Muhammad Yusuf Raihan
Contents
Data Diri dan Pengenalan Singkat
Nama : Muhammad Yusuf Raihan
NPM : 1606835185
Program Studi : S2 Teknik Mesin
Peminatan : Sistem Manufaktur dan Otomasi
Perkenalkan, nama saya Muhammad Yusuf Raihan, teman-teman biasa memanggil saya Raihan. Saya tinggal di Bumi, Tata Surya, Lengan Orion, Galaksi Bima Sakti, Local Group, Virgo Supercluster, Alam Semesta. Terlahir sebagai debu bintang di antah berantah alam yang raya membangkitkan rasa penasaran saya terhadap dunia tempat tinggal kita yang luas dan penuh rahasia. Rasa penasaran ini mendekatkan saya dengan sains. Sejak kecil, sains menjadi kapal andalan saya dalam mengarungi samudera ilmu. Dengan sains, sedikit demi sedikit kotak hitam alam ini telah terbongkar. Kapal kita sudah mengantar ke peti harta karun berisi asal usul dan sejarah umat manusia dan dunia. Tapi pertanyaan sekarang adalah, apa selanjutnya? ke mana lagi kapal kita akan berlayar?
Rupanya di dalam peti harta karun tersebut terdapat petunjuk mengenai tujuan kita selanjutnya. Umat manusia diizinkan untuk melangkahkan kaki masuk ke dunia lain, ke dunia ciptaannya sendiri. Manusia mulai membuka pintu masuk ke dalam dunia digital dan mulai tinggal bersamanya. Revolusi Industri 4.0 adalah peta baru dalam ekspedisi umat manusia.
Tentunya saya ingin memiliki peran dalam ekspedisi ini. Kecintaan saya terhadap sains mendorong saya untuk menjadi seorang peneliti dan dosen. Sebagai peneliti, saya ingin memiliki kesempatan untuk memegang setir kapal ekspedisi Revolusi Industri 4.0. Sekarang, saya sedang mengambil program Fast Track di jurusan Teknik Mesin, Peminatan Sistem Manufaktur dan Otomasi, Universitas Indonesia angkatan 2016. Dan harapannya saya dapat melanjutkan kuliah doktoral dalam bidang Intelligent Machine. Kali ini saya sedang mengerjakan proyek perancangan tangan prostetik, dibimbing oleh Pak Agung Shamsuddin Saragih, S.T., MS.Eng., Ph.D.
Pemahaman terkini tentang Komputasi Teknik
Perkenalan pertama saya dengan komputasi teknik adalah ketika mengambil mata kuliah Metode Numerik pada semester 5 dulu di Teknik Mesin Universitas Indonesia. Metode numerik adalah alternatif solusi untuk memecahkan permasalahan matematika, di samping solusi lainnya yang lebih umum yaitu metode analitik. Perbedaan utama dari kedua metode tersebut adalah jenis hasil yang didapatkan. Metode analitik menghasilkan solusi exact atau pasti benar sedangkan metode numerik menghasilkan approximation atau pendekatan. Metode numerik muncul sebagai alternatif karena keterbatasan kemampuan metode analitik dalam memecahkan beberapa masalah. Keterbatasan tersebut biasanya berupa model persamaan yang rumit sehingga sulit didapat persamaan solusinya dan memerlukan waktu yang cukup lama untuk menyelesaikan masalah tersebut. Dengan metode numerik, kita bisa cukup melakukan hasil aproksimasi dari model rumit tersebut, sehingga didapat hasil yang cukup akurat namun dengan waktu yang jauh lebih singkat. Metode numerik semakin memiliki keunggulan juga dikarenakan meningkatnya teknologi komputasi, sehingga pendekatan yang dihasilkan menjadi jauh lebih akurat dan didapatkan dalam waktu yang sangat cepat.
Kuliah Metode Numerik pada semester 5 lalu mengenalkan saya dengan metode metode seperti Euler dan Runge-Kutta untuk menyelesaikan ODE (Ordinary Differential Equation), Numerical Integration dengan metode Newton-cotes, Trapezoidal, dan Simpsons, serta membahas sedikit tentang regresi dan interpolasi. Metode metode tersebut biasa dikerjakan dengan menggunakan bantuan software MATLAB. Namun mata kuliah ini masih belum membahas mengenai aplikasi nyata dari penggunaan metode metode tersebut. Sehingga saya masih belum merasakan manfaat langsung dari perkuliahan tersebut.
Harapan saya pada mata kuliah Komputasi Teknik adalah mendapatkan penjelasan lebih lanjut mengenai aplikasi Metode Numerik pada kasus nyata dunia teknik. Metode Numerik mungkin hanya salah satu metode dari banyak metode lain yang bisa dipakai dalam menyelesaikan permasalahan teknik, sehingga saya berharap dapat mempelajari teori dan prinsip-prinsip lain yang menjadi dasar dalam melakukan komputasi teknik. Selain itu saya juga berharap bisa belajar menggunakan software selain MATLAB untuk melakukan komputasi teknik, contohnya EES.
Sinopsis Skripsi
Saat ini saya sedang mengerjakan proyek perancangan tangan prostetik murah berbasis 3D Printing. Saya mencoba merancang tangan prostetik yang murah karena saat ini di Indonesia ketersediaan tangan prostetik masih sangat minim. Tangan prostetik komersil yang ada di Indonesia hanya tangan buatan Ottobock, perusahaan prostetik dari Jerman. Harga produk buatan Ottobock masih sangat mahal, untuk tangan prostetik dengan fungsi terbatas dihargai sebesar kira-kira Rp150.000.000,- sedangkan tangan prostetik yang berfungsi penuh berharga kira-kira Rp.1.500.000.000,-. Selain itu ukuran dari tangan prostetik tersebut masih terbatas, hanya tersedia dalam ukuran kecil, sedang, dan besar. Pilihan ukuran yang terbatas tersebut akan mengurangi nilai estetika dari tangan prostetik tersebut. Munculnya teknologi 3D Printing menjadi solusi dari permasalahan tersebut. Dengan teknologi 3D Printing, kita dapat memfabrikasi barang tanpa batasan bentuk dan dengan harga yang relatif murah. Harapannya hasil dari proyek ini dapat menjadi solusi kurangnya persediaan tangan prostetik di Indonesia.
Dalam perancangan ini, saya banyak menggunakan software CAD yaitu Autodesk Inventor. Autodesk Inventor digunakan untuk membuat desain tiga dimensi dari tangan prostetik. Hasil desain tiga dimensi tersebut kemudian akan diproduksi menggunakan 3D Printing sehingga dibutuhkan juga penggunaan software slicer untuk menentukan pengaturan 3D Printing. Sampai saat ini, saya belum menerapkan konsep komputasi teknik dalam mengerjakan proyek ini. Namun sepertinya komputasi teknik akan bermanfaat dalam proses analisis kekuatan struktur, optimasi penggunaan daya pada aktuator, serta optimasi penggunaan material pada proses 3D Printing.
Istilah-istilah dalam komputasi teknik
Stokastik dan Deterministik
Stokastik dan Deterministik adalah dua jenis permodelan yang umum dijumpai pada proses komputasi teknik. Perbedaan utama antara keduanya adalah pada kepastian hasil. Model stokastik adalah model yang memasukkan elemen keacakan atau randomness sehingga hasil yang didapatkan cenderung berbeda-beda walaupun parameter dan initial condition-nya sama persis. Pada model stokastik, randomness biasa dihitung dalam bentuk probabilitas. Sedangkan pada model deterministik, kesamaan parameter dan initial condition pasti menghasilkan angka yang sama.
Dalam memodelkan suatu kasus, model stokastik adalah model yang umumnya lebih tepat. Hal ini dikarenakan pada setiap kasus banyak terdapat variabel yang tidak kita ketahui. Model stokastik biasa digunakan ketika tidak dibutuhkan model kuantitatif yang menyatakan hubungan antar variabel, model ini lebih cocok digunakan ketika kita ingin menjelaskan suatu fenomena berdasarkan probabilitas dari variabel-variabel yang memiliki pengaruh. Walau lebih akurat dalam memodelkan suatu fenomena, model ini kurang tepat jika kita menginginkan nilai pasti dari suatu model. Maka dari itu model deterministik hadir sebagai alternatif. Dalam model deterministik, kita mengasumsikan kita paham betul mengenai variabel-variabel serta pengaruhnya, sehingga kita dapat memastikan hasil kuantitatif dari model yang dibuat.
Contoh dari model deterministik adalah analisis kekuatan struktur dengan mengasumsikan properti mekanikal dari bahan yang digunakan dan juga mengasumsikan beban yang diberikan. Dengan asumsi, kita bisa mendapatkan hasil dengan angka yang pasti. Namun pada kenyataannya, properti mekanikal dari suatu bahan bisa saja tidak uniform untuk keseluruhan komponen, sehingga terdapat aspek randomness pada variabel properti mekanikal, begitu pula dengan variabel beban yang diterima, belum tentu kenyataannya beban yang diterima selalu sama dengan apa yang sebelumnya diasumsikan pada model deterministik, contohnya yaitu beban yang diterima oleh suatu jembatan, besar beban pasti memiliki aspek randomness bergantung pada apa saja yang melewati jembatan tersebut.
Karena memiliki fungsi dan keunggulan masing-masing, maka pemahaman terkait kedua model perlu untuk dimiliki. Saya berharap dalam kuliah Komputasi Teknik kita dapat belajar lebih dalam mengenai cara membuat permodelan stokastik dan deterministik.
