yang akan digunakan dalam metode eksak adalah :
 +
 +
                                                              [[File:Osilasiiiia.png|center]]  (1)
 +
                                                         
 +
 +
                                                              [[File:Osilasiiib.png|center]]  (2)
 +
 +
Sementara untuk metode numerik, akan digunakan persamaan-persamaan berikut.
 +
 +
                                                              [[File:Osilasiii8.png|center]]  (3)
 +
 +
 +
                                                              [[File:Osilasiiii9.png|center]]  (4)
 +
 +
 +
                                                              [[File:Osilasiiii11.png|center]] (5)
 +
 +
 +
                                                              [[File:Osilasiii12.png|center]]  (6)
 +
 +
 +
Tabel di bawah ini merupakan hasil dari perhitungan yang dilakukan menggunakan software excel.
 +
 +
[[File:Osilasiiic.png|center]]
 +
 +
[[File:Osilasiiid.png|center]]
 +
 +
[[File:Osilasiiie.png|center]]
 +
 +
 +
Kemudian hasil setelah dilakukan proses perhitungan dapat dilihat pada grafik-grafik di bawah ini.
 +
 +
 +
[[File:Osilasiiif.png|center]]
 +
 +
Grafik di atas menunjukan hasil perhitungan nilai u dan v pada metode numerik dan metode exact. Hasil dari grafik-grafik tersebut dapat digunakan untuk memverifikasi persamaan numerik yang telah dibuat.Verifikasi merupakan proses pengujian untuk mengetahui seberapa besar error yang dihasilkan dari persamaan numerik yang telah dibuat, dibandingkan dengan hasil dari persamaan eksak. Dapat dilihat pada grafik u dan v dengan menggunakan metode numerik persamaan (3) dan (4) terdapat error yang cukup besar. Oleh karena itu dibutuhkan proses verivikasi lebih lanjut agar hasil metode numerik dapat digunakan. Persamaan yang digunakan untuk proses verifikasi lebih lanjut ini adalah persamaan (5) dan (6) sehingga dihasilkan grafik seperti di atas. Dari hasil ini terlihat bahwa garis yang dihasilkan dari metode numerik hampir menyerupai garis dari metode eksak. Hal tersebut menandakan bahwa persamaan numerika sudah terverifikasi dan dapat digunakan untuk mencari variabel u dan v.
 +
 +
Sekian materi pada hari ini, materi berikutnya saya akan mengupload mengenai penyelesaian kasus ini dengan metode eksak, dibandingkan dengan hasil yang dikerjakan dengan metode ANN.
 +
 +
Terima kasih
 +
 +
Wassalamu'alaikum, WR. WB
 +
 +
 +
== '''Artificial Neural Networking (3 Mei 2020)''' ==
 +
 +
Bismillahirrohmanirrohim
 +
 +
Assalamu'alaikum. WR. WB
 +
 +
Pada materi kali ini, saya akan sedikit menguupload materi mengenai Artificial Neural Networking/Jaringan Syaraf Tiruan.
 +
 +
Artificial Neural Network Artificial (ANN) atau Jaringan Syaraf Tiruan merupakan sebuah teknik atau pendekatan pengolahan informasi yang terinspirasi oleh cara kerja sistem saraf biologis, khususnya pada sel otak manusia dalam memproses informasi. Elemen kunci dari teknik ini adalah struktur sistem pengolahan informasi yang bersifat unik dan beragam untuk tiap aplikasi. Neural Network terdiri dari sejumlah besar elemen pemrosesan informasi (neuron) yang saling terhubung dan bekerja bersama-sama untuk menyelesaikan sebuah masalah tertentu, yang pada umumnya dalah masalah klasifikasi ataupun prediksi.
 +
 +
Cara kerja Neural Network dapat dianalogikan sebagaiman halnya manusia belajar dengan mengunakan contoh atau yang disebut sebagai supervised learning. Sebuah Neural Network dikonfigurasi untuk aplikasi tertentu, seperti pengenalan pola atau klasifikasi data, dan kemudian disempurnakan melalui proses pembelajaran. Proses belajar yang terjadi dalam sistem biologis melibatkan penyesuaian koneksi sinaptik yang ada antara neuron, dalam halnya pada Neural Network penyesuaian koneksi sinaptik antar neuron dilakukan dengan menyesuaikan nilai bobot yang ada pada tiap konektivitas baik dari input, neuron maupun output.
 +
 +
[[File:Annnn1.png|center]]
 +
 +
Neural Network memproses informasi berdasarkan cara kerja otak manusia. Dalam hal ini Neural Network terdiri dari sejumlah besar elemen pemrosesan yang saling terhubung dan bekerja secara paralel untuk memecahkan suatu masalah tertentu. Di sisi lain, komputer konvensional menggunakan pendekatan kognitif untuk memecahkan masalah; dimana cara pemecahan masalah haruslah sudah diketahui sebelumnya untuk kemudian dibuat menjadi beberapa instruksi kecil yang terstruktur. Instruksi ini kemudian dikonversi menjadi program komputer dan kemudian ke dalam kode mesin yang dapat dijalankan oleh komputer.
 +
 +
Terima Kasih
 +
Wassalamu'alaikum,WR,WB
 +
 +
 +
== '''Contoh Kasus Osilasi Satu Dimensi dengan Artificial Neural Networking (12 Mei 2020)''' ==
 +
 +
Bismillahirrohmanirrohim
 +
 +
Assalamu'alaikum.WR.WB
 +
 +
Kali ini saya akan membahas suatu kasus osilasi satu dimensi seperti materi sebelumnya (30 April 2020) dan akan dibandingkan dengan hasil dari artificial neural networking.
 +
 +
[[File:Osilasiiiiiii1.png|center]]
 +
 +
Kondisi awal (Initial Condition) yang ditentukan dalam kasus ini adalah :
 +
 +
u = 3 m v = 0 m/s omega = 1 rad/s ∆t = 0,1 s
 +
 +
'''1. Metode Eksak'''
 +
 +
Persamaan yang akan digunakan sebenarnya sama dengan yang digunakan sebelumnya, namun di sini akan ditampilkan kembali persamaan-persamaan tersebut.
 +
 +
[[File:Osilasiiiia.png|center]]
 +
 +
[[File:Osilasiiib.png|center]]
 +
 +
'''2. Artificial Neural Network'''
 +
 +
Berikut merupakan langkah-langkah penyelesaian dengan menggunakan metode neural network, dengan menggunakan Matlab :
 +
 +
'''Pertama''', pada Matlab editor/script, masukkan variabel watktu sebagai input dan variabel displacement dan kecepatan sebagai target.
 +
 +
[[File:OsANN1.png|center]]
 +
 +
lalu kita bisa mengetik fungsi nntool agar dapat masuk ke neural network/network manager, kemudian run editor
 +
 +
'''Kedua''', setelah editor di run, akan muncul kotak dialog data manager nntool, kemudian di set variabel input, target, dan mulai untuk membuat network baru.
 +
 +
[[File:OsANN2.png|center]]
 +
 +
Pada pengaturan ini, kita dapat mengatur network type, training function, dan transfer function dari neural network yang akan ditraining tersebut. Tetapi saya mencoba membiarkan pengaturan-pengaturan tersebut berjalan secara default. Kemudian bisa diklik create.
 +
 +
'''Ketiga''', kita memulai untuk mentraining network, pada kasus ini, pengaturan defaultnya adalah, 75 persen data dipakai untuk training, dan masing-masing 15 persen data dipakai untuk validation dan testing.
 +
 +
[[File:OsANN3.png|center]]
 +
 +
 +
[[File:OsANN4.png|center]]
 +
 +
Setelah itu train network dan proses iterasi akan dimulai.
 +
 +
[[File:OsANN5.png|center]]
 +
 +
'''Keempat''', kita dapat melihat hasil output dan error pada neural network melalui dialog data manager nntool.
 +
 +
[[File:OsANN6.png|center]]
 +
 +
'''3. Verifikasi'''
 +
 +
Perbandingan antara hasil Artificial Neural Network dangan metode eksak pada displacement dan velocity dapat dilihat pada tabel dan grafik di bawah ini.
 +
 +
[[File:OsANN7.PNG|center]]
 +
 +
[[File:OsANN8.PNG|center]]
 +
 +
[[File:OsANN9.PNG|center]]
 +
 +
[[File:OsANN10.PNG|center]]
 +
 +
[[File:OsANN11.PNG|center]]
 +
 +
[[File:OsANN12.png|center]]
 +
 +
[[File:OsANN13.png|center]]
 +
 +
Dari hasil grafik, terlihat bahwa garis yang dihasilkan oleh metode neural network hampir mendekati garis metode eksak. Hal tersebut menandakan bahwa error yang terjadi sangat kecil dan menandakan juga bahwa artificial neural network merupakan suatu metode yang sagat baik dalam memprediksi suatu nilai dari suatu kasus
 +
 +
Terima kasih
 +
 +
Wasalamu'alaikum.WR.WB
 +
 +
 +
== '''Pressure Drop (17 Mei 2020)''' ==
 +
 +
Bismillahirrohmanirrohim
 +
 +
Assalamu'alaikum.WR.WB
 +
 +
Kali ini saya akan sedikit memaparkan mengennai pressure drop.
 +
 +
Pressure drop adalah istilah yang digunakan untuk menggambarkan penurunan tekanan dari satu titik dalam pipa atau tabung ke hilir titik."Penurunan tekanan" adalah hasil dari gaya gesek pada fluida ketika mengalir melalui pipa yang  disebabkan oleh hambatan terhadap aliran. Penyebab utama hambatan terhadap aliran fluida adalah kecepatan fluida melalui pipa dan viskositas fluida. Aliran cairan atau gas akan selalu mengalir dalam arah perlawanan paling sedikit (tekanan kurang).
 +
Pressure drop meningkat sebanding dengan gaya geser di dalam jaringan pipa. Penurunan tekanan dipengaruhi oleh sebuah jaringan pipa yang berisi kekasaran relatif tinggi serta banyak pipa fitting dan sendi, konvergensi tabung, divergensi, kekasaran permukaan dan sifat fisik lainnya. Selain itu Perubahan energi kinetik dan perhitungan penurunan tekanan yang disebabkan oleh gesekan dalam pipa melingkar juga berpengaruh terhadap pressure drop. Kecepatan aliran dan viskositas tinggi dalam hasil penurunan tekanan yang lebih besar di bagian pipa atau katup atau siku. Kecepatan rendah akan mengakibatkan penurunan tekanan yang lebih rendah atau tidak ada.
 +
Pressure drop dapat dihitung dengan 2 variabel: Reynolds number untuk menentukan jenis aliran apakah termasuk aliran yang laminar atau turbulen, dan kekasaran relatif pipa. Ukuran dari sebuah pipa biasanya berdasarkan pada keseimbangan antara pressure drop di satu pihak dan biaya serta berat di pihak lain. Pressure drop dalam sebuah pipa adalah fungsi dari kecepatan, berat jenis, viskositas, Panjang, serta diameter pipa.
 +
Selain itu pressure drop juga berfungsi sebagai sifat aliran / arus termasuk jumlah dan jari- jari serta tingkat turbulensi. Didalam penggunaanya dilaut , dimana saluran pipa biasanya pendek , bagian terbesar dari jumlah pressure drop dalam sebuah sistem akan terjadi di dalam saluran pipa. Pressure drop dapat dihitung dengan menggunakan persamaan berikut :
 +
 +
[[File:Pressdrop1.PNG|center]]
 +
 +
Dimana :
 +
Δp = Pressure drop (Pa)
 +
v = kecepatan (m/s)
 +
f = faktor gesekan (Tanpa satuan)
 +
L = panjang pipa (m)
 +
ρ = densitas cairan dalam (kg/m3)
 +
 +
'''Hasil Diskusi Via Grup WA'''
 +
 +
Berdasarkan hasil diskusi melalui grup WA, topik yang dibahas yang saya amati lebih banyak mengenai pengaruh diameter pipa dan viskositas pada pressure drop. untuk pengarug diameter pipa, saya mencoba menjawab,
 +
 +
"Jika dilihat dari rumus dasar pressure drop, variabel d berbanding terbalik dengan variabel pressure drop, hal tersebut menunjukkan bahwa pressure drop akan besar apabila diameter/luas permukaan pipa pipa kecil.
 +
 +
Kemudian besarnya luas permukaan pipa akan berpengaruh terhadap laju aliran fluida yang mengalir pada pipa tersebut, sesuai dengan persamaan kontinuitas yaitu ketika luas permukaan pipa semakin besar, laju aliran fluida akan semakin kecil. Laju aliran fluida ini akan berpengaruh pada jenis aliran fluidanya yang terukur dari bilangan Reynolds, kalau bilangan Reynolds kecil  dapat dipastikan jenis aliran laminar yang menyebabkan gesekan aliran dengan pipa kecil (friction factor). Sementara pada persamaan pressure drop variabel f (friction factor) berbanding lurus dengan variabel pressure drop, dapat disimpulkan bahwa nilai f yang kecil akan menyebabkan pressure drop yang kecil. Begitu juga dengna variabel L dan v yang berbanding lurus."
 +
 +
Kemudian untuk pengaruh viskositas terhadap pressure drop, saya mencoba menanyakan pertanyaan sebagai berikut:
 +
 +
[[File:Pressdrop2.PNG|center]]
 +
 +
dari pertanyaan tersebut banyak teman -teman yang menjawab bahwa besar-kecilnya diameter pipa tidak berpengaruh terhadap viskositas, viskositas dipengaruhi oleh suhu suatu fluida itu sendiri. Saya lebih yakin dengan jawaban tersebut pada saat saya menganalogikan :
 +
 +
"Apabila saya akan meminum segelas madu menggunakan sedotan dengan besar yang berbeda, logikanya saya akan tetap merasakan kekentalan yang sama dari madu tersebut."
 +
 +
Jadi dapat disimpulkan bahwa diameter tidak mempengaruhi viskositas. Terima kasih untuk teman-teman yang telah menjawab pertanyaan yang sudah saya ajukan.
 +
 +
Terima kasih
 +
 +
Wassalamu'alaikum WR.WB
 +
 +
 +
== '''Persamaan Regresi pada Microsoft Excel dengan Menggunakan Trendline (24 Mei 2020)''' ==
 +
 +
Bismillahirrohmanirrohim
 +
 +
Assalamu'alaikum.WR.WB
 +
 +
Kali ini saya akan sedikit membahas tentang cara melakukan regresi dengan microsoft excel. Untuk simple-nya menurut saya dengan cara ini kita dapat mengetahui persamaan sederhana dari grafik data yang kita miliki. Mungkin ini merupakan suatu cara yang hampir semua teman-teman sudah mengetahui dan memahaminya.. Tapi ini merupakan suatu hal yang baru saya ketahui dan fahami, oleh karena itu saya akan mencoba men-share nya agar teman-teman yang juga belum mengetahuinya dapat mempelajari cara ini.
 +
 +
'''Apa itu regresi ?'''
 +
 +
Secara singkat saja informasi mengenai regresi. Regresi adalah suatu metode analisis statistik yang digunakan untuk melihat pengaruh antara dua atau lebih banyak variabel.
 +
Hubungan variabel tersebut bersifat fungsional yang diwujudkan dalam suatu model matematis. Pada analisis regresi, variabel dibedakan menjadi dua bagian, yaitu variabel respons (response variable) atau biasa juga disebut variabel bergantung (dependent variable), dan variabel explanatory atau biasa disebut penduga (predictor variable) atau disebut juga variabel bebas (independent variable). Karena memiliki banyak manfaat, analisis regresi digunakan hampir pada semua bidang kehidupan, baik dalam bidang ekonomi, industri dan ketenagakerjaan, sejarah, pemerintahan, ilmu lingkungan, dan lain sebagainya.
 +
 +
Kegunaan analisis regresi di antaranya untuk mengetahui variabel-variabel kunci yang memiliki pengaruh terhadap suatu variabel bergantung, pemodelan, serta pendugaan (estimation) atau peramalan (forecasting). Selain itu, masih ada beberapa kegunaan lainnya, yakni:
 +
 +
1.  Membuat estimasi rata-rata dan nilai variabel tergantung dengan didasarkan pada nilai variabel bebas.
 +
 +
2.  Untuk menguji hipotesis karakteristik dependensi.
 +
 +
3.  Meramalkan nilai rata-rata variabel bebas yang didasari nilai variabel bebas diluar jangkauan sample.
 +
 +
'''Regresi dengan menggunakan microsoft excel'''
 +
 +
Berikut contoh data yang saya buat :
 +
 +
[[File:Regr1.png|center]]
 +
 +
Langkah pengerjaannya adalah :
 +
 +
1. kita harus membuat grafik terlebih dahulu dari data tersebut, dengan cara '''block data, klik insert, scatter, pilih jenis scetter yang diinginkan (disini saya menggunakan scatter with smooth Lines and Markers)'''
 +
 +
 +
[[File:Regr2.png|center]]
 +
 +
 +
2. Klik garis series dari grafik, kemudian klik kanan dan klik Add Trendline '''(Ingat, yang terpilih harus garis seriesnya, jika tidak menu Add Trendline tidak akan muncul)'''
 +
 +
 +
[[File:Regr3.png|center]]
 +
 +
 +
3. Kita akan memilih jenis (tipe) regresi yang cocok dengan grafik kita. Ada beberapa tipe jenis regresi yang ditawarkan oleh microsoft Excel yaitu: Exponential, Linier, Logaritmic, Polynomial dengan berbagai Order, Power dan Moving Average seperti terlihat pada gambar. Kecocokan antara jenis regresi dengan grafik ditunjukkan dengan kurva fitting yang terbentuk dengan metode Least Square.
 +
 +
<gallery mode="slideshow">
 +
File:Regr4.png
 +
File:Regr5.png
 +
File:Regr6.png
 +
File:Regr7.png
 +
File:Regr8.png
 +
File:Regr9.png
 +
</gallery>
 +
 +
Jenis regresi yang cocok dengan grafik kita adalah, polynomial dengan order berjumlah 5. Kemudian untuk menampilkan formula regresinya, centang '''Display Equation on Chart'''.
 +
 +
 +
[[File:Regr10.png|center]]
 +
 +
 +
 +
Sekian mengenai materi regresi dengan microsoft excel..
 +
 +
Pada momen ini saya juga ingin mengucapkan
 +
 +
Selamat Hari Raya Idul Fitri 1 Syawal 1441 H untuk Pak DAI dan teman-teman semua..
 +
 +
من العائدين والفائزين
 +
 +
كل عام وانتم بخير
 +
 +
Mohon maaf lahir dan batin
 +
 +
Taqaballallahu minna waminkum
 +
 +
Taqabbal yaa kariim..
 +
 +
Semoga kita ba'da Ramadhan bagai lahir fitri kembali...
 +
 +
Terima Kasih
 +
 +
Wassalamu'alaikum.WR.WB
 +
 +
== '''Transfer Function pada Artificial Neural Network (26 Mei 2020)''' ==
 +
 +
Bismillahirrohmanirrohim
 +
 +
Assalamu'alaikum.WR.WB
 +
 +
