Metode numerik sering diterapkan menggunakan pemrograman komputer karena sebagian besar metode ini melibatkan perhitungan berulang (iteratif) yang sulit dilakukan secara manual. Dengan pendekatan DAI5 (Deep of I), kita bisa lebih sistematis dalam menyusun penyelesaian masalah numerik.Dalam menyelesaikan masalah teknik mesin menggunakan metode numerik, langkah pertama yang perlu dilakukan adalah Deep Awareness of I (Kesadaran Mendalam tentang Masalah), yaitu mengidentifikasi masalah yang ingin diselesaikan, seperti mencari akar persamaan non-linear dengan metode Newton-Raphson atau menyelesaikan sistem persamaan linear dengan eliminasi Gauss. Setelah itu, Intention (Menentukan Tujuan dan Pendekatan) menjadi penting untuk memilih metode numerik yang sesuai dengan karakteristik masalah, menentukan bahasa pemrograman seperti Python, MATLAB, atau Excel/VBA, serta memastikan alat bantu yang digunakan mendukung implementasi. Selanjutnya, Initial-Thinking (Pemikiran Awal dan Eksplorasi) dilakukan melalui brainstorming untuk menemukan pendekatan terbaik, menganalisis alternatif metode, dan mengevaluasi efisiensi, misalnya membandingkan metode Newton-Raphson dengan Regula Falsi dalam hal kecepatan konvergensi. Tahap Idealization (Penyederhanaan dan Pemodelan) melibatkan penyederhanaan masalah agar dapat dipecahkan secara numerik, membuat model matematis, dan menentukan asumsi yang sesuai, seperti pada metode Newton-Raphson yang hanya memerlukan fungsi dan turunannya untuk iterasi. Terakhir, Instruction-Set (Implementasi dalam Pemrograman) dilakukan dengan menyusun langkah-langkah eksekusi dalam kode pemrograman dan menguji hasilnya untuk memastikan akurasi solusi yang diperoleh. Dengan mengikuti tahapan ini, penyelesaian masalah teknik mesin secara numerik dapat dilakukan secara sistematis dan efektif.
Contoh Implementasi Metode Newton-Raphson di Python dengan DAI5
1. Deep Awareness of I: Menyelesaikan persamaan f(x)=x3−5x+1=0f(x) = x^3 – 5x + 1 = 0.
2. Intention: Menggunakan metode Newton-Raphson dalam Python untuk mencari akar fungsi.
3. Initial-Thinking: Evaluasi metode ini dibandingkan dengan metode iterasi lainnya.
4. Idealization: Model matematis Newton-Raphson: xextbaru=x−f(x)f′(x)x_{ ext{baru}} = x – \frac{f(x)}{f'(x)}
5. Instruction-Set: Implementasi dalam Python:
import numpy as np
def f(x):
return x**3 - 5*x + 1 # Fungsi utama
def df(x):
return 3*x**2 - 5 # Turunan fungsi
def newton_raphson(x0, tol=1e-6, max_iter=100):
x = x0
for i in range(max_iter):
x_new = x - f(x) / df(x)
if abs(x_new - x) < tol:
return x_new
x = x_new
return None
akar = newton_raphson(1.0)
print("Akar persamaan:", akar)
Metode numerik sangat berguna dalam Teknik Mesin. Contohnya, metode Newton-Raphson dipakai untuk menghitung keseimbangan panas dan beban mekanis, eliminasi Gauss digunakan untuk menganalisis struktur balok dan mencari reaksi tumpuan, sementara interpolasi dan regresi membantu menganalisis data eksperimen dan memprediksi sifat material. Selain itu, metode Runge-Kutta dipakai untuk memodelkan gerak dan sistem dinamis. Dengan metode numerik, masalah-masalah rumit di bidang teknik mesin bisa diselesaikan dengan lebih mudah.
Disini saya juga memberi contoh lain ketika saya menerapkan metode numerik dalam menyelasaikan sebuah persoalan dengan aplikasi CFDSOF.
Maka dari itu , Pendekatan DAI5 membantu menyusun penyelesaian metode numerik secara lebih sistematis, dari identifikasi masalah hingga implementasi dalam pemrograman. Dengan memanfaatkan Python, MATLAB, dan Excel, mahasiswa Teknik Mesin dapat menyelesaikan perhitungan numerik dengan lebih efektif. Jika ingin latihan lebih lanjut, bisa coba implementasi metode lain seperti Runge-Kutta, interpolasi spline, atau metode integrasi numerik.
Link simulasi cfdsof pada heat conduction 2d