Validasi dan Verifikasi
Validasi dan Verifikasi adalah dua istilah yang sekilas terdengar mirip, namun keduanya memiliki perbedaan yang cukup signifikan. Dalam permodelan matematika, validasi adalah proses perbandingan hasil dari model matematika dengan kenyataan, semakin mirip dengan kenyataan, semakin valid sebuah model matematika. Dalam kata lain, validitas adalah ukuran kualitas dari sebuah model matematika. Berbeda dengan verifikasi, verifikasi adalah proses pengecekan dalam pelaksanaan atau penghitungan suatu model matematika atau algortima. Sebuah perhitungan dianggap terverifikasi apabila perhitungan tersebut dilakukan dengan benar. Perhitungan numerik yang terverifikasi belum pasti valid, model matematik yang valid juga belum tentu terverifikasi, tergantung dari pelaksanaan model matematik tersebut. Validasi menilai apakah modelnya benar, sedangkan verifikasi menilai apakah penggunaan modelnya benar.
Dalam penggunaan aplikasi pembantu permodelan numerik, contohnya MATLAB, proses verifikasi sudah dilakukan oleh engineer yang membuat software tersebut, jika terdapat hitungan yang tidak terverifikasi maka kesalahan ada di software. Sedangkan validasi hanya bisa dilakukan oleh pengguna aplikasi, karena validasi terkait dengan model matematika yang pengguna buat, sehingga akurasi model pasti ditentukan oleh sang pembuat model.
Regresi
Regresi adalah metode analisis statistik untuk menilai pengaruh dari suatu variabel yang memiliki hubungan kausalitas dengan variabel lain.
Ekstrapolasi
Ekstrapolasi adalah proses estimasi menggunakan nilai regresi dari dua variabel ke luar jangkauan data yang ada
Interpolasi
Interpolasi adalah metode penambahan data baru ke dalam interval antara dua data diskrit menggunakan metode estimasi. Interpolasi dibutuhkan karena dalam suatu studi seringkali ditemukan data diskrit. Data diskrit dapat menjadi masalah ketika kita menginginkan data lain yang berada di luar data point dari data tersebut. Terdapat beberapa metode interpolasi di antaranya adalah interpolasi constant piecewise, interpolasi linear, interpolasi polinomial dan interpolasi spline. Berikut ini contoh pengunaan dari masing-masing metode interpolasi
Anggap kita memiliki data diskrit seperti berikut ini
Interpolasi Constant Piecewise Interpolasi constant piecewise bekerja dengan mengestimasi nilai interpolasi konstan terhadap data point terdekat. Kita memberikan nilai yang sama pada data baru sesuai dengan data terdekat dari data baru tersebut. Data terdekat bisa dihitung lewat selisih nilai pada sumbu x untuk data baru dan dua data di sampingnya. Data dengan selisih nilai x yang lebih kecil dijadikan nilai dari data baru tersebut. Constant piecewise bisa digambarkan lewat grafik berikut ini
Interpolasi Linear Interpolasi linear mengasumsikan kontinuum antara dua data yang berdekatan berupa garis lurus. Untuk itu diperlukan persamaan garis lurus antara dua titik. Persamaan garis lurus didapatkan dengan menggunakan rumus persamaan garis lurus pada dua data yang berdekatan tersebut. Persamaan garis yang dihasilkan kemudian dapat dijadikan rumus untuk mengestimasi nilai data point baru yang berada di antara dua data yang dijadikan garis. Interpolasi linear bisa digambarkan lewat grafik berikut ini
Interpolasi Polinomial Jika interpolasi linear mengasumsikan kontinuum berupa garis lurus, interpolasi ini mengasumsikan kontinuum berupa garis polinomial. Sehingga dibutuhkan persamaan polinomial dari data diskrit yang sudah dimiliki. Berbeda dengan interpolasi linear yang memiliki persamaan garis berbeda untuk tiap pasangan data yang berbeda, interpolasi polinomial hanya memiliki satu persamaan polinomial tapi harus mencakup semua data diskrit yang ada. Proses ini adalah proses perhitungan yang berat. Interpolasi polinomial bisa digambarkan lewat grafik berikut ini
Interpolasi Spline Interpolasi spline mirip dengan interpolasi polinomial namun persamaan polinomial yang digunakan berbeda untuk tiap pasangan data. Interpolasi spline mirip dengan interpolasi linear namun dengan persamaan polinomial orde rendah. Persamaan polinomial yang dibentuk satu pasangan data sebisa mungkin dapat menciptakan kurva yang mulus jika digabungkan dengan persamaan polinomial di sebelahnya. Sehingga akan terbentuk garis yang mirip dengan interpolasi polinomial namun sedikit berbeda. Interpolasi spline dapat digambarkan lewat grafik berikut ini