Pada artikel kali ini saya akan mencoba membahas mengenai jenis-jenis transfer function pada ANN matlab dengan jenis Feed-Forward Backpropagation. Jika kita membuka menu nntool pada matlab dan akan membuat network baru dengan tipe network Feed-Forward Backpropagation, maka akan ditemukan tiga jenis transfer function sebagai berikut :
 +
 +
[[File:Nnt.png|center]]
 +
 +
'''1. Log-sigmoid Transfer Function (Logsig)'''
 +
 +
Merupakan transfer function yang membawa input ke output dengan penghitungan log-sigmoid. Nilai outputnya antara -1 hingga 1. Algoritma dari fungsi ini adalah:
 +
 +
a = logsig(n) = 1 / (1 + exp(-n))
 +
 +
[[File:Nnt2.PNG|center]]
 +
 +
 +
'''2. Linear Transfer Function (Purelin)'''
 +
 +
Merupakan transfer function yang akan membawa input ke output yang sebanding (linear). Algoritma dari fungsi ini adalah:
 +
 +
a = n
 +
 +
[[File:Nnt4.PNG|center]]
 +
 +
 +
'''3. Tan-sigmoid Transfer Function (Tansig)'''
 +
 +
Merupakan transfer function sigmoid tangen yang digunakan sebagai fungsi aktivasi dengan nilai output antara -1 hingga 1. Algoritma dari fungsi ini adalah:
 +
 +
a = tansig(n) = 2/(1+exp(-2*n))-1
 +
 +
[[File:Nnt3.PNG|center]]
 +
 +
 +
Jadi dengan adanya fungsi-fungsi aktivasi ini kita dapat melakukan normalisasi/mentransformasi data kita menjadi data yang memiliki range yang sesuai dengan transfer function yang kita tentukan. Tujuannya yang saya ketahui adalah agar data yang telah kita training memiliki hasil regresi yang lebih baik. Sebagai contoh saya akan tampilkan hasil regresi training data yang dinormalisasi dengan transfer function tansig.
 +
 +
[[File:Regression.jpg|center]]
 +
 +
Hasil dari data training akan memiliki range -1 sampai 1. Karena itu jangan lupa untuk mengembalikan (unormalize) data agar range nya kembali seperti semula.
 +
 +
Demikian artikel singkat pada hari ini.
 +
 +
Terima Kasih
 +
 +
Wassalamu'alaikum.WR.WB
 +
 +
== '''Feed-Forward Backpropagation pada Neural Network (31 Mei 2020)''' ==
 +
 +
Bismillahirrohmanirrohim
 +
 +
Assalamu'alaikum.WR.WB
 +
 +
Kali ini saya akan sedikit membahas mengenai jenis network yang sering saya gunakan saat mentraining data dengan ANN, yaitu feed-forward backpropagation. Algoritma feed forward backpropagation merupakan algoritma pembelajaran yang terawasi dan biasanya digunakan oleh perceptron dengan banyak lapisan untuk mengubah bobot- bobot yang terhubung dengan neuron – neuron yang ada pada lapisan tersembunyinya. Feed forward backpropagation menggunakan error output untuk mengubah nilai bobot – bobotnya dalam arah mundur (backward). Untuk mendapatkan error ini, tahap perambatan maju (forward propagation) harus dikerjakan terlebih dahulu. Pada saat perambatan maju, neuron – neuron diaktifkan dengan menggunakan fungsi aktivasi yang dapat dideferensiasi. Feed forward backpropagation memiliki beberapa unit yang ada dalam satu atau lebih layer tersembunyi. Gambar di bawah ini merupakan contoh arsitektur feed-forward backpropagation dengan n buah masukan (ditambah sebuah bias), sebuah layar tersembunyi yang
 +
terdiri dari unit (ditambah sebuah bias), serta m buah unit keluaran.
 +
 +
[[File:Fforward1.PNG|center]]
 +
 +
(v ji) merupakan bobot garis dari unit masukan (x i) ke unit layer tersembunyi (z j) ( v jo merupakan bobot garis yang menghubungkan bias di unit masukan ke unit layer tersembunyi z j). (w kj) merupakan bobot dari unit layer tersembunyi (z j) ke unit keluaran (y k) ( (w ko) merupakan bobot dari bias di layer tersembunyi ke unit keluaran (z k)).
 +
 +
'''Pelatihan Feed-Forward Backpropagation'''
 +
 +
Pelatihan feed forward backpropagation meliputi 3 fase. Fase pertama adalah fase maju. Pola masukan dihitung maju mulai dari layar masukan hingga layar keluaran menggunakan fungsi aktivasi yang ditentukan. Fase kedua adalah fase mundur. Selisih antara keluaran jaringan dengan target yang diinginkan merupakan kesalahan yang terjadi. Kesalahan tersebut dipropagasikan mundur, dimulai dari garis yang berhubungan langsung dengan unit-unit di layar keluaran. Fase ketiga adalah modifikasi bobot untuk menurunkan kesalahan yang terjadi.
 +
 +
'''Fase I: Propagasi Maju'''
 +
 +
Selama propagasi maju, sinyal masukan (= xi) dipropagasikan ke layer tersembunyi menggunakan fungsi aktivasi yang ditentukan. Keluaran dari setiap unit layar tersembunyi (= zj)tersebut selanjutnya dipropagasikan maju lagi ke layer tersembunyi di atasnya menggunakan fungsi aktivasi yang ditentukan. Demikian seterusnya hingga menghasilkan keluaran jaringan (= yk). Berikutnya, keluaran jaringan (= yk) dibandingkan dengan target yang harus dicapai (= tk). Selisih dari terhadap yk yaitu ( tk - yk ) adalah kesalahan yang terjadi (error). Jika error ini lebih kecil dari batas toleransi yang ditentukan, maka iterasi dihentikan. Akan tetapi apabila kesalahan masih lebih besar dari batas toleransinya, maka bobot setiap garis dalam jaringan akan dimodifikasi untuk mengurangi kesalahan yang terjadi.
 +
 +
'''Fase II: Propagasi Mundur'''
 +
 +
Berdasarkan error (tk - yk), dihitung faktor δ ( k = 1,2,..., m ) yang dipakai untuk mendistribusikan kesalahan di unit yk ke semua unit tersembunyi yang terhubung langsung dengan yk. δk juga dipakai untuk mengubah bobot garis yang berhubungan langsung dengan unit keluaran. Dengan cara yang sama, dihitung faktor δj ( j = 1,2,…, p ) di setiap unit di layer tersembunyi sebagai dasar perubahan bobot semua garis yang berasal dari unit tersembunyi di layar di bawahnya. Demikian seterusnya hingga semua faktor δ di unit tersembunyi yang berhubungan langsung dengan unit masukan dihitung.
 +
 +
'''Fase III: Perubahan Bobot'''
 +
 +
Setelah semua faktor δ dihitung, bobot semua garis dimodifikasi bersamaan. Perubahan bobot suatu garis didasarkan atas faktor δ neuron di layer atasnya. Sebagai contoh, perubahan bobot garis yang menuju ke layer keluaran didasarkan δk atas yang ada di unit keluaran.
 +
 +
Ketiga fase terebut diulang-ulang terus hingga kondisi penghentian dipenuhi. Umumnya kondisi penghentian yang sering dipakai adalah jumlah iterasi atau kesalahan. Iterasi akan dihentikan jika jumlah iterasi yang dilakukan sudah melebihi jumlah maksimum iterasi yang ditetapkan, atau jika kesalahan yang terjadi sudah lebih kecil dari batas toleransi yang diijinkan.
 +
 +
Demikian materi singkat mengenai feed-forward backpropagation
 +
 +
Terima Kasih
 +
 +
Wassalamu'alaikum.WR.WB
 +
 +
 +
== '''Training Parameters pada Training Function Part I : Lavenberg-Marquardt (Trainlm) (5 Juni 2020)''' ==
 +
 +
Bismillahirrohmanirrohim
 +
 +
Assalamu'alaikum.WR.WB
 +
 +
Pada artikel hari ini, saya akan mencoba menshare sedikit informasi mengenai keterangan-keterangan pada menu training parameters dari salah satu training function yang saya gunakan untuk mentraining data pada Matlab, yaitu Lavenverg-Marquardt (Trainlm).
 +
 +
Menu training parameters digunakan untuk memberikan nilai tingkat pembelajaran yang akan digunakan untuk menyelesaikan proses training neural network. Adapun keterangan-keterangan pada training parameters beserta nilai defaultnya yang diambil dari Matlab, yaitu:
 +
 +
 +
[[File:Trainparam.PNG|center]]
 +
 +
'''a. showWindow'''
 +
 +
Berfungsi untuk menunjukkan pelatihan GUI (Graphical User Interface). Memiliki default true.
 +
 +
'''b. showCommandLine'''
 +
 +
Berfungsi untuk menghasilkan garis perintah pada output. Memiliki default false.
 +
 +
'''c. Show'''
 +
 +
Berfungsi untuk menampilkan epochs antar data. Memiliki default 25.
 +
 +
'''d. Epochs'''
 +
 +
Berfungsi untuk menunjukkan nilai maksimum pada epochs (iterasi) untuk dilatih. Memiliki default 1000.
 +
 +
'''e. Time'''
 +
 +
Berfungsi untuk menampilkan waktu maksimum pada pelatihan perdetik. Memiliki default inf (tak terhingga).
 +
 +
'''f. Goal'''
 +
 +
Berfungsi sebagai hasil terbaik. Memiliki default 0.
 +
 +
'''g. Min_grad (Minimum gradient)'''
 +
 +
Berfungsi untuk menunjukkan gradient hasil minimum. Memiliki default 1e-10.
 +
 +
'''h. Max_fail (maximum failure)'''
 +
 +
Berfungsi untuk memberikan kesalahan maksimum dari validasi. Memiliki default 5.
 +
 +
'''i. Mu'''
 +
 +
Berfungsi sebagai awal dari nilai pembelajaran. Memiliki default 0.001.
 +
 +
'''j. Mu_dec'''
 +
 +
Berfungsi sebagai factor pengurangan pada nilai pembelajaran. Memiliki default 0.1
 +
 +
'''k. Mu_inc'''
 +
 +
Berfungsi sebagai factor pertambahan pada nilai pembelajaran. Memiliki default 10.
 +
 +
'''l. Mu_max'''
 +
 +
Berfungsi sebagai nilai maksimum dari nilai pembelajaran. Memiliki default 1e10.
 +
 +
Demikian informasi singkat mengenai training parameter dari training function trainlm.
 +
 +
Terima Kasih
 +
 +
Wassalamu'alaikum.WR.WB
 +
 +
 +
== '''Tugas Pengganti UAS (10 Juni 2020)''' ==
 +
 +
Bismillahirrohmanirrohim
 +
 +
Assalamu'alaikum.WR.WB
 +
 +
Berikut saya lampirkan hasil laporan hasil perhitungan mengenai waktu yang dibutuhkan untuk mencapai kecepatan maksimum dari suatu jenis mobil.
 +
 +
<gallery mode="slideshow">
 +
File:2jz1.PNG
 +
File:2jz2.PNG
 +
File:2jz3.PNG
 +
File:2jz4.PNG
 +
File:2jz5.PNG
 +
File:2jz6.PNG
 +
File:2jz7.PNG
 +
File:2jz8.PNG
 +
File:2jz9.PNG
 +
File:2jz10.PNG
 +
File:2jz11.PNG
 +
File:2jz12.PNG
 +
File:2jz13.PNG
 +
File:2jz14.PNG
 +
File:2jz15.PNG
 +
File:2jz16.PNG
 +
</gallery>
 +
 +
Apabila gambar di atas kurang jelas. di bawah ini saya melampirkan link google drive yang berisi file word tugas UAS ini beserta excel perhitungan datanya.
 +
 +
https://drive.google.com/drive/folders/1_R2ZpHZsQ2PWFUhIy9el48D-OVpKpUkT?usp=sharing
 +
 +
'''Muhasabah'''
 +
 +
Muhasabah pada artikel ini akan membahas mengenai pencapaian saya di mata kuliah komputasi teknik selama satu semester. Untuk materi saya akui belum dapat memahami dengan maksimal metode-metode seperti runge-kutta, finite element, finite volume, dan lain-lain, dan sampai sekarang masih mempelajari materi-materi tersebut. Kemudian wiki page ini saya coba manfaatkan sebagai laporan hasil pembelajaran saya mengenai komputasi teknik. Wiki page ini sangat membantu saya dalam menyimpan berbagai materi dan secara tidak langsung, selama satu semester ini saya terdorong untuk mengisi artikel di sini (minimal ada satu artikel dalam seminggu). Selama satu semester ini, saya belajar banyak hal. Tidak hanya materi komputasi teknik, melainkan cara mengisi artikel wiki dan bermuhasabah. Saya rasa ini merupakan ilmu yang sangat bermanfaat. Oleh karena itu saya mengucapkan banyak terima kasih kepada Pak DAI dan teman-teman untuk ilmu yang diberikan selama ini. Untuk pencaapaian yang sudah saya lakukan, apabila saya berkenan untuk mendapat nilai akhir A, saya akan sangat mensyukuri hal tersebut.
 +
 +
Terima kasih
 +
 +
Wassalamu'alaikum. WR. WB
 +
 +
 +
== '''Training Parameters pada Training Function Part II : Gradient Descent (Traingd) (12 Juni 2020)''' ==
 +
 +
Bismillahirrohmanirrohim
 +
 +
Assalamu'alaikum.WR.WB
 +
 +
Artikel ini merupakan lanjutan dari part sebelumnya mengenai training parameters pada ANN Matlab. Pada artikel kali ini akan membahas mengenai training parameters pada training function Gradient Descent (traingd).
 +
 +
Sebagai review, menu training parameters digunakan untuk memberikan nilai tingkat pembelajaran yang akan digunakan untuk menyelesaikan proses training neural network. Adapun keterangan-keterangan pada training parameters beserta nilai defaultnya yang diambil dari Matlab, yaitu:
 +
 +
 +
[[File:Trainparamgd.PNG|center]]
 +
 +
'''a. showWindow'''
 +
 +
Berfungsi untuk menunjukkan pelatihan GUI (Graphical User Interface). Memiliki default true.
 +
 +
'''b. showCommandLine'''
 +
 +
Berfungsi untuk menghasilkan garis perintah pada output. Memiliki default false.
 +
 +
'''c. Show'''
 +
 +
Berfungsi untuk menampilkan epochs antar data. Memiliki default 25.
 +
 +
'''d. Epochs'''
 +
 +
Berfungsi untuk menunjukkan nilai maksimum pada epochs (iterasi) untuk dilatih. Memiliki default 1000.
 +
 +
'''e. Time'''
 +
 +
Berfungsi untuk menampilkan waktu maksimum pada pelatihan perdetik. Memiliki default inf (tak terhingga).
 +
 +
'''f. Goal'''
 +
 +
Berfungsi sebagai hasil terbaik. Memiliki default 0.
 +
 +
'''g. Min_grad (Minimum gradient)'''
 +
 +
Berfungsi untuk menunjukkan gradient hasil minimum. Memiliki default 1e-05.
 +
 +
'''h. Max_fail (maximum failure)'''
 +
 +
Berfungsi untuk memberikan kesalahan maksimum dari validasi. Memiliki default 6.
 +
 +
'''i. lr (learning rate)
 +
Berfungsi untuk menentukan seberapa cepat ANN mempelajari pola dari data training. Memiliki default 0.001
 +
 +
Demikian informasi singkat mengenai training parameter dari training function traingd.
 +
 +
Terima Kasih
 +
 +
Wassalamu'alaikum.WR.WB
 +
 +
 +
== '''Metode Runge-Kutta Orde 4 (20 Juni 2020)''' ==
 +
 +
Bismillahirrohmanirrohim
 +
 +
Assalamu'alaikum.WR.WB
 +
 +
Pada artikel hari ini saya akan membahas sedikit materi mengenai metode Runge-Kutta orde 4. Metode Runge-Kutta adalah suatu metode persamaan diferensial langkah satu yang dikembangkan oleh dua orang ahli yaitu Runge Dan Kutta, seperti yang telah dijelaskan diatas, dalam menyelesaikan persamaan diferensial membutuhkan turunan yang lebih tinggi untuk mencapai derajat ketelitian tepat, akan tetapi dalam metode Runge-Kutta ini, dalam mencapai derajat yang lebih tinggi tidak membutuhkan turunan yang sangat kompleks, hal ini didasarkan atas pertimbangan bahwa bila turunan f(x) yang dikembangkan sampai mencapai derajat yang lebih tinggi akan mencapai suatu kerumitan dalam memecahkan permasalahan tersebut, sehingga pemecahan seperti algoritma Taylor tidak bisa diterima sebagai prosedur umum serbaguna. Dalam mencapai suatu derajat ketelitian yang tinggi, metode Runge-Kutta mengevaluasi fungsi f(x,y) pada titik terpilih dalam setiap subselang, sehingga tidak membutuhkan turunan dari fungsi. Ada beberapa tipe metode Runge-Kutta yang tergantung pada nilai n (orde) yang digunakan. Persamaan-persamaan yang digunakan pada metode Runge-Kutta orde 4 adalah sebagai berikut.
 +
 +
k1 = h.f(xn,yn)
 +
 +
k2 = h.(f(xn + 0.5h, yn + 0.5 k1 ))
 +
 +
k3 = h.(f(xn + 0.5h, yn + 0.5 k2 ))
 +
 +
k4 = h.(f(xn + h, yn +  k3 ))
 +
 +
yn+1 = yn + 1/6 (k1 + 2k2 + 2k3 + k4)
 +
 +
Terima Kasih
 +
 +
Wassalamu'alaikum.WR.WB
 +
 +
 +
== '''Plot Performance, Training State, dan Regression pada ANN Matlab (8 Juli 2020)''' ==
 +
 +
Bismillahirrohmanirrohim
 +
 +
Assalamu'alaikum.WR.WB
 +
 +
Pada artikel kali ini saya akan membagikan sedikit informasi mengenai jenis-jenis plot/grafik yang dapat dilihat ketika kita selesai melakukan running dengan ANN matlab. Perhatikan gambar di bawah ini :
 +
 +
[[File:OsANN5.png|center]]
 +
 +
Ada tiga jenis plot ( Performance, Training State, dan Regression). Saya akan mencoba menjelaskannya dengan mengambil contoh hasil training ANN yang sudah dilakukan.
 +
 +
'''1. Plot Performance'''
 +
 +
 +
[[File:Training performance.jpg|center]]
 +
 +
Plot performance merupakan hasil grafik optimum performance ANN yang merupakan hubungan antara MSE (Mean Square Error) dengan jumlah iterasi training atau epoch. Dari contoh grafik tersebut menunjukkan hasil validasi terbaik terjadi pada 0,00064459 pada epoch ke-3.
 +
 +
 +
'''2. Plot Training State'''
 +
 +
[[File:Training state.jpg|center]]
 +
 +
Di dalam plot training state terbagi menjadi tiga grafik, yaitu gradient, mu (momentum update), dan val fail (validation checks). Dari contoh  hasil optimum training state, gradient terjadi pada 0,00045202, kemudian mu pada 1 x 10-6, dan validation checks terjadi pada 6. Seluruh hasil tersebut terjadi pada epochs ke-9.
 +
 +
'''3. Plot Regression'''
 +
 +
[[File:Regressionsss.jpg|center]]
 +
 +
Grafik ini menampilkan regresi pada contoh data yang digunakan untuk training, validation, testing, dan gabungan dari seluruh data. Umumnya, training ANN akan berhenti apabila mencapai hasil regresi yang baik atau minimal R ≥ 0,5. Pada grafik ini terlihat bahwa seluruh hasil regresi mendekati 1. Hal tersebut menunjukkan bahwa error yang terjadi sangat kecil, dan menandakan bahwa ANN merupakan salah satu metode yang sangat baik dalam memprediksi suatu variabel.
 +
 +
Terima Kasih
 +
 +
Wassalamu'alaikum.WR.WB

