ccitonline.com

Curve fitting dan integrasi numerik adalah dua teknik fundamental dalam analisis data dan matematika terapan. Curve fitting bertujuan menemukan fungsi matematika yang paling sesuai dengan serangkaian data, sementara integrasi numerik digunakan untuk menghitung integral fungsi yang sulit dipecahkan secara analitis. Keduanya memerlukan pendekatan sistematis untuk memastikan akurasi, efisiensi, dan relevansi solusi. Framework DAI5 (Deep Awareness of I, Intention, Initial Thinking, Idealization, Instruction-Set) dengan 33 Kriteria Evaluasi memberikan struktur holistik untuk menerapkan kedua teknik ini dengan memadukan kesadaran diri, niat yang jelas, analisis mendalam, idealisasi masalah, dan eksekusi terstruktur. Berikut penjabaran 33 kriteria DAI5 beserta implementasinya dalam konteks curve fitting dan integrasi numerik. Disini saya memakai kasus curve fitting untuk kondisi perpindahan panas secara konduksi pada bidang 1 dimensi.

I. Deep Awareness of I (Kesadaran Mendalam tentang Diri)

1. Consciousness of Purpose
   Memahami bahwa proses curve fitting pada konduksi panas 1D adalah upaya untuk merepresentasikan hukum alam ciptaan Tuhan melalui Hukum Fourier. Contoh: Pola distribusi suhu pada batang logam yang dihasilkan CFDSOF mencerminkan keteraturan termodinamika yang telah ditetapkan-Nya.
2. Self-awareness
   Menyadari bias dalam pemilihan model, seperti memilih polinomial derajat-2 karena kemudahan, padahal data mungkin memerlukan pendekatan eksponensial atau logaritmik untuk menggambarkan gradien suhu secara akurat.
3. Ethical Considerations
   Menjaga integritas data dengan tidak menghapus outlier tanpa analisis. Misal: Titik data suhu yang menyimpang pada posisi tertentu bisa mengindikasikan cacat material atau kesalahan simulasi, bukan noise acak.
4. Integration of CCIT (Cara Cerdas Ingat Tuhan)
   Mengaitkan analisis dengan tanggung jawab sebagai khalifah. Contoh: Hasil curve fitting digunakan untuk mengoptimasi desain insulasi termal yang ramah lingkungan.
5. Critical Reflection
   Mengevaluasi dampak hasil curve fitting pada aplikasi dunia nyata. Misal: Kesalahan dalam memodelkan distribusi suhu bisa menyebabkan kegagalan desain sistem pendingin reaktor nuklir.
6. Continuum of Awareness
   Memantau residual selama proses curve fitting. Contoh: Pada tabel residual, titik x=0.5 memiliki residual +17.8, menunjukkan ketidakakuratan model kuadratik di area tersebut.

---

II. Intention (Niat)

7. Clarity of Intent
   Menetapkan tujuan eksplisit, seperti “menemukan model polinomial derajat-2 dengan RMSE < 10” untuk memprediksi distribusi suhu pada batang logam.
8. Alignment of Objectives
   Menyelaraskan tujuan teknis dengan nilai kemanusiaan. Contoh: Mengoptimasi model untuk mengurangi konsumsi energi pada sistem pemanas industri.
9. Relevance of Intent
   Memastikan niat relevan dengan kebutuhan termal. Contoh: Curve fitting data simulasi CFDSOF untuk memprediksi titik overheating pada komponen mesin.
10. Sustainability Focus
    Memilih metode komputasi yang hemat sumber daya. Contoh: Menggunakan regresi kuadratik sederhana alih-alih deep learning untuk kasus 1D yang linear.
11. Focus on Quality
    Memvalidasi model dengan uji statistik. Contoh: Menghitung R² dari persamaan y=−466×2+397.6x+372.9y=−466x2+397.6x+372.9 untuk memastikan kecocokan dengan data CFDSOF.

---

III. Initial Thinking (about the problem)

12. Problem Understanding
    Mendefinisikan masalah sebagai “pemodelan distribusi suhu steady-state pada batang logam dengan persamaan Fourier 1D”.
13. Stakeholder Awareness
    Mempertimbangkan dampak kesalahan model pada insinyur termal dan lingkungan. Contoh: Overestimasi suhu bisa menyebabkan pemilihan material yang boros energi.
14. Contextual Analysis
    Menghubungkan hasil curve fitting dengan teori konduksi panas. Contoh: Koefisien polinomial merepresentasikan konduktivitas termal efektif (kk) dan sumber panas internal (qq).
15. Root Cause Analysis
    Mengidentifikasi residual tinggi pada x=0.5 (17.8) sebagai akibat dari asumsi model kuadratik yang tidak menangkap efek non-linear ekstrem di tengah batang.
16. Relevance of Analysis
    Memilih metode kuadratik karena kemiripan dengan solusi analitis persamaan Laplace 1D (d2Tdx2=0dx2d2T​=0).
17. Use of Data and Evidence
    Memvalidasi data simulasi CFDSOF dengan eksperimen fisik sebelum curve fitting.

---

IV. Idealization (Idealisasi)

18. Assumption Clarity
    Menyatakan asumsi: “Tidak ada sumber panas internal (q=0q=0) dan konduktivitas termal (kk) konstan.”
19. Creativity and Innovation
    Mengusulkan model hybrid: Polinomial derajat-2 untuk area linier dan eksponensial untuk area non-linear dekat sumber panas.
20. Physical Realism
    Memastikan model mematuhi Hukum Fourier. Contoh: Turunan kedua suhu (d2Tdx2dx2d2T​) harus konsisten dengan persamaan d2Tdx2=0dx2d2T​=0.
21. Alignment with Intent
    Menghindari overfitting dengan tidak menggunakan polinomial derajat tinggi untuk data yang linear.
22. Scalability and Adaptability
    Merancang model agar bisa dikembangkan ke kasus 2D/3D dengan menambahkan variabel spasial.
23. Simplicity and Elegance
    Memilih model kuadratik (y=ax2+bx+cy=ax2+bx+c) karena kesederhanaan dan kecocