Difference between revisions of "Irfan Rahadi Kurninato"

From ccitonlinewiki
Jump to: navigation, search
 
Line 390: Line 390:
 
8. evaluate the model
 
8. evaluate the model
 
9. Adjust optimization parameters or model if needed
 
9. Adjust optimization parameters or model if needed
 +
[[File:Neuralnetworkirfan.png]]
  
 
<comments voting="Plus" />
 
<comments voting="Plus" />

Latest revision as of 17:12, 17 December 2019

السلام عليكم Irfan Rahadi Kurnianto - 1706036255


Muka irfan foto.jpeg


4 September 2019


Mengapa kita harus belajar kalkulus?
kalkulus adalah mata kuliah dasar teknik. Mata kuliah kalkulus sangat berguna untuk membentuk logika agar mudah dalam belajar suatu hal lain


Tugas 1
Tugas irfan.png

11 September 2019


Bit Komputer
Program Catur
coding bukan pelajaran anak fasilkom/elektro
belajar python
praktek programing
dasar2 programing + pyhton
programnya irfan t2 dikelas
Irfant2.png

18 September 2019


Tugas irfan 18 sep 19

25 September 2019


Tugas irfan 25 sep 19
catatan irfan 25 sep 19

2 Oktober 2019


Metode numerik adalah teknik-teknik yang digunakan untuk merumuskan masalah-masalah matematika agar dapat diselesaikan dengan operasi-operasi aritmatika (hitungan) biasa (tambah, kurang, kali, dan bagi). Secara harfiah metode numerik berarti cara berhitung dengan menggunakan angka-angka.

9 Oktober 2019


Metode Runge-Kutta Persamaan Diferensial Biasa (PDB) adalah persamaan yang melibatkan satu atau lebih turunan fungsi satu peubah. Solusi dari PDB adalah fungsi tertentu yang memenuhi persamaan tersebut.

kuis 16 Oktober 2019


program runge kutta

https://pastebin.com/GxfenTa3
# dibuat oleh irfan rahadi 1706036255

def TurunanY(x, y): #Fungsi Turunan Y
return ((x**2 - 4*y))   
xawal = 0 #boundary condition x awal soal
yinit = 1 #boundary condition y awal soal
x = 0.03  #nilai x yang ditanya
h = 0.01  #delta yang digunakan
angka = (int)((x - xawal)/h) #menghitung jumlah increment yg diperlukan  
for i in range(1, angka + 1):
k1 = h * TurunanY(xawal, yinit) #rumus runge kutta
k2 = h * TurunanY(xawal + 0.5 * h, yinit + 0.5 * k1)
k3 = h * TurunanY(xawal + 0.5 * h, yinit + 0.5 * k2)
k4 = h * TurunanY(xawal + h, yinit + k3)
yinit = yinit + (1.0 / 6.0)*(k1 + 2 * k2 + 2 * k3 + k4) #menjumlahkan nilai k1,k2,k3,k4 ke y' yang baru dan membaginya  
xawal = xawal + h #menambahkan xawal besarkan delta h
print(yinit)
 PROGRAM GAUSS
from numpy import linalg 
import numpy as np
a= np.array ([[0,0,2,1,2] ,[0,1,0,2,-1], [1,2,0,-2,1], [0,0,0,-1,1], [0,1,-1,1,-1]])
b= np.array ([[1], [1], [-4], [-2], [-1]])
c= np.array ([[0,0,2,1,2,1] ,[0,1,0,2,-1,1], [1,2,0,-2,1,-4], [0,0,0,-1,1,-2], [0,1,-1,1,-1,-1]])
print ("Matrix a " , a)
print ("Matrix b ", b)
print ("Matrixnya adalah:" , c)
matsolve = linalg.solve (a,c)
x1 = int(matsolve[0])
x2 = int(matsolve[1])
x3 = int(matsolve[2])
x4 = int(matsolve[3])
x5 = int(matsolve[4])
hasil= (x1, x2, x3, x4, x5)
print ("Hasil nilai x1,x2,x3,x4,x5 :")
print (hasil)

UTS 23 oktober


Video Muhasabah

3 A
# Cara 1
m1 = eval(input("Massa Benda 1 ? ")) #menginput m1
m2 = eval(input("Massa Benda 2 ? "))#menginput m2
m3 = eval(input("Massa Benda 3 ? ")) #meninput m3
m4 = eval(input("Massa Benda 4 ? "))
g = eval(input("Gravitasi ? "))         #input g
sinusa = ((m1+m2+m3)/m4)#hitung sin theta
T1 = m1*sinusa*g #hitung T1
T2 = m2*sinusa*g + T1 #hitung T2
T3 = m3*sinusa*g + T2 #hitung T3
print("T1", T1)
print("T2",T2)
print("T3", T3)
print("Sin theta = ", sinusa,"")
Uts cara1 irfan.jpg