Latest revision as of 14:11, 8 July 2020

Contents

Introduction

Nama :Ronald Akbar

NPM  : 1906324196

Program studi : Teknik Mesin

Peminatan  : S2 Konversi Energi


Foto diri.jpeg


Artikel-artikel yang Akan Di-upload

Bismillahirrohmanirrohim

Assalamu'alaikum.WR.WB

Saya berfikir bahwa di dalam kegiatan perkuliahan Komputasi Teknik ini, akan banyak manfaat yang akan saya dapatkan, baik dalam hal materi yang berhubungan dalam materi perkuliahan maupun hal-hal positif lainnya. Oleh karena itu pada wiki ini saya akan mencoba meng-upload artikel-artikel berupa ilmu-ilmu yang saya dapat selama perkuliahan, mauppun hasil latihan saya dalam menggunakan berbagai software, terutama CFDSOF. Semoga artikel ini bermanfaat bagi kita semua.

Terima kasih

Wassalamu'alaikum.WR.WB

Kemampuan Saya dalam Hal Komputasi Teknik

Bismillahirrohmanirrohim

Assalamu'alaikum.WR.WB

Kemampuan saya dalam hal komputasi teknik bisa dikatakan masih dasar. Saya mengenal pertama kali mengenal software-software pengolah data pertama kali pada saat tingkat SD, yaitu Microsoft Office (terutama word). Kemudian selama SMP dan SMA baru mendapat kesempatan untuk memperdalam Microsoft Office tersebut, diantaranya adalah memplelajari cara menginput rumus di Excel dan membuat presentasi menggunakan Power Point dengan tampilan berbasis web. Kemudian pada saat kuliah sarjana, barulah saya mulai mengenal software-software engineering seperti AutoCad satu software CAE (Computer Aided Engineering) yaitu Pro Engineer. Semenjak kuliah pascasarjana di Universitas Indonesia, kesempatan saya dalam mempelajari software lebih banyak lagi, diantaranya adalah dapat mengenali Refprop untuk mencari nilai properties dari berbagai fluida, dan software CAE lainnya yaitu CFDSOF dan Paraview.

Terima kasih

Wassalamu'alaikum.WR.WB

Resume Pertemuan Pertama (3 Februari 2020)

Mata Kuliah : Komputasi Teknik

Ruangan  : Lab PusKom 201

Pengajar  : Dr. Ahmad Indra Siswantara (Pak DAI)


Materi Perkuliahan

Bismillahirrohmanirrohim

Assalamu'alaikum.WR.WB

CFD merupakan singkatan dari Circulated Fluidized Boiling, dimana fluidized merupakan mekanisme pengontakan zat padat dengan fluida sehingga zat tersebut memiliki sifat seperti fluida dengan viskositas yang tinggi. Cara-cara untuk membedakan zat padat dengan fluida berdasarkan sudut pandang orang teknik adalah dengan cara melihat gaya yang diberikan kepadanya. Fluida merupakan zat yang mudah mengalami deformasi jika diberikan tegangan sekecil apapun tegangan tersebut.

Esensi dari kuliah adalah mengubah atau mengolah informasi yang telah didapat. Hal tersebut juga berlaku dalam kuliah Komputasi Teknik. Komputasi Teknik adalah metode untuk membantu studi atau analisis mekanika. Bagaimana cara komputasi menyelesaikan masalah? yaitu dengan cara memasukkan input, kemudian dari input tersebut dilakukan proses pengolahan dan akan dihasiklak output sesuai yang sudah diperintahkan.

Komtek.png

Tujuan belajar Komputasi Teknik antara lain adalah :

1. Memahammi konsep-konsep dan prinsip-prinsip dalam hal komputasi teknik, diantaranya adalah mengenai perhitungan, iterasi, error, konvergen, akurasi, presisi, dan lain-lain.

2. Mampu menerapkan pemahaman untuk menyelesaikan suatu kasus atau masalah.

3. Lebih mengenal diri sendiri, membentuk karakter yang lebih percaya diri agar confirm(sesuai) dengan tujuan yang telah ditentukan.

Akhir kata, terima kasih saya ucapkan kepada pak DAI untuk materi-materi yang sangat bermanfaat, semoga ilmu ini bermanfaat untuk kami semua.

