Darell Joel Harlis

Profil

Nama: Darell Joel Harlis NPM: 1706036444

Materi

Pada Tanggal 3 September 2019 di kelas Lab puskom 207 kami diajar oleh Dr. Ir. Engkos Achmad Kosasih M.T. Kami diajar mengenai penggunaan metode numerik Taylor's Number. Taylor's Number ini dapat digunakan untuk menghitung sebuah fungsi yang belum di ketahui jawabanya. Kami diajari seperti cara membuat kalkulator dengan cara yang sederhana.

Dalam gambar tersebut dalam terlihat bahwa sebuah fungsi yang ingin kita cari contoh: kita ingin mencari sebuah sinus dari f(phi/7) maka yang kita dapat lakukan adalah menggunakan rumus umum yang paling atas dan mendapatkan sebuah pola yang adalah -x^2/2n(2n+1) Dari pola ini kita dapat memasukanya ke dalam sistem excel sehingga dapat mencari jawaban dari funsgi sin(phi/7)

Materi 2

Pada tanggal 10 September 2019 kami mempelajari mengenai pseudo code. Kami mempelajari tentang bagaimana mengsketsa menjadi code akhir. Contoh:

F(x)=sinx =x-1/6x^3+1/120x^5 i=r; error=1

suku=x

sin= suku

while error>1e-7

Ratio= -x^2/(2*1)/(2*i+1)

suku=suku *ratio

[error= abs(suku/sin)

sin=sin + suku

i=i+1

MATERI 3

---

Pada tanggal 17 September 2019 kami mempelajari cara untuk menurunkan numerik.

Turunan numerik bisa di nyatakan sebagai:

turunan = (f(x + x*e-6) - f(x))/(x*e-6)

Sebagai contoh sin 60:

turunan

sin60 = (sin(60+60*(10**(-10)) - sine(60))/(60*10**(-10))

29-10-2019 Pada Tanggal 29 October 2019 kami bertemu dengan dosen yang baru bernama Pak Dai, kami akan mempelajari bahasa baru yaitu bahasa pyton, kami belajar dari buku yang di berikan oleh Pak Dai. kami membuat dasar-dasar pemograman x=int(input("masukan angka pertama")) y=int(input("masukan angka kedua")) z=int(input("masukan angka ketiga")) print("nilai maksimum angka") print(max(x,y,z)) print("untuk keluar tekan enter")

Tugas 1 Pak Dai

dengan kodingan python seperti yang tertera di bawah import math import cmath m= float(input("massa mobil: ")) Cd= float(input("Koefisien Drag Udara: ")) Myu= float(input("koefisien gesek dinamis: ")) a= float(input("percepatan mobil: ")) g= float(9.18) #gravitational_acceleration N = float(m*g) #Normal_Force V0 = float(0) #inital_speed_value2 t0 = float(0) #initial time_value H = 1 #step_size Error = float(100) print ("data data runge kutta: ")

def Va(t0, V0):
  return ((m*a)-(Cd*V0**(2/3)-Myu*N)/m)
while(Error>0.0005):
  k1 = Va(t0, V0)
  k2 = Va(t0 + 0.5, V0 + k1*0.5)
  k3 = Va(t0 + 0.5, V0 + k2*0.5)
  k4 = Va(t0 + 1, V0 + k3)
  V1 = V0 + (1/6)*(k1 + 2*k2 + 3*k3 + k4)
  Error = ((V1 - V0) / V1)
  V0 = V1
  t1 = t0 + H
  t0 = t1
  print (V1)

print ("") print ("kecepatan max mobil merupakan: ", V1) print ("waktu ke top speed: ", t0)

Tanggal 5 Novermber 2019

pada hari ini kami maju dan mempresentasikan hasil kami dengan Skhanda, dan Anisa. Kami mempelajari bahwa saat kami akan membuat sebuah kodingan ada beberapa tahap yang harus di pernuhi yaitu, brainware yaitu pola berpikir kita lalu modeling demudian analisis menggunakan CFD dan lain-lain. Runge kutta Method Persamaan Diferensial Biasa (PDB) adalah persamaan yang melibatkan satu atau lebih turunan fungsi satu peubah. Metode Runge-Kutta adalah cara lain dari metode deret Taylor yang tidak membutuhkan perhitungan turunan. Metode ini memiliki derajat ketelitian yang lebih tinggi, dan menghindarkan keperluan mencari turunan yang lebih tinggi dengan mengevaluasi fungsi f(x, y).

Drag Mobil Menggunakan CFDSOF_NG

Hasil mencari nilai drag mobil kelompok. Kami telah melakukan analisis drag force pada mobil menggunakan CFDSOF_NG

kemudian kami mencari grafik dari data dragforce yang kami dapatkan

Berikut grafik data drag force kami

Optimasi Aerodinamika Automobile

Optimasi adalah mencari nilai paling minimalis. Dari sebuah sistem menggunakan golden Ratio dengan rumus d=(b-a) File:Goldenratio.jpg

Neural Network (Selasa, 3 Desember 2019)

Memprediksi suatu data.

Praktik Neural Network (Selasa, 10 Desember 2019)

Pada kesempatan kali ini kami akan membuat ANN atau Artificial Neural Networks Adalah sistem pembelajaran terawasi yang dibangun dari sejumlah besar elemen sederhana, yang disebut neuron atau perceptron. Setiap neuron dapat membuat keputusan sederhana, dan memberi makan keputusan itu ke neuron lain, yang diorganisasikan dalam lapisan yang saling berhubungan. Sistem ANN ini terbagi menjadi 3 yaitu input layer, hidden layer dan output layer. Hidden layer dapat memiliki banyak lapis lapisan tergantung kekomplexan dari sebuah sistem. Cara kerja ANN cukup sederhana dengan pertama mengisi input, terlebih dahulu dilakukan inisialisasi bobot, kemudian masuk ke dalam algoritma proses backpropagation yang terdiri dari komputasi maju yang bertujuan untuk menelusuri besarnya error dan komputasi balik untuk mengupdate dan menyesuaikan bobot. Hidden layer tegantung pada algoritma yang akan di buat tentunya di buat menggunakan metode numerik.untuk menyelesaikan sebuah masalah. Output adalah hasil akhir. yang bisa kita berikan fitur feed back untuk mencari nilai error dan iterasi ulang

menggunakan aplikasi Jupiter

Dengan Step-step sebagai berikut:\

Membuat data preprocessing

Membuat input layer

Membuat weight initiation

Membuat Membuat hidden Layer

Menentukan Optimizer, Loss, Performance metirc

Compile modelnya

masukan dan test model untuk melatih model

Menyesuaikan optimization parameter yang dibutuhkan.