#Cara 2
m1 = eval(input("Massa Benda 1 ? "))
m2 = eval(input("Massa Benda 2 ? "))
m3 = eval(input("Massa Benda 3 ? "))
m4 = eval(input("Massa Benda 4 ? "))
g = eval(input("Gravitasi ? "))         
sinusa = ((m1+m2+m3)/m4)
Matrex=[[1,0,0,m1*sinusa*g],[1,1,0,(2*m1+m2)*sinusa*g],[2,1,1,((2*(2*m1+m2))+m3)*sinusa*g]]      #Matrix yg mau di gauss
def PrintMatrix(Matrix): #untuk print
    for i in range(len(Matrix)):
        for j in range(len(Matrix[i])):
            print(Matrix[i][j],end="\t")
        print()
def MultiplyRow(Row,Scalar): #untuk kali
    for i in range(len(Row)):
        Row[i]=Row[i]*Scalar
def AddRow(Matrix,RowNR1,RowNR2,multi=1): #untuk tambah
    for i in range(len(Matrix[RowNR2])):
        Matrix[RowNR2][i]+=Matrix[RowNR1][i]*multi
def SwitchRow(Matrix,RowNR1,RowNR2): #untuk tukar
    bufrow=Matrix[RowNR1]
    Matrix[RowNR1]=Matrix[RowNR2]
    Matrix[RowNR2]=bufrow
    return 0
def ZeroRowsBelow(Matrix,RowNR,CollumnNR): #untuk menghindari eror 0
    for i in range(len(Matrix)-RowNR-1):
        if not(Matrix[RowNR][CollumnNR]==0):
            AddRow(Matrix,RowNR,i+1+RowNR,-float(Matrix[i+1+RowNR][CollumnNR])/Matrix[RowNR][CollumnNR])
            #print(i)
def SolveMatrix(Matrix):     #untuk mensolve
    #Bring To Row-Echelon Form
    for i in range(len(Matrex)):
        ZeroRowsBelow(Matrex,i,i)
   #Make Row-Echelon 1
    for i in range(len(Matrex)):
       if not(Matrex[i][i]==0):
            MultiplyRow(Matrex[i],1./Matrex[i][i])
    #diulang lagi
    for i in range(len(Matrex)):
        for j in range(i):
            if not(Matrex[i][i]==0):
                AddRow(Matrex,i,j,-float(Matrex[j][i])/Matrex[i][i])
def IsRRowEchelon(Matrix): #cek selsai
    for i in range(len(Matrix)):
        pos=[1,0]
        if not(Matrix[i][i] in pos):
            return 0
    return 1
def CheckForEqualRows(Matrix):#cek nilai
    newlist=[]
    for i in Matrix:
        if i not in newlist:
            newlist.append(i)
    return newlist   
MatrixNew=[]
for j in range(len(Matrex)):
    RowNew=[]
    for i in range(len(Matrex[j])):
        RowNew.append(Matrex[j][i])
    MatrixNew.append(RowNew)
Matrex=MatrixNew
PrintMatrix(Matrex)
print()
while True:
    SolveMatrix(Matrex)
    Matrex=CheckForEqualRows(Matrex)
    if IsRRowEchelon(Matrex):
        break
PrintMatrix(Matrex)#print matrix
print("")
print("Solusinya")
print("T1 = ",Matrex[0][3])
print("T2 = ",Matrex[1][3])
print("T3 = ",Matrex[2][3])
print("Sin Theta = ",Matrex[0][3]/(m1*g))
Uts cara2 irfan.jpg
Gauss jordam irfan.png

3 B
cara 1
cd=eval(input("drag coefficient: ")) #input coef drag
Vawal=0 #kondisi diam
m=eval(input("mass (kg): ")) #massa
a=eval(input("acceleration (m/s^2): ")) #perc
Vakhir=eval(input("top speed (m/s): ")) #vtop
fdrag=(cd*Vakhir**(3/2))/m #gayagesek
Ftotal=a-fdrag
Atotal = Ftotal #dibagi m
t=(Vakhir-Vawal)/Atotal #hitung waktu
print("Waktu untuk mencapai Vakhir: ",t, "detik")
Cara 2
 def TurunanKec(perc, vakir): #Fungsi 
  return (percepatan - ((cd*vakir**(3/2))/m)) 
cd=eval(input("drag coefficient: ")) #input coef drag
Vawal=0 
#kondisi diam 
m=eval(input("mass (kg): ")) #massa 
percepatan=eval(input("acceleration (m/s^2): ")) 
#perc 
Vakhir=eval(input("top speed (m/s): ")) 
#vtop 
xawal = 0 #boundary condition x awal soal 
yinit = 0 #boundary condition y awal soal 
x = Vakhir  #nilai x yang ditanya 
h = 1  #delta yang digunakan 
angka = (int)((x - xawal)/h) #menghitung jumlah increment yg diperlukan 
for i in range(1, angka + 1): 
  k1 = h * TurunanKec(xawal, yinit) #rumus runge kutta 
  k2 = h * TurunanKec(xawal + 0.5 * h, yinit + 0.5 * k1) 
  k3 = h * TurunanKec(xawal + 0.5 * h, yinit + 0.5 * k2) 
  k4 = h * TurunanKec(xawal + h, yinit + k3) 
  yinit = yinit + (1 / 6.0)*(k1 + 2 * k2 + 2 * k3 + k4) #menjumlahkan nilai k1,k2,k3,k4 ke y' yang baru dan membaginya 
  xawal = xawal + h 
  #menambahkan xawal besarkan delta h 
print("waktu yang dibutuhkan", yinit,"sekon")
Uts cara3 irfan.png
Algoritma irfanuts.png
Metnumirfanuts.png