Terima kasih

Wassalamu'alaikum.WR.WB

CFDSOF Car Simulation (8 Februari 2020)

Bismillahirrohmanirrohim

Assalamu'alaikum.WR.WB

Kali ini saya akan mencoba software CFDSOF dengan case car simulation, yang nantinya akan menampilkan keadaan daru fluida yang akan melewati mobil tersebut.

Langkah Pertama : Buka Software CFDSOF

Buka softwarenya kemudian beri nama case-nya (Jangan ada spasi pada nama case maupun direktori penyimpanannya )


A.png


Langkah Kedua : Import Geometry

Import Geometry (model) dalam format .STL ke dalam CFDSOFT (Link Geometry : [1])


Geometri.png


Langkah Ketiga : Setting Mesh

Setting mesh dilakukan dalam menu Base Mesh dan Generate Mesh. Pengaturan yang saya lakukan sesuai seperti gambar-gambar di bawah ini


Basemesh.png


Generatemesh.png

Kemudian klik Generate Mesh

Langkah Keempat : Setting dan run model

Gambar-gambar berikut merupakan pengaturan yan saya buat pada model


Model1.png


Model2.png


Model3.png


Model4.png


Model5.png


Model6.png


Model7.png


Model8.png


Model9.png

Kemudian klik Run Solver. Kemudian Software akan melakukan proses


Proses.png


Kemudian ke menu CFD-Post dan klik lambang Paraview untuk memperlihatkan hasil simulasi


Keparaview.png


Kemudian kita akan masuk Software Paraview. Berikut merupakan hasil simulasi kecepatan fluida yang melewati sebuah mobil


DBvfEF.gif



Sekian artikel CFDSOF pada kali ini.

Terima kasih

Wassalamu'alaikum.WR.WB


Resume Pertemuan Kedua (10 Februari 2020)

Mata Kuliah : Komputasi Teknik

Ruangan  : Lab PusKom 201

Pengajar  : Dr. Ahmad Indra Siswantara (Pak DAI)


Materi Perkuliahan (Muhasabah)

Bismillahirrohmanirrohim

Assalamu'alaikum.WR.WB

Banyak sekali renungan yang saya dapatkan dalam perkuliahan kedua ini.

Pertama adalah, "kesehatan adalah modal utama untuk beraktivitas". Menurut saya ungkapan ini sangat tepat. Karena memasuki musim penghujan ini merupakan hal yang dapat menguji kebugaran kita semua. Saya jadi termotivasi untuk terus selalu menjaga kesehatan agar dapat melaksanakan aktivitas dengan baik dan maksimal.

Kedua adalah, "Jangan hanya mengikuti arus yang bertolak belakang dengan tujuan kita". Setiap manusia pasti memiliki tujuan dalam berbagai hal. Pastinya tidak selalu mudah untuk mencapai tujuan kita tersebut, banyak godaan yang dapat membuat tujuan kita terhambat atau tidak terwujud. Apabila godaan-godaan tersebut dianalogikan sebagai arus, maka kita jangan mengikuti arus yang bertolak belakang dengan tujuan kita. Jangan mau dipengaruhi oleh orang lain dan tetap fokus dalam mencapai tujuan tersebut.

Ketiga adalah mengenai belajar. "Belajar bertujuan untuk mendapatkan pelajaran dari apa yang telah dipelajari". Mungkin itu adalah kata yang membmingunkan. Tapi saya telah memahami apa yang dimaksud dari kata tersebut. Menurut saya, disadari atau tidak bahwa sebenarnya manusia tetap terus melakukan proses pembelajaran dalam dirinya. Buktinya, mereka bisa bertahan hidup, beradaptasi, dan bisa melewati berbagai masalah yang dihadapi. Hal-hal tersebut tanpa disadari merupakan proses pembelajaran, dan semua ilmu yang didapat merupakan hasil dari pengalaman. Kita mengetahui bahwa, "Ilmu yang nyata dan pengalaman merupakan guru yang terbaik".

Terakhir adalah, "Muhasabah digunakan untuk renungan apakah yang kita sudah lakukan itu sudah bermanfaat". Ini merupakan ajang untuk mengintrospeksi diri kita sendiri, apakah hal-hal yang kita lakukan itu bermanfaat, minimal untuk diri sendiri maupun untuk orang lain? atau belum bermanfaat? atau malah merugikan. Hal tersebut dapat membuat kita menjadi pribadi yang lebih berkualitas.

Akhir kata, terima kasih saya ucapkan kepada pak DAI untuk materi-materi yang sangat bermanfaat, semoga ilmu ini bermanfaat untuk kami semua.

Terima kasih

Wassalamu'alaikum.WR.WB


Sinopsis Skripsi dan Korelasinya Terhadap Komputasi Teknik (12 Februari 2020)

Bismillahirrohmanirrohim

Assalamu'alaikum.WR.WB


Sinopsis Sripsi

Judul : Perancangan Boiler untuk Proses Sterilisasi pada Baglog Jamur Tiram

Baglog adalah media siap panen yang terdiri dari campuran antara serbuk gergaji, bekatul serta gamping yang diaduk bersamaan dengan air dan dimasukkan kedalam plastik tahan panas polypropylene (PP).

Baglog.png

Berikut merupakan langkah-langkah dalam pembuatan baglog jamur tiram

1. Proses Pengadukan

Bahan campuran yang digunakan adalah serbuk gergaji kayu sebanyak 100 kg, dedak sebanyak 15 kg, kapur sebanyak 5 kg, air bersih sebanyak 45-60% dari berat total bahan, gypsum sebanyak 0,5 kg, dan bahan tambahan lain seperti bekatul, bungkil biji kapok, dan kotoran ayam bila diperlukan.

BUDIDAYA JAMUR TIRAM CARA PEMBUATAN BAGLOG 1.gif

2. Pengepresan

Pengepresan dapat dilakukan dengan cara manual atau juga dapat dilakukan dengan menggunakan mesin pres.Yang bertujuan untuk memaksimalkan proses inkubasi.

CARA MEMBUAT BAGLOG JAMUR INI BAHAN DAN ALATNYA BUDIDAYA JAMUR PART 1.gif

3. Sterilisasi

Sterilisasi merupakan proses pemanasan pada baglog dengan menggunakan alat pemanas yang bertujuan untuk mematikan berbagai mikroorganisme yang mengganggu pertumbuhan jamur.

Sterilisasi.gif

4. Inokulasi

Inokulasi adalah penanaman bibit jamur pada media baglog jamur tiram yang sudah didinginkan atau media yang siap tanam yang dilakukan di dalam ruangan yang steril (bersih).

STERILISASI INOKULASI DALAM MEMBUAT BAGLOG JAMUR BUDIDAYA JAMUR PART 2.gif

Skripsi yang saya buat berfokus pada boiler yang digunakan dalam proses sterilisasi. Karena waktu itu yang saya temui boiler yang dipakai menggunakan bahan-bahan seadanya seperti drum bekas, hal tersebut dapat memungkinkan adanya kegagalan panen yang cukup besar. Oleh karena itu saya mencoba Merancang sebuah boiler untuk proses sterilisasi pada baglog jamur tiram sesuai dengan standar yang ada, yaitu standar ASME (American Society of Mechanical Engineers) Boiler and Pressure Vessel Code (BPVC). Dengan adanya perancangan ini, diharapkan dapat mengurangi permasalahan pada industribaglog yaitu pada proses sterilisasi. Sehingga dapat dihasilkan jamur tiram dengan kualitas yang bagus sekaligus dapat mengurangi kerugian petani baglog akibat kegagalan panen.

Korelasinya dengan Komputasi Teknik

Model Stokastik adalah model matematika dimana gejala-gejala dapat diukur dengan derajat kepastian parameterya yang tidak stabil. Sedangkan model deterministik merupakan kebalikannya, dimana nilai-nilai parameternya yang pasti Model Stokastik.

Dari pegertian yang sederhana tersebut, dapat dipastikan bahwa perancangan yang saya lakukan ini termasuk ke dalam model matematika yang deterministik. Karena perancangan dilakukan berdasarkan standar yang ada (ASME BVPC). Tetapi menurut pemikiran saya, bisa saja apabila hasil perancangan ini diterapkan atau diwujudkan ke dalam bentuk aslinya bisa saja akan ada banyak hal-hal yang tidak sesuai dengan apa yang sudah diperhitungkan (tidak stabil = stokastik).

Terima kasih

Wassalamu'alaikum.WR.WB


Slide Sinopsis Skripsi (17 Februari 2020)

Bismillahirrohmanirrohim

Assalamu'alaikum.WR.WB

Berikut saya lampirkan slide mengenai sinopsis skripsi yang pernah saya lakukan pada saat S1.

Ronald1.JPG

Ronald2.JPG

Ronald3.JPG

Ronald4.JPG

Ronald5.JPG


Terima kasih

Wassalamu'alaikum.WR.WB


Resume Pertemuan Ketiga (17 Februari 2020)

Mata Kuliah : Komputasi Teknik

Ruangan  : Lab PusKom 201

Pengajar  : Dr. Ahmad Indra Siswantara (Pak DAI)


Materi Perkuliahan (Muhasabah)

Bismillahirrohmanirrohim

Assalamu'alaikum.WR.WB

Muhasabah kali ini membahas tentang manusia yang merupakan makhluk yang dinamis dan dapat selalu belajar dan berkembang. Salah satu masalah bersama yang kita hadapi sebagai manusia berkembang adalah :

K(Ketidaktahuan)

E(Egois)

M(Malas)

Apakah kita dapat melawan/mengatasi masalah ini? Jika dihubungkan dengan komputasi teknik, bisakah kita menggunakan metode komputasi teknik sebagai sarana untuk mengurangi K E M?

Jika ditelaah karakteristik dari suatu komputer untuk menyelesaikan suatu masalah adalah, dapat menghitung tanpa henti dengan hasil perhitungan model matematis yang caranya tidak diketahui manusia. Tapi manusia dapat mengendalikan dan mengatur proses ini. Itu artinya kita dapat mengontrol suatu sistem yang luar biasa yang bisa saja kita gunakan untuk mengatasi masalah K E M. Mudah-mudahan dengan mempelajari komputasi teknik dapat membantu memahami kekurangan kita dan perlahan dapat mengatasinya. Akhir kata, terima kasih saya ucapkan kepada pak DAI untuk materi-materi yang sangat bermanfaat, semoga ilmu ini bermanfaat untuk kami semua.

Terima kasih

Wassalamu'alaikum.WR.WB


Pendekatan Komputasi Teknik pada Skripsi (22 Februari 2020)

Judul Skripsi : Perancangan Boiler untuk Proses Sterilisasi pada Baglog Jamur Tiram


Bismillahirrohmanirrohim

Assalamu'alaikum.WR.WB

Kali ini saya akan membahas tentang pendekatan komputasi teknik yang saya lakukan pada saat melakukan skripsi. Jadi skripsi ini merupakan suatu perancangan boiler kecil yang digunakan untuk proses sterilisasi baglog jamur tiram. Dilakukannya perancangan ini bertujuan untuk memaksimalkan proses sterilisasi dan mengurangi kerugian berupa kegagalan panen. Perancangan ini dilakukan sesuai dengan standar ASME BPVC (American Society of Mechanical Engineer Boiler and Pressure Vessel Code). Berikut merupakan gambar hasil perancangan yang dibuat menggunakan software Autocad 2007

Boilercad.png

Setelah itu saya melakukan sebuah simulasi menggunakan software Pro Engineer Wildfire 4.0. Berikut merupakan model yang saya buat menggunakan software tersebut.

Modelboilerpaint.png
Boiler full.png

Kemudian dari model tersebut saya simulasikan

Meshing.png

Proses meshing model

Pemberian temperatur.png

Proses input temperatur

Proses pemberian beban.png


Proses input beban

Proses pemberian tekanan.png


Proses input tekanan

Setelah itu model siap untuk disimulasikan, output yang disediakan merupakan tegangan von mises dan displacement

Full von mises.gif

Hasil tegangan von mises maksimal sebesar 6,03x10^6 N/m^2


Full displacement.gif

Hasil displacement maksimal sebesar 1,666x10^6 mm

Terima kasih

Wassalamu'alaikum.WR.WB


Resume Pertemuan Keempat (24 Februari 2020)

Mata Kuliah : Komputasi Teknik

Ruangan  : Lab PusKom 201

Pengajar  : Dr. Ahmad Indra Siswantara (Pak DAI)

Materi Perkuliahan (Muhasabah)

Bismillahirrohmanirrohim

Assalamu'alaikum.WR.WB

Muhasabah kali ini membahas tentang hasil ilmu yang didapat pada setiap orang. Ilmu yang didapat dari hasil pendidikan itu jika dilakukan dengan sungguh-sungguh akan tetap ada dibenak kita. Kita tidak akan mudah melupakan ilmu yang kita dapatkan tersebut. Manusia memiliki ruang dan waktu yang berbeda-beda dalam memahami sebuah ilmu. Masalahnya adalah, kadang ilmu yang kita pelajari tidak langsung masuk direct ke otak. Mengapa demikian? banyak faktor yang mempengaruhi, mungkin saat itu kita sedang tidak fokus atau mungkin ada banyak gangguan dalam pikiran kita seperti dosa-dosa kita yang bisa saja menjadi penghalang ilmu untuk masuk ke otak kita. Oleh karena itu perbanyaklah Istighfar agar kita dapat dipermudah dalam menuntut ilmu. Dan yang paling penting adalah carilah ilmu yang bermanfaat agar dapat berguna untuk orang lain maupun untuk diri kita sendiri.

Kemudian pada kuliah ini kami juga mengerjakan quiz yang diberikan oleh pak DAI. Berikut merupakan jawaban quiz yang saya kerjakan

QIUZ1.jpeg
QIUZ2.jpeg
QIUZ3.jpeg
QIUZ4.jpeg


Quiz ini belum bisa saya selesaikan, mungkin karena saya terlalu banyak memasukkan persamaan pada pertanyaan pertama sehingga waktunya tidak cukup. Akhir kata, terima kasih saya ucapkan kepada pak DAI untuk materi-materi yang sangat bermanfaat, semoga ilmu ini bermanfaat untuk kami semua.

Terima kasih

Wassalamu'alaikum.WR.WB


Extended Abstract Project Skripsi (1 Maret 2020)

Bismillahirrohmanirrohim

Assalamu'alaikum.WR.WB

Berikut merupakan extended abstract dari skripsi yang saya kerjakan

Judul : Perancangan Boiler untuk Proses Sterilisasi Pada Baglog Jamur Tiram

Pada proses pembuatan baglog jamur tiram, boiler digunakan untuk proses sterilisasi baglog sebelum bibit jamur tiram ditanam. Perancangan boiler ini bertujuan untuk mengurangi permasalahan pada proses sterilisasi, yaitu ketidakstabilan temperatur yang menyebabkan organisme pengganggu bibit jamur tiram tidak semuanya mati. Sehingga dalam perancangan ini dapat dihasilkan jamur tiram dengan kualitas yang baik dan mengurangi kegagalan panen. Tahapan yang dilakukan dalam perancangan ini adalah menghitung konstruksi boiler sesuai dengan standar ASME BPVC (American Society of Mechanical Engineers Boiler and Pressure Vessel Code), dengan menggunakan material SA 53 Grade B dan SA 285 Grade C. Kemudian dilanjutkan dengan proses analisis statis model boiler menggunakan software Pro Engineer Wildfire 4.0 yang hasilnya adalah berupa tegangan Von Mises dan displacement. Hal terpenting yang diharapkan dari perancangan ini adalah suatu model boiler yang memiliki struktur yang kuat dan tidak mudah rusak Hasil analisa menyatakan bahwa tegangan Von Mises yang terjadi sebesar 6,093 x 10^6 N/m^2, dibawah tegangan yang diizinkan yaitu sebesar 4,15 x 10^8 N/m^2. Maka dengan hasil tersebut desain dapat dikatakan aman.

Terima kasih

Wassalamu'alaikum.WR.WB

Optimasi Kebutuhan Energi Manusia (4 Maret 2020)

Bismillahirrohmanirrohim

Assalamu'alaikum.WR.WB

Kali ini saya akan membahas mengenai Optimasi energi yang dibutuhkan oleh manusia. Energi manusia ditulis dengan satuan kilokalori atau disingkat dengan kkal. Kalori adalah suatu unit pengukuran untuk menyatakan jumlah energi dalam makanan. Cara menghitung kebutuhan kalori setiap orang berbeda-beda, namun ada dua metode yang dapat digunakan dalam menghitung jumlah kalori yang dibutuhkan oleh manusia perharinya. Diantaranya adalah metode menurut WHO dan metode BMR (Basal Metabolic Rate). Saya lebih suka memakai metode BMR karena menurut saya metode ini lebih mudah dan banyak digunakan.

kalbestore.com menyatakan bahwa BMR adalah jumlah energi yang dikeluarkan tubuh selama satu hari dalam kondisi istirahat atau tidak beraktivitas berat. Rumus BMR menggunakan persamaan Harris Benedict, yang direvisi oleh Roza dan Shizgal pada tahun 1984, sebagai berikut:

BMR Pria 

   BMR Pria = 88.362 + (13.397 x berat badan [kg]) + (4.799 x tinggi badan [cm]) – (5.677 x umur)


BMR Wanita 

 BMR Wanita = 447.593 + (9.247 x berat badan [kg]) + (3.098 x tinggi badan [cm]) – (4.33 x umur)

Setelah menghitung besar BMR, hasilnya kemudian dikalikan dengan Level Aktivitas Fisik untuk memperoleh kebutuhan kalori harian atau Total Energy Expenditure (TEE) yang besarannya diperlihatkan dalam di bawah ini

TEE.png

Selanjutnya saya akan mencoba memaparkan energi yang saya butuhkan serta yang saya gunakan pada hari Senin, 2 Maret 2020

Berat Badan  : 54 kg

Tinggi Badan  : 167 kg

Usia  : 22 Tahun

Basal Metabolic Rate(BMR) yang dibutuhkan sesuai dengan rumus di atas (BMR pria) adalah : 

  88.362 + (13.397 x 54) + (4.799 x 167) – (5.677 x 22) = 1488.339 kkal

Kemudian hasil tersebut dikalikan dengan level aktivitas fisik (TEE) untuk memperoleh energi harian yang dibutuhkan.

Asumsi Level Aktivitas Fisik  : Sangat Aktif (1.725)

Energi Harian yang Dibutuhkan  : 1488.339 kkal x 1.725 = 2567.384775 kkal

Berikutnya untuk jenis-jenis aktivitas yang dilakukan, saya konversikan level kegiatan saya berdasarkan tabel berikut.

Energi yang dibutuhkan.png

Sehingga didapatkan hasil sebagai berikut.

Total Energi.png
Energiiii.png

(Note : Kegiatan yang dicantumkan hanya kegiatan-kegiatan tertentu mulai dari berangkat kuliah sampai pulang)

Sumber : https://www.kalbestore.com/articles/bagaimana-menghitung-kebutuhan-kalori-harian-anda/


Resume Pertemuan Kelima (2 Maret 2020)

Mata Kuliah : Komputasi Teknik

Ruangan  : Lab PusKom 201

Pengajar  : Dr. Ahmad Indra Siswantara (Pak DAI)

Materi Perkuliahan (Muhasabah)

Bismillahirrohmanirrohim

Assalamu'alaikum.WR.WB

Muhasabah kali ini membahas mengenai tujuan belajar. Sebagai mahasiswa/murid, tujuan belajar kita adalah bagaimana caranya kita dapat menyerap ilmu dengan baik. Sedangkan bagi guru/pengajar salah satu tugas yang sulit adalah menilai murid-muridnya, sehingga dapat dengan baik dan adil dalam melakukan penilaian kepada murid-muridnya. Bagi saya, untuk seorang guru kemudian yang harus diperhatikan adalah bagaimana ilmu-ilmu yang kita berikan dapat diserap dengan baik oleh murid-murid kita.

Kemudian masalah yang harus diperhatikan sebagai seorang pengajar pada zaman yang maju ini adalah, bagaimana seorang murid dapat melaksanakan tugas-tugasnya secara sukarela, tanpa merasa terpaksa. Bagaimana caranya ? tentunya dibutuhkan effort dari kedua pihak, baik dari si pengajar maupun muridnya.

Kemudian pada muhasabah kali ini juga dibahas bahwa ilmu-ilmu yang kita pelajari harus ada integrasinya dengan ilmu sehari-hari dan juga harus rasional. Agar dapat diterima dan dimengerti dengan baik. Akhir kata, terima kasih saya ucapkan kepada pak DAI untuk materi-materi yang sangat bermanfaat, semoga ilmu ini bermanfaat untuk kami semua.

Terima kasih

Wassalamu'alaikum.WR.WB


Resume Pertemuan Keenam (9 Maret 2020)

Mata Kuliah : Komputasi Teknik

Ruangan  : Lab PusKom 201

Pengajar  : Dr. Ahmad Indra Siswantara (Pak DAI)

Materi Perkuliahan (Muhasabah)

Bismillahirrohmanirrohim

Assalamu'alaikum.WR.WB

Muhasabah kali ini membahas :

1. Ada pepatah yang berkata, "sambil menyelam minum air". Dalam hal ini bisa saja kita melakukan multi-tasking dalam berbagai pekerjaan kita, yang penting adalah kita tetap serius dalam mengerjakan pekerjaan/tugas-tugas kita dan pemahaman kita dalam sebuah konsep semakin lama harus semakin dalam.

2 Kemudian kami merangkum muhasabah/muhasabah 2 dari minggu pertama sampai minggu kelima perkuliahan. Pada kegiatan ini saya merasakan berbagai perkembangan dari mengikuti kuliah ini, baik dalam hal muhasabah (introspeksi diri) maupun dalam hal komputasi teknik.

3 Ilmu yang bermanfaat itu serasa manis, karena kita dapat menggunakannya dalam berbagai hal dan memiliki dampak yang berguna bagi diri sendiri maupun orang lain.

Kemudian untuk komputasi tekniknya sendiri, ilmu yang saya dapatkan dalam perkuliahan ini adalah bahwa apabila kita sedang menyelesaikan suatu problem, peta permasalahan harus jelas untuk menentukan masalah yang sebenarnya. Ada dua jenis masalah, structure problem dan unstructure problem.

Structure problem adalah suatu masalah yang cara penyelesaiannya sudah ada di dalam SOP yang berlaku. Sedangkan unstructure problem merupakan kebalikannya. Cara penyelesaiannya tidak ada di dalam SOP. Masalah ini akan menghasilkan jawaban yang baru dan cara penyelesaiannya bisa dengan cara modifikasi-modifikasi masalah-masalah yang sudah ada.

Analisis pada komputasi teknik terbagi menjadi tiga langkah :

Initial Thinking

Ini merupakan langkah dimana kita menentukan tujuan, perumusan masalah, dan hipotesis dari problem kita.

Model Matematis

Ini merupakan kelanjutan dari langkah sebelumnya, yaitu mulai melakukan berbagai perhitungan dengan asumsi-asumsi dari berbagai teori yang sudah ada. pada proses ini dapat dilakukan verivikasi (solving equation right) dan validasi (solving the right equation).

Solusi

Ini merupakan hasil yang didapat dari model matematis. Hasil ini dapat dibuat model dan disimulasikan, karena simulasi merupakan eksekusi dari model yang sudah dibuat.

Akhir kata, terima kasih saya ucapkan kepada pak DAI untuk materi-materi yang sangat bermanfaat, semoga ilmu ini bermanfaat untuk kami semua.

Terima kasih

Wassalamu'alaikum.WR.WB


Resume Perkuliahan Ketujuh (16 Maret 2020)

Materi Perkuliahan (Muhasabah)

Bismillahirrohmanirrohim

Assalamu'alaikum.WR.WB

Perkuliahan tatap muka pada kali ini ditiadakan karena kasus pandemi COVID-19 yang sudah bertambah banyak di Indonesia. Sebagai gantinya, pihak universitas menyarankan perkuliahan dilaksanakan dengan cara "Perkuliahan Jarak Jauh (PJJ)". Banyak cara yang dapat dilakukan untuk melakukan PJJ, salah satunya adalah dengan menggunakan EMAS (E-Learning Management System). EMAS merupakan salah satu sarana perkuliahan yang dibuat oleh Universitas Indonesia. Memang tidak bisa digunakan untuk Video Conference, namun tugas-tugas dan materi perkuliahan dapat dibaca dan di download pada situs ini. Saya akan membagikan pengalaman saya dalam menggunakan EMAS. Saya baru pertama kali mengalami ini dan saya rasa ini metode yang cukup menarik dan bermanfaat ditengah situasi yang kurang baik ini.

1. Buka Websitenya

Buka Websitenya di https://emas.ui.ac.id/login/index.php . Berikut adalah tampilan depan dari EMAS. Kemudian bisa log in menggunakan SSO (Single Sign On) kita.

Depan EMAS.png

2. Lihat Mata Kuliah yang Tersedia

Setelah masuk ke EMAS, kita bisa melihat mata kuliah yang sudah kita ikuti, di dalam menu mata kuliah itu terdapat berbagai tugas dan materi perkuliahan yang sudah diupload oleh dosen yang bersangkutan. Apabila kita sudah menjalani/mempelajari perintah yang diberikan, kita bisa menandainya sehingga terlihat progress yang sudah kita kerjakan pada mata kuliah tersebut.

Matkul di emas.png

Sebagai contoh saya akan memperlihatkan tugas/materi perkuliahan pada mata kuliah Penulisan Akademik

Kuliah di emas.png

Jika sudah selesai, jangan lupa untuk log out

Sekian penjelasan saya mengenai website EMAS ini. Semoga keadaan yang kurang baik ini bisa cepat berlalu, semoga secepatnya dapat ditemukan vaksin yang dapat mengatasi pandemi COVID-19 ini. Dan kita dapat melaksanakan kegiatan kita seperti biasanya.

Terima kasih

Wassalamu'alaikum.WR.WB


Tugas Ujian Tengah Semester

Bismillahirrohmanirrohim

Assalamu'alaikum.WR.WB

Pada tugas Ujian Tengah Semester ini, Kami ditugaskan untuk :

1. Membuat Laporan Hasil Tugas Optimasi Kebutuhan Energi Manusia

2. Draft Paper Project Komputasi Teknik

3. Membuat Video Hasil Pembelajaran Komputasi Teknik

Saya akan mencoba menjawab perintah-perintah yang sudah diberikan.

1. Jawaban ini merupakan pengembangan tugas optimasi kebutuhan energi yang sudah diupload pada 4 Maret 2020 dengan hasil yang lebih lengkap.

http://air.eng.ui.ac.id/index.php?title=Ronald_Akbar#Optimasi_Kebutuhan_Energi_Manusia_.284_Maret_2020.29

Berikut merupakan kegiatan yang saya lakukan selama seminggu (note : Kegiatan yang dilakukan merupakan kegiatan-kegiatan tertentu yang saya rasa penting untuk dimasukkan ke dalam perhitungan)

Ensenin.png
Enselasa.png
Enrabu.png
Enkamis.png
Enjumat.png
Ensabtu.png
Enminggu.png


Kemudian untuk kebutuhan listrik dalam satu minggu diperlihatkan dalam tabel di bawah ini

Enkebutuhanllistrik.png

Kemudian, kebutuhan listrik ini digabungkan dengan energi dari kegiatan yang dilakukan dalam seminggu, sehingga hasilnya ditampilkan seperti tabel di bawah ini

Enertotal.png

Sehingga rangkuman dari energi yang dibutuhkan dalam seminggu dapat diperlihatkan dalam grafik di bawah ini

Engrafik1.png

Dari grafik tersebut terlihat bahwa energi yang dibutuhkan pada Hari Kamis-Minggu menurun drastis dibandingkan hari-hari sebelumnya. Hal ini dikarenakan pada hari tersebut sudah dimulai kegiatan perkuliahan jarak jauh, ditambah lagi adanya larangan ke kampus dan kegiatan di laboratorium dikarenakan keadaan darurat akibat pandemi COVID-19. Jadi mulai Kamis 19 Maret 2020 saya mulai mengurangi bepergian, tetap di rumah dan fokus mengerjakan tugas-tugas.