Tugas 30 Oktober


 def TurunanKec(perc, vakir): #Fungsi 
   return (9.8*sina-(1/2)*(1/m)*(cd)**(3/2)-miu*9.8) 
cd=eval(input("drag coefficient: ")) #input coef drag
miu = eval(input("koef gesek: "))
Vawal=0  #kondisi diam 
sina = 0.5
m=eval(input("mass (kg): ")) #massa 
percepatan=eval(input("acceleration (m/s^2): ")) 
 #perc 
Vakhir=eval(input("top speed (m/s): ")) 
#vtop 
xawal = 0 #boundary condition x awal soal 
yinit = 0 #boundary condition y awal soal 
x = Vakhir  #nilai x yang ditanya 
h = 1  #delta yang digunakan 
angka = (int)((x - xawal)/h) #menghitung jumlah increment yg diperlukan 
for i in range(1, angka + 1): 
  k1 = h * TurunanKec(xawal, yinit) #rumus runge kutta 
  k2 = h * TurunanKec(xawal + 0.5 * h, yinit + 0.5 * k1) 
  k3 = h * TurunanKec(xawal + 0.5 * h, yinit + 0.5 * k2) 
  k4 = h * TurunanKec(xawal + h, yinit + k3) 
  yinit = yinit + (1 / 6.0)*(k1 + 2 * k2 + 2 * k3 + k4) #menjumlahkan nilai k1,k2,k3,k4 ke y' yang baru dan membaginya 
  xawal = xawal + h 
  #menambahkan xawal besarkan delta h 
print("waktu yang dibutuhkan", yinit,"sekon")
Irfansoalmetnum.png
Irfant5.png


Computational Fluid Dyinamics


Tugas CFD Drag Force

Setelah kami melakukan percobaan dengan 10 variabel kecepatan berbeda menggunakan aplikasi CFDSOF-NG, didapat data sebagai berikut yang nantinya akan di-plotting dan dilakukan curve fitting :

Data.png


Data1.png


Hasil curve fitting yang kami lakukan di excel seperti pada grafik berikut


Data22.png


Berdasarkan pengolahan tersebut, dapat disimpulkan bahwa hubungan drag force dengan kecepatan pada permasalahan ini sesuai dengan persamaan berikut:

y = 1.0196x2 + 1.7495x + 3.9384


y = Drag Force

x = Velocity


R² = 0.9996

Menunjukan keakuratan dari regresi yang telah dilakukan. Semakin besar nilainya (mendekati 1) maka semakin akurat


Tugas Analisis Flow pada Airfoil

Angle of Attack = -15 derajat

L-15d.png

L-15.png


Angle of Attack = 0 derajat


0drag.png

0lift.png


Angle of Attack = 15 derajat


Dragggg15.png

Lift5515.png


Angle of Attack = 30 derajat


30drag.png

30lift.png

Angle of Attack = 45 derajat

45draag.png

45liift.png


Angle of Attack = 60 derajat


60drag.png

60lift.png

Angle of Attack = 75 derajat


75draag.png

75lift.png

Angle of Attack = 90 derajat

90drag.png

90lift.png


Grafik Optimalisasi menggunakan Excel


Opt1.png


Opt2.png


Opt3.png


Hasil Optimalisasi menggunakan Python

Optimalisasipyth1.jpg

Optimalisasipyth2.jpg


Artificial Neural Network


ANN adalah adalah model komputasi yang terdiri dari beberapa elemen pemrosesan yang menerima input dan memberikan output berdasarkan fungsi aktivasi yang telah ditentukan. Step-Step Pembuatan ANN 1. Data Preprocessing 2. Add input layers 3. Random w init 4. Add hidden layers 5. Select optimizer, loss, and performance matrixs 6. compile the model 7. use model .fit to train the model 8. evaluate the model 9. Adjust optimization parameters or model if needed Neuralnetworkirfan.png


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