2. Berikut merupakan draft dari project komputasi teknik saya

Judul  : Perancangan Boiler untuk Proses Sterilisasi pada Baglog Jamur Tiram 

1.Pendahuluan
 
  Proses produksi merupakan inti dari suatu industri. Industri makanan, industri pertanian, industri farmasi, dan industri-industri lainnya mengandalkan peralatan-peralatan yang digunakan dalam proses produksi. Industri baglog jamur tiram merupakan salah satu industri pertanian yang perlu dikembangkan dalam peralatan produksinya. Hal ini dikarenakan prospek pasarnya yang bagus dan memiliki potensi ekonomi yang tinggi dengan segmen pasar yang jelas. Pada segmen restoran dan hotel, kebutuhan akan jamur tiram cukup tinggi. Jadi dibutuhkan pasokan jamur tiram yang banyak dan cepat. Adanya industri baglog jamur tiram ini dapat memenuhi permintaan pasar tersebut karena proses penanamanya yang sederhana dengan hasil panen yang  cukup banyak dan cepat.

  Namun ada sedikit masalah yang sering dihadapi oleh petani baglog, yaitu proses sterilisasi dari baglog itu sendiri yang tidak baik. Baglog adalah sebuah media tumbuh dari jamur tiram. Sebelum proses pemasukkan bibit jamur, baglog harus melewati proses sterilisasi berupa pemanasan dengan suhu tinggi yang bertujuan untuk mematikan berbagai patogen dan mikroba lain pada media tumbuh tersebut. Biasanya para petani hanya menggunakan peralatan seadanya untuk melakukan proses sterilisasi ini, sebagai contoh adalah memodifikasi drum bekas untuk dijadikan alat pemanas. Hal tersebut  kurang baik karena suhu pemanasan yang tidak teratur sehingga kualitas dari jamur tiram akan menurun atau lebih parahnya lagi adalah kegagalan panen.

  Perkembangan ilmu teknologi saat ini dapat mendukung alat produksi pada industri baglog jamur  tiram. Salah satunya teknologi dalam bidang konversi energi yang memunculkan banyak ide kreatif untuk memanfaatkannya dalam dunia industri. Berdasarkan hal tersebut penulis berfikir untuk melakukan sebuah penelitian berupa perancangan suatu boiler atau ketel uap yang sesuai dengan standar yang ada sehingga dapat menaikkan hasil panen dan kualitas dari suatu industi baglog jamur tiram. 

2.Tujuan

  Tujuan dari penelitian ini adalah :

  a. Merancang sebuah boiler untuk proses sterilisasi pada baglog jamur tiram sesuai dengan standar yang ada, yaitu standar ASME (American Society of Mechanical Engineers) 
     Boiler and Pressure Vessel Code (BPVC).

  b. Mengurangi permasalahan pada industri baglog yaitu pada proses sterilisasi. Sehingga dapat dihasilkan jamur tiram dengan kualitas yang bagus sekaligus dapat mengurangi 
     kerugian petani baglog akibat kegagalan panen.

3.Rumusan Masalah

  Rumusan masalah dari penelitian ini adalah :

  a. Bagaimana proses sterilisasi pada baglog jamur tiram ?

  b. Material apa yang dapat digunakan dalam proses perancangan ini?

  c. Bagaimana proses perancangan Boiler untuk Proses Sterilisasi pada Baglog Jamur Tiram ?

4.Metodologi Penelitian

  Penelitian ini menggunakan tiga metode, yaitu metode studi literatur, perhitungan secara manual, dan simulasi software. Metode studi literatur dilakukan dengan mencari dan mempelajari referensi dari sumber-sumber yang terkait dan diperlukan dalam perancangan tugas akhir ini. Kemudian metode perhitungan secara manual diterapkan dengan menggunakan rumus-rumus serta standar yang telah ada dan sesuai dengan standar ASME PBVC (American Society Mechanical Engineers Boiler and Pressure Vessel Code). Langkah terakhir adalah dengan melakukan simulasi yang dilakukan dengan menggunakan software.

Untuk selengkapnya dapat dilihat di dokumen di bawah ini

https://drive.google.com/open?id=1JyiKYqqTQYdQ6PYt-qYbLbzOGvpLjn8K


3. Video Hasil Pembelajaran Komputasi Teknik

Pada soal ini, saya akan mengupload video hasil pembelajaran saya mengenai komputasi teknik selama seminggu. Ada dua video dengan topik pembahasan yang berbeda. Video pertama membahas mengenai suatu aliran fluida dalam sebuah channel yang akan disimulasikan dengan CFDSOF. Video kedua membahas mengenai sebuah soal iterasi yang menggunakan metode sucessive substitution. Berikut video-videonya :



Video Pertama (Link Belajar CFDSOF : http://cfdsof.com/verification/863/)


Video Kedua


Sekian Tugas UTS yang telah saya kerjakan. Mohon maaf apabila ada banyak kesalahan dalam tugas ini

Terima Kasih

Wassalamu'alaikum.WR.WB


Quiz 2 Komputasi Teknik (13 April 2020)

Bismillahirrohmanirrohim

Assalamu'alaikum. WR. WB

Berikut merupakan link quiz komputasi teknik mengenai osilasi yang sudah saya kerjakan

https://drive.google.com/open?id=1cufBRZYPizlwbBmzm8PWCheGCcUuKl35

Terima Kasih

Wassalamu'alaikum. WR. WB


Review Materi Sistem Osilasi Satu Dimensi (29 April 2020)

Bismillahirrohmanirrohim

Assalamu'alaikum. WR. WB

Kali ini saya akan membahas materi mengenai sistem osilasi satu dimensi. Sebenarnya materi ini sudah terupload di Google Drive dalam bentuk word, tetapi untuk mempermudah saya akan upload kembali di sini.

Osilasi adalah sebuah variasi periodik terhadap waktu dari suatu hasil pengukuran, contoh nya ialah seperti pada ayunan bandul. Istilah vibrasi atau getaran sering digunakan sebagai sinonim osilasi, walau sebenar nya vibrasi itu merujuk pada jenis spesifik osilasi, yakni osilasi mekanis. Banyak sistem engineering yang berkaitan dengan osilasi, dan persamaan diferensial merupakan kunci utama untuk memahami, memprediksi, dan mengontrol osilasi. Sebagai contoh kasus. suatu benda dengan massa m dikaitkan pada pegas dan bergerak sepanjang garis tanpa gesekan seperti yang diperlihatkan pada gambar di bawah ini.

Osilasiiiiiii1.png

Ketika pegas diregangkan, gaya pegas menarik (atau mendorong) benda m kembali dan bekerja "melawan" gerakan. Lebih tepatnya, misalkan x (t) adalah posisi benda pada sumbu x, dimana benda bergerak. Pegas tidak direntangkan ketika x = 0, sehingga gaya adalah nol, dan x = 0 karenanya posisi keseimbangan benda. Gaya pegas adalah –k.x, dimana k adalah konstanta yang diukur. Diasumsikan bahwa tidak ada gaya lain (misal, Tidak ada gesekan). Sehingga Hukum Newton dua yaitu F = m.a dapat diubah menjadi sepertri yang ditunjukkan pada persamaan 1,


Osilasiiii2.png
(1)

Dimana persamaan terssebut dapat ditulis ulang sebagai,

Osilasiiii3.png
(2)

Dengan ω adalah kecepatan sudut. Persamaan (2) merupakan persamaan diferensial orde dua. Oleh karena itu dibutuhkan dua kondisi awal, yang pertama adalah kondisi pada posisi x (0) dan kondisi pada kecepatan x’ (0). Pada kasus ini, ditentukan nilai x (0) sebesar X0 dan x’ sebesar 0. Solusi yang tepat untuk persamaan (2) pada kondisi awal ini adalah x(t) = X0. Cos ωt. Solusi tersebut menandakan bahwa sistem massa pegas dalam contoh kasus ini berisolasi bolak-balik seperti yang dijelaskan pada kurva cosinus.


Contoh kasus ini, selain bisa dikerjakan dengan metode eksak, dapat juga dikerjakan dengan metode numerik. Pada bagian ini, u merupakan vaiabel yang menandakan x sedangkan v merupakan turunan dari u. Dan kedua fungsi ini merupakan fungsi baru yang tidak diketahui. Kemudian dengan menghubungkan kedua fungsi tersebut dengan persamaan (2), maka akan membentuk persamaan

Osilasiiii4.png
(3)


Osilasiiii5.png
(4)


Kemudian dapat diterapkan metode forward euler untuk persamaan (3) dan (4),

Osilasiiii6.png
(5)


Osilasiiii7.png
(6)

Sehingga dapat menghasilkan persamaan sebagai berikut,

Osilasiii8.png
(7)


Osilasiiii9.png
(8)

Hasil dari persamaan (7) dan (8) apabila dibandingkan dengan hasil dari metode eksak, terkadang masih menghaasilkan error atau deviasi yang cukup besar. Contohnya dapat dilihat di gambar bawah ini.


Osilasiiii10.png

Langkah selanjutnya adalah mengurangi ∆t parameter diskritisasi dan melihat apakah hasilnya menjadi lebih akurat. Sehingga didapat persamaan-persamaan baru untuk mencari nilai dari u dan v.

Osilasiiii11.png
(9)


Osilasiii12.png
(10)

Gambar di bawah ini merupakan contoh hasil persamaan (9) dan (10) apabila dibandingkan dengan metode eksak,


Osilasiiii13.png


Sekian materi osilasi hari ini. Semoga materi ini berguna untuk kita semua, untuk materi berikutnya saya akan mengupload mengenai contoh soal osilasi satu dimensi yang dikerjakan menggunakan metode eksak dan numerik.

Terima kasih Wassalamu'alaikum. WR. WB


Perbandingan Hasil Perhitungan Numerikal dengan Eksak pada Kasus Osilasi (30 April 2020)

Bismillahirrohmanirrohim

Assalamu'alaikum. WR. WB

Kali ini saya akan mengupload hasil dari perhitungan metode eksak dari suatu kasus osilasi satu dimensi, kemudian hasilnya akan dibandingkan dengan hasil perhitungan dengan menggunakan metode numerik.

Osilasiiiiiii1.png

Kondisi awal (Initial Condition) yang ditentukan dalam kasus ini adalah :

u = 3 m v = 0 m/s omega = 1 rad/s ∆t = 0,1 s

Perasamaan-persamaan yang akan digunakan dalam metode eksak adalah :

Osilasiiiia.png
(1)


Osilasiiib.png
(2)

Sementara untuk metode numerik, akan digunakan persamaan-persamaan berikut.

Osilasiii8.png
(3)


Osilasiiii9.png
(4)


Osilasiiii11.png
(5)


Osilasiii12.png
(6)


Tabel di bawah ini merupakan hasil dari perhitungan yang dilakukan menggunakan software excel.

Osilasiiic.png
Osilasiiid.png
Osilasiiie.png


Kemudian hasil setelah dilakukan proses perhitungan dapat dilihat pada grafik-grafik di bawah ini.


Osilasiiif.png

Grafik di atas menunjukan hasil perhitungan nilai u dan v pada metode numerik dan metode exact. Hasil dari grafik-grafik tersebut dapat digunakan untuk memverifikasi persamaan numerik yang telah dibuat.Verifikasi merupakan proses pengujian untuk mengetahui seberapa besar error yang dihasilkan dari persamaan numerik yang telah dibuat, dibandingkan dengan hasil dari persamaan eksak. Dapat dilihat pada grafik u dan v dengan menggunakan metode numerik persamaan (3) dan (4) terdapat error yang cukup besar. Oleh karena itu dibutuhkan proses verivikasi lebih lanjut agar hasil metode numerik dapat digunakan. Persamaan yang digunakan untuk proses verifikasi lebih lanjut ini adalah persamaan (5) dan (6) sehingga dihasilkan grafik seperti di atas. Dari hasil ini terlihat bahwa garis yang dihasilkan dari metode numerik hampir menyerupai garis dari metode eksak. Hal tersebut menandakan bahwa persamaan numerika sudah terverifikasi dan dapat digunakan untuk mencari variabel u dan v.

Sekian materi pada hari ini, materi berikutnya saya akan mengupload mengenai penyelesaian kasus ini dengan metode eksak, dibandingkan dengan hasil yang dikerjakan dengan metode ANN.

Terima kasih

Wassalamu'alaikum, WR. WB


Artificial Neural Networking (3 Mei 2020)

Bismillahirrohmanirrohim

Assalamu'alaikum. WR. WB

Pada materi kali ini, saya akan sedikit menguupload materi mengenai Artificial Neural Networking/Jaringan Syaraf Tiruan.

Artificial Neural Network Artificial (ANN) atau Jaringan Syaraf Tiruan merupakan sebuah teknik atau pendekatan pengolahan informasi yang terinspirasi oleh cara kerja sistem saraf biologis, khususnya pada sel otak manusia dalam memproses informasi. Elemen kunci dari teknik ini adalah struktur sistem pengolahan informasi yang bersifat unik dan beragam untuk tiap aplikasi. Neural Network terdiri dari sejumlah besar elemen pemrosesan informasi (neuron) yang saling terhubung dan bekerja bersama-sama untuk menyelesaikan sebuah masalah tertentu, yang pada umumnya dalah masalah klasifikasi ataupun prediksi.

Cara kerja Neural Network dapat dianalogikan sebagaiman halnya manusia belajar dengan mengunakan contoh atau yang disebut sebagai supervised learning. Sebuah Neural Network dikonfigurasi untuk aplikasi tertentu, seperti pengenalan pola atau klasifikasi data, dan kemudian disempurnakan melalui proses pembelajaran. Proses belajar yang terjadi dalam sistem biologis melibatkan penyesuaian koneksi sinaptik yang ada antara neuron, dalam halnya pada Neural Network penyesuaian koneksi sinaptik antar neuron dilakukan dengan menyesuaikan nilai bobot yang ada pada tiap konektivitas baik dari input, neuron maupun output.

Annnn1.png

Neural Network memproses informasi berdasarkan cara kerja otak manusia. Dalam hal ini Neural Network terdiri dari sejumlah besar elemen pemrosesan yang saling terhubung dan bekerja secara paralel untuk memecahkan suatu masalah tertentu. Di sisi lain, komputer konvensional menggunakan pendekatan kognitif untuk memecahkan masalah; dimana cara pemecahan masalah haruslah sudah diketahui sebelumnya untuk kemudian dibuat menjadi beberapa instruksi kecil yang terstruktur. Instruksi ini kemudian dikonversi menjadi program komputer dan kemudian ke dalam kode mesin yang dapat dijalankan oleh komputer.

Terima Kasih Wassalamu'alaikum,WR,WB


Contoh Kasus Osilasi Satu Dimensi dengan Artificial Neural Networking (12 Mei 2020)

Bismillahirrohmanirrohim

Assalamu'alaikum.WR.WB

Kali ini saya akan membahas suatu kasus osilasi satu dimensi seperti materi sebelumnya (30 April 2020) dan akan dibandingkan dengan hasil dari artificial neural networking.

Osilasiiiiiii1.png

Kondisi awal (Initial Condition) yang ditentukan dalam kasus ini adalah :

u = 3 m v = 0 m/s omega = 1 rad/s ∆t = 0,1 s

1. Metode Eksak

Persamaan yang akan digunakan sebenarnya sama dengan yang digunakan sebelumnya, namun di sini akan ditampilkan kembali persamaan-persamaan tersebut.

Osilasiiiia.png
Osilasiiib.png

2. Artificial Neural Network

Berikut merupakan langkah-langkah penyelesaian dengan menggunakan metode neural network, dengan menggunakan Matlab :

Pertama, pada Matlab editor/script, masukkan variabel watktu sebagai input dan variabel displacement dan kecepatan sebagai target.

OsANN1.png

lalu kita bisa mengetik fungsi nntool agar dapat masuk ke neural network/network manager, kemudian run editor

Kedua, setelah editor di run, akan muncul kotak dialog data manager nntool, kemudian di set variabel input, target, dan mulai untuk membuat network baru.

OsANN2.png

Pada pengaturan ini, kita dapat mengatur network type, training function, dan transfer function dari neural network yang akan ditraining tersebut. Tetapi saya mencoba membiarkan pengaturan-pengaturan tersebut berjalan secara default. Kemudian bisa diklik create.

Ketiga, kita memulai untuk mentraining network, pada kasus ini, pengaturan defaultnya adalah, 75 persen data dipakai untuk training, dan masing-masing 15 persen data dipakai untuk validation dan testing.

OsANN3.png


OsANN4.png

Setelah itu train network dan proses iterasi akan dimulai.

OsANN5.png

Keempat, kita dapat melihat hasil output dan error pada neural network melalui dialog data manager nntool.

OsANN6.png

3. Verifikasi

Perbandingan antara hasil Artificial Neural Network dangan metode eksak pada displacement dan velocity dapat dilihat pada tabel dan grafik di bawah ini.

OsANN7.PNG
OsANN8.PNG
OsANN9.PNG
OsANN10.PNG
OsANN11.PNG
OsANN12.png
OsANN13.png

Dari hasil grafik, terlihat bahwa garis yang dihasilkan oleh metode neural network hampir mendekati garis metode eksak. Hal tersebut menandakan bahwa error yang terjadi sangat kecil dan menandakan juga bahwa artificial neural network merupakan suatu metode yang sagat baik dalam memprediksi suatu nilai dari suatu kasus

Terima kasih

Wasalamu'alaikum.WR.WB


Pressure Drop (17 Mei 2020)

Bismillahirrohmanirrohim

Assalamu'alaikum.WR.WB

Kali ini saya akan sedikit memaparkan mengennai pressure drop.

Pressure drop adalah istilah yang digunakan untuk menggambarkan penurunan tekanan dari satu titik dalam pipa atau tabung ke hilir titik."Penurunan tekanan" adalah hasil dari gaya gesek pada fluida ketika mengalir melalui pipa yang disebabkan oleh hambatan terhadap aliran. Penyebab utama hambatan terhadap aliran fluida adalah kecepatan fluida melalui pipa dan viskositas fluida. Aliran cairan atau gas akan selalu mengalir dalam arah perlawanan paling sedikit (tekanan kurang). Pressure drop meningkat sebanding dengan gaya geser di dalam jaringan pipa. Penurunan tekanan dipengaruhi oleh sebuah jaringan pipa yang berisi kekasaran relatif tinggi serta banyak pipa fitting dan sendi, konvergensi tabung, divergensi, kekasaran permukaan dan sifat fisik lainnya. Selain itu Perubahan energi kinetik dan perhitungan penurunan tekanan yang disebabkan oleh gesekan dalam pipa melingkar juga berpengaruh terhadap pressure drop. Kecepatan aliran dan viskositas tinggi dalam hasil penurunan tekanan yang lebih besar di bagian pipa atau katup atau siku. Kecepatan rendah akan mengakibatkan penurunan tekanan yang lebih rendah atau tidak ada. Pressure drop dapat dihitung dengan 2 variabel: Reynolds number untuk menentukan jenis aliran apakah termasuk aliran yang laminar atau turbulen, dan kekasaran relatif pipa. Ukuran dari sebuah pipa biasanya berdasarkan pada keseimbangan antara pressure drop di satu pihak dan biaya serta berat di pihak lain. Pressure drop dalam sebuah pipa adalah fungsi dari kecepatan, berat jenis, viskositas, Panjang, serta diameter pipa. Selain itu pressure drop juga berfungsi sebagai sifat aliran / arus termasuk jumlah dan jari- jari serta tingkat turbulensi. Didalam penggunaanya dilaut , dimana saluran pipa biasanya pendek , bagian terbesar dari jumlah pressure drop dalam sebuah sistem akan terjadi di dalam saluran pipa. Pressure drop dapat dihitung dengan menggunakan persamaan berikut :

Pressdrop1.PNG

Dimana : Δp = Pressure drop (Pa) v = kecepatan (m/s) f = faktor gesekan (Tanpa satuan) L = panjang pipa (m) ρ = densitas cairan dalam (kg/m3)

Hasil Diskusi Via Grup WA

Berdasarkan hasil diskusi melalui grup WA, topik yang dibahas yang saya amati lebih banyak mengenai pengaruh diameter pipa dan viskositas pada pressure drop. untuk pengarug diameter pipa, saya mencoba menjawab,

"Jika dilihat dari rumus dasar pressure drop, variabel d berbanding terbalik dengan variabel pressure drop, hal tersebut menunjukkan bahwa pressure drop akan besar apabila diameter/luas permukaan pipa pipa kecil.

Kemudian besarnya luas permukaan pipa akan berpengaruh terhadap laju aliran fluida yang mengalir pada pipa tersebut, sesuai dengan persamaan kontinuitas yaitu ketika luas permukaan pipa semakin besar, laju aliran fluida akan semakin kecil. Laju aliran fluida ini akan berpengaruh pada jenis aliran fluidanya yang terukur dari bilangan Reynolds, kalau bilangan Reynolds kecil dapat dipastikan jenis aliran laminar yang menyebabkan gesekan aliran dengan pipa kecil (friction factor). Sementara pada persamaan pressure drop variabel f (friction factor) berbanding lurus dengan variabel pressure drop, dapat disimpulkan bahwa nilai f yang kecil akan menyebabkan pressure drop yang kecil. Begitu juga dengna variabel L dan v yang berbanding lurus."

Kemudian untuk pengaruh viskositas terhadap pressure drop, saya mencoba menanyakan pertanyaan sebagai berikut:

Pressdrop2.PNG

dari pertanyaan tersebut banyak teman -teman yang menjawab bahwa besar-kecilnya diameter pipa tidak berpengaruh terhadap viskositas, viskositas dipengaruhi oleh suhu suatu fluida itu sendiri. Saya lebih yakin dengan jawaban tersebut pada saat saya menganalogikan :

"Apabila saya akan meminum segelas madu menggunakan sedotan dengan besar yang berbeda, logikanya saya akan tetap merasakan kekentalan yang sama dari madu tersebut."

Jadi dapat disimpulkan bahwa diameter tidak mempengaruhi viskositas. Terima kasih untuk teman-teman yang telah menjawab pertanyaan yang sudah saya ajukan.

Terima kasih

Wassalamu'alaikum WR.WB


Persamaan Regresi pada Microsoft Excel dengan Menggunakan Trendline (24 Mei 2020)

Bismillahirrohmanirrohim

Assalamu'alaikum.WR.WB

Kali ini saya akan sedikit membahas tentang cara melakukan regresi dengan microsoft excel. Untuk simple-nya menurut saya dengan cara ini kita dapat mengetahui persamaan sederhana dari grafik data yang kita miliki. Mungkin ini merupakan suatu cara yang hampir semua teman-teman sudah mengetahui dan memahaminya.. Tapi ini merupakan suatu hal yang baru saya ketahui dan fahami, oleh karena itu saya akan mencoba men-share nya agar teman-teman yang juga belum mengetahuinya dapat mempelajari cara ini.

Apa itu regresi ?

Secara singkat saja informasi mengenai regresi. Regresi adalah suatu metode analisis statistik yang digunakan untuk melihat pengaruh antara dua atau lebih banyak variabel. Hubungan variabel tersebut bersifat fungsional yang diwujudkan dalam suatu model matematis. Pada analisis regresi, variabel dibedakan menjadi dua bagian, yaitu variabel respons (response variable) atau biasa juga disebut variabel bergantung (dependent variable), dan variabel explanatory atau biasa disebut penduga (predictor variable) atau disebut juga variabel bebas (independent variable). Karena memiliki banyak manfaat, analisis regresi digunakan hampir pada semua bidang kehidupan, baik dalam bidang ekonomi, industri dan ketenagakerjaan, sejarah, pemerintahan, ilmu lingkungan, dan lain sebagainya.

Kegunaan analisis regresi di antaranya untuk mengetahui variabel-variabel kunci yang memiliki pengaruh terhadap suatu variabel bergantung, pemodelan, serta pendugaan (estimation) atau peramalan (forecasting). Selain itu, masih ada beberapa kegunaan lainnya, yakni:

1. Membuat estimasi rata-rata dan nilai variabel tergantung dengan didasarkan pada nilai variabel bebas.

2. Untuk menguji hipotesis karakteristik dependensi.

3. Meramalkan nilai rata-rata variabel bebas yang didasari nilai variabel bebas diluar jangkauan sample.

Regresi dengan menggunakan microsoft excel

Berikut contoh data yang saya buat :

Regr1.png

Langkah pengerjaannya adalah :

1. kita harus membuat grafik terlebih dahulu dari data tersebut, dengan cara block data, klik insert, scatter, pilih jenis scetter yang diinginkan (disini saya menggunakan scatter with smooth Lines and Markers)


Regr2.png


2. Klik garis series dari grafik, kemudian klik kanan dan klik Add Trendline (Ingat, yang terpilih harus garis seriesnya, jika tidak menu Add Trendline tidak akan muncul)


Regr3.png


3. Kita akan memilih jenis (tipe) regresi yang cocok dengan grafik kita. Ada beberapa tipe jenis regresi yang ditawarkan oleh microsoft Excel yaitu: Exponential, Linier, Logaritmic, Polynomial dengan berbagai Order, Power dan Moving Average seperti terlihat pada gambar. Kecocokan antara jenis regresi dengan grafik ditunjukkan dengan kurva fitting yang terbentuk dengan metode Least Square.

  • Regr4.png
  • Regr5.png
  • Regr6.png
  • Regr7.png
  • Regr8.png
  • Regr9.png

Jenis regresi yang cocok dengan grafik kita adalah, polynomial dengan order berjumlah 5. Kemudian untuk menampilkan formula regresinya, centang Display Equation on Chart.


Regr10.png


Sekian mengenai materi regresi dengan microsoft excel..

Pada momen ini saya juga ingin mengucapkan

Selamat Hari Raya Idul Fitri 1 Syawal 1441 H untuk Pak DAI dan teman-teman semua..

من العائدين والفائزين

كل عام وانتم بخير

Mohon maaf lahir dan batin

Taqaballallahu minna waminkum

Taqabbal yaa kariim..

Semoga kita ba'da Ramadhan bagai lahir fitri kembali...

Terima Kasih

Wassalamu'alaikum.WR.WB

Transfer Function pada Artificial Neural Network (26 Mei 2020)

Bismillahirrohmanirrohim

Assalamu'alaikum.WR.WB

Pada artikel kali ini saya akan mencoba membahas mengenai jenis-jenis transfer function pada ANN matlab dengan jenis Feed-Forward Backpropagation. Jika kita membuka menu nntool pada matlab dan akan membuat network baru dengan tipe network Feed-Forward Backpropagation, maka akan ditemukan tiga jenis transfer function sebagai berikut :

Nnt.png

1. Log-sigmoid Transfer Function (Logsig)

Merupakan transfer function yang membawa input ke output dengan penghitungan log-sigmoid. Nilai outputnya antara -1 hingga 1. Algoritma dari fungsi ini adalah:

a = logsig(n) = 1 / (1 + exp(-n))

Nnt2.PNG


2. Linear Transfer Function (Purelin)

Merupakan transfer function yang akan membawa input ke output yang sebanding (linear). Algoritma dari fungsi ini adalah:

a = n

Nnt4.PNG


3. Tan-sigmoid Transfer Function (Tansig)

Merupakan transfer function sigmoid tangen yang digunakan sebagai fungsi aktivasi dengan nilai output antara -1 hingga 1. Algoritma dari fungsi ini adalah:

a = tansig(n) = 2/(1+exp(-2*n))-1

Nnt3.PNG


Jadi dengan adanya fungsi-fungsi aktivasi ini kita dapat melakukan normalisasi/mentransformasi data kita menjadi data yang memiliki range yang sesuai dengan transfer function yang kita tentukan. Tujuannya yang saya ketahui adalah agar data yang telah kita training memiliki hasil regresi yang lebih baik. Sebagai contoh saya akan tampilkan hasil regresi training data yang dinormalisasi dengan transfer function tansig.

Regression.jpg

Hasil dari data training akan memiliki range -1 sampai 1. Karena itu jangan lupa untuk mengembalikan (unormalize) data agar range nya kembali seperti semula.

Demikian artikel singkat pada hari ini.

Terima Kasih

Wassalamu'alaikum.WR.WB

Feed-Forward Backpropagation pada Neural Network (31 Mei 2020)

Bismillahirrohmanirrohim

Assalamu'alaikum.WR.WB

Kali ini saya akan sedikit membahas mengenai jenis network yang sering saya gunakan saat mentraining data dengan ANN, yaitu feed-forward backpropagation. Algoritma feed forward backpropagation merupakan algoritma pembelajaran yang terawasi dan biasanya digunakan oleh perceptron dengan banyak lapisan untuk mengubah bobot- bobot yang terhubung dengan neuron – neuron yang ada pada lapisan tersembunyinya. Feed forward backpropagation menggunakan error output untuk mengubah nilai bobot – bobotnya dalam arah mundur (backward). Untuk mendapatkan error ini, tahap perambatan maju (forward propagation) harus dikerjakan terlebih dahulu. Pada saat perambatan maju, neuron – neuron diaktifkan dengan menggunakan fungsi aktivasi yang dapat dideferensiasi. Feed forward backpropagation memiliki beberapa unit yang ada dalam satu atau lebih layer tersembunyi. Gambar di bawah ini merupakan contoh arsitektur feed-forward backpropagation dengan n buah masukan (ditambah sebuah bias), sebuah layar tersembunyi yang terdiri dari unit (ditambah sebuah bias), serta m buah unit keluaran.

Fforward1.PNG

(v ji) merupakan bobot garis dari unit masukan (x i) ke unit layer tersembunyi (z j) ( v jo merupakan bobot garis yang menghubungkan bias di unit masukan ke unit layer tersembunyi z j). (w kj) merupakan bobot dari unit layer tersembunyi (z j) ke unit keluaran (y k) ( (w ko) merupakan bobot dari bias di layer tersembunyi ke unit keluaran (z k)).

Pelatihan Feed-Forward Backpropagation

Pelatihan feed forward backpropagation meliputi 3 fase. Fase pertama adalah fase maju. Pola masukan dihitung maju mulai dari layar masukan hingga layar keluaran menggunakan fungsi aktivasi yang ditentukan. Fase kedua adalah fase mundur. Selisih antara keluaran jaringan dengan target yang diinginkan merupakan kesalahan yang terjadi. Kesalahan tersebut dipropagasikan mundur, dimulai dari garis yang berhubungan langsung dengan unit-unit di layar keluaran. Fase ketiga adalah modifikasi bobot untuk menurunkan kesalahan yang terjadi.

Fase I: Propagasi Maju

Selama propagasi maju, sinyal masukan (= xi) dipropagasikan ke layer tersembunyi menggunakan fungsi aktivasi yang ditentukan. Keluaran dari setiap unit layar tersembunyi (= zj)tersebut selanjutnya dipropagasikan maju lagi ke layer tersembunyi di atasnya menggunakan fungsi aktivasi yang ditentukan. Demikian seterusnya hingga menghasilkan keluaran jaringan (= yk). Berikutnya, keluaran jaringan (= yk) dibandingkan dengan target yang harus dicapai (= tk). Selisih dari terhadap yk yaitu ( tk - yk ) adalah kesalahan yang terjadi (error). Jika error ini lebih kecil dari batas toleransi yang ditentukan, maka iterasi dihentikan. Akan tetapi apabila kesalahan masih lebih besar dari batas toleransinya, maka bobot setiap garis dalam jaringan akan dimodifikasi untuk mengurangi kesalahan yang terjadi.

Fase II: Propagasi Mundur

Berdasarkan error (tk - yk), dihitung faktor δ ( k = 1,2,..., m ) yang dipakai untuk mendistribusikan kesalahan di unit yk ke semua unit tersembunyi yang terhubung langsung dengan yk. δk juga dipakai untuk mengubah bobot garis yang berhubungan langsung dengan unit keluaran. Dengan cara yang sama, dihitung faktor δj ( j = 1,2,…, p ) di setiap unit di layer tersembunyi sebagai dasar perubahan bobot semua garis yang berasal dari unit tersembunyi di layar di bawahnya. Demikian seterusnya hingga semua faktor δ di unit tersembunyi yang berhubungan langsung dengan unit masukan dihitung.

Fase III: Perubahan Bobot

Setelah semua faktor δ dihitung, bobot semua garis dimodifikasi bersamaan. Perubahan bobot suatu garis didasarkan atas faktor δ neuron di layer atasnya. Sebagai contoh, perubahan bobot garis yang menuju ke layer keluaran didasarkan δk atas yang ada di unit keluaran.

Ketiga fase terebut diulang-ulang terus hingga kondisi penghentian dipenuhi. Umumnya kondisi penghentian yang sering dipakai adalah jumlah iterasi atau kesalahan. Iterasi akan dihentikan jika jumlah iterasi yang dilakukan sudah melebihi jumlah maksimum iterasi yang ditetapkan, atau jika kesalahan yang terjadi sudah lebih kecil dari batas toleransi yang diijinkan.

Demikian materi singkat mengenai feed-forward backpropagation

Terima Kasih

Wassalamu'alaikum.WR.WB


Training Parameters pada Training Function Part I : Lavenberg-Marquardt (Trainlm) (5 Juni 2020)

Bismillahirrohmanirrohim

Assalamu'alaikum.WR.WB

Pada artikel hari ini, saya akan mencoba menshare sedikit informasi mengenai keterangan-keterangan pada menu training parameters dari salah satu training function yang saya gunakan untuk mentraining data pada Matlab, yaitu Lavenverg-Marquardt (Trainlm).

Menu training parameters digunakan untuk memberikan nilai tingkat pembelajaran yang akan digunakan untuk menyelesaikan proses training neural network. Adapun keterangan-keterangan pada training parameters beserta nilai defaultnya yang diambil dari Matlab, yaitu:


Trainparam.PNG

a. showWindow

Berfungsi untuk menunjukkan pelatihan GUI (Graphical User Interface). Memiliki default true.

b. showCommandLine

Berfungsi untuk menghasilkan garis perintah pada output. Memiliki default false.

c. Show

Berfungsi untuk menampilkan epochs antar data. Memiliki default 25.

d. Epochs

Berfungsi untuk menunjukkan nilai maksimum pada epochs (iterasi) untuk dilatih. Memiliki default 1000.

e. Time

Berfungsi untuk menampilkan waktu maksimum pada pelatihan perdetik. Memiliki default inf (tak terhingga).

f. Goal

Berfungsi sebagai hasil terbaik. Memiliki default 0.

g. Min_grad (Minimum gradient)

Berfungsi untuk menunjukkan gradient hasil minimum. Memiliki default 1e-10.

h. Max_fail (maximum failure)

Berfungsi untuk memberikan kesalahan maksimum dari validasi. Memiliki default 5.

i. Mu

Berfungsi sebagai awal dari nilai pembelajaran. Memiliki default 0.001.

j. Mu_dec

Berfungsi sebagai factor pengurangan pada nilai pembelajaran. Memiliki default 0.1

k. Mu_inc

Berfungsi sebagai factor pertambahan pada nilai pembelajaran. Memiliki default 10.

l. Mu_max

Berfungsi sebagai nilai maksimum dari nilai pembelajaran. Memiliki default 1e10.

Demikian informasi singkat mengenai training parameter dari training function trainlm.

Terima Kasih

Wassalamu'alaikum.WR.WB


Tugas Pengganti UAS (10 Juni 2020)

Bismillahirrohmanirrohim

Assalamu'alaikum.WR.WB

Berikut saya lampirkan hasil laporan hasil perhitungan mengenai waktu yang dibutuhkan untuk mencapai kecepatan maksimum dari suatu jenis mobil.

  • 2jz1.PNG
  • 2jz2.PNG
  • 2jz3.PNG
  • 2jz4.PNG
  • 2jz5.PNG
  • 2jz6.PNG
  • 2jz7.PNG
  • 2jz8.PNG
  • 2jz9.PNG
  • 2jz10.PNG
  • 2jz11.PNG
  • 2jz12.PNG
  • 2jz13.PNG
  • 2jz14.PNG
  • 2jz15.PNG
  • 2jz16.PNG

Apabila gambar di atas kurang jelas. di bawah ini saya melampirkan link google drive yang berisi file word tugas UAS ini beserta excel perhitungan datanya.

https://drive.google.com/drive/folders/1_R2ZpHZsQ2PWFUhIy9el48D-OVpKpUkT?usp=sharing

Muhasabah

Muhasabah pada artikel ini akan membahas mengenai pencapaian saya di mata kuliah komputasi teknik selama satu semester. Untuk materi saya akui belum dapat memahami dengan maksimal metode-metode seperti runge-kutta, finite element, finite volume, dan lain-lain, dan sampai sekarang masih mempelajari materi-materi tersebut. Kemudian wiki page ini saya coba manfaatkan sebagai laporan hasil pembelajaran saya mengenai komputasi teknik. Wiki page ini sangat membantu saya dalam menyimpan berbagai materi dan secara tidak langsung, selama satu semester ini saya terdorong untuk mengisi artikel di sini (minimal ada satu artikel dalam seminggu). Selama satu semester ini, saya belajar banyak hal. Tidak hanya materi komputasi teknik, melainkan cara mengisi artikel wiki dan bermuhasabah. Saya rasa ini merupakan ilmu yang sangat bermanfaat. Oleh karena itu saya mengucapkan banyak terima kasih kepada Pak DAI dan teman-teman untuk ilmu yang diberikan selama ini. Untuk pencaapaian yang sudah saya lakukan, apabila saya berkenan untuk mendapat nilai akhir A, saya akan sangat mensyukuri hal tersebut.

Terima kasih

Wassalamu'alaikum. WR. WB


Training Parameters pada Training Function Part II : Gradient Descent (Traingd) (12 Juni 2020)

Bismillahirrohmanirrohim

Assalamu'alaikum.WR.WB

Artikel ini merupakan lanjutan dari part sebelumnya mengenai training parameters pada ANN Matlab. Pada artikel kali ini akan membahas mengenai training parameters pada training function Gradient Descent (traingd).

Sebagai review, menu training parameters digunakan untuk memberikan nilai tingkat pembelajaran yang akan digunakan untuk menyelesaikan proses training neural network. Adapun keterangan-keterangan pada training parameters beserta nilai defaultnya yang diambil dari Matlab, yaitu:


Trainparamgd.PNG

a. showWindow

Berfungsi untuk menunjukkan pelatihan GUI (Graphical User Interface). Memiliki default true.

b. showCommandLine

Berfungsi untuk menghasilkan garis perintah pada output. Memiliki default false.

c. Show

Berfungsi untuk menampilkan epochs antar data. Memiliki default 25.

d. Epochs

Berfungsi untuk menunjukkan nilai maksimum pada epochs (iterasi) untuk dilatih. Memiliki default 1000.

e. Time

Berfungsi untuk menampilkan waktu maksimum pada pelatihan perdetik. Memiliki default inf (tak terhingga).

f. Goal

Berfungsi sebagai hasil terbaik. Memiliki default 0.

g. Min_grad (Minimum gradient)

Berfungsi untuk menunjukkan gradient hasil minimum. Memiliki default 1e-05.

h. Max_fail (maximum failure)

Berfungsi untuk memberikan kesalahan maksimum dari validasi. Memiliki default 6.

i. lr (learning rate) Berfungsi untuk menentukan seberapa cepat ANN mempelajari pola dari data training. Memiliki default 0.001

Demikian informasi singkat mengenai training parameter dari training function traingd.

Terima Kasih

Wassalamu'alaikum.WR.WB


Metode Runge-Kutta Orde 4 (20 Juni 2020)

Bismillahirrohmanirrohim

Assalamu'alaikum.WR.WB

Pada artikel hari ini saya akan membahas sedikit materi mengenai metode Runge-Kutta orde 4. Metode Runge-Kutta adalah suatu metode persamaan diferensial langkah satu yang dikembangkan oleh dua orang ahli yaitu Runge Dan Kutta, seperti yang telah dijelaskan diatas, dalam menyelesaikan persamaan diferensial membutuhkan turunan yang lebih tinggi untuk mencapai derajat ketelitian tepat, akan tetapi dalam metode Runge-Kutta ini, dalam mencapai derajat yang lebih tinggi tidak membutuhkan turunan yang sangat kompleks, hal ini didasarkan atas pertimbangan bahwa bila turunan f(x) yang dikembangkan sampai mencapai derajat yang lebih tinggi akan mencapai suatu kerumitan dalam memecahkan permasalahan tersebut, sehingga pemecahan seperti algoritma Taylor tidak bisa diterima sebagai prosedur umum serbaguna. Dalam mencapai suatu derajat ketelitian yang tinggi, metode Runge-Kutta mengevaluasi fungsi f(x,y) pada titik terpilih dalam setiap subselang, sehingga tidak membutuhkan turunan dari fungsi. Ada beberapa tipe metode Runge-Kutta yang tergantung pada nilai n (orde) yang digunakan. Persamaan-persamaan yang digunakan pada metode Runge-Kutta orde 4 adalah sebagai berikut.

k1 = h.f(xn,yn)

k2 = h.(f(xn + 0.5h, yn + 0.5 k1 ))

k3 = h.(f(xn + 0.5h, yn + 0.5 k2 ))

k4 = h.(f(xn + h, yn + k3 ))

yn+1 = yn + 1/6 (k1 + 2k2 + 2k3 + k4)

Terima Kasih

Wassalamu'alaikum.WR.WB


Plot Performance, Training State, dan Regression pada ANN Matlab (8 Juli 2020)

Bismillahirrohmanirrohim

Assalamu'alaikum.WR.WB

Pada artikel kali ini saya akan membagikan sedikit informasi mengenai jenis-jenis plot/grafik yang dapat dilihat ketika kita selesai melakukan running dengan ANN matlab. Perhatikan gambar di bawah ini :

OsANN5.png

Ada tiga jenis plot ( Performance, Training State, dan Regression). Saya akan mencoba menjelaskannya dengan mengambil contoh hasil training ANN yang sudah dilakukan.

1. Plot Performance


Training performance.jpg

Plot performance merupakan hasil grafik optimum performance ANN yang merupakan hubungan antara MSE (Mean Square Error) dengan jumlah iterasi training atau epoch. Dari contoh grafik tersebut menunjukkan hasil validasi terbaik terjadi pada 0,00064459 pada epoch ke-3.


2. Plot Training State

Training state.jpg

Di dalam plot training state terbagi menjadi tiga grafik, yaitu gradient, mu (momentum update), dan val fail (validation checks). Dari contoh hasil optimum training state, gradient terjadi pada 0,00045202, kemudian mu pada 1 x 10-6, dan validation checks terjadi pada 6. Seluruh hasil tersebut terjadi pada epochs ke-9.

3. Plot Regression

Regressionsss.jpg

Grafik ini menampilkan regresi pada contoh data yang digunakan untuk training, validation, testing, dan gabungan dari seluruh data. Umumnya, training ANN akan berhenti apabila mencapai hasil regresi yang baik atau minimal R ≥ 0,5. Pada grafik ini terlihat bahwa seluruh hasil regresi mendekati 1. Hal tersebut menunjukkan bahwa error yang terjadi sangat kecil, dan menandakan bahwa ANN merupakan salah satu metode yang sangat baik dalam memprediksi suatu variabel.

Terima Kasih

Wassalamu'alaikum.WR.WB

Retrieved from "http://air.eng.ui.ac.id/index.php?title=Ronald_Akbar&oldid=36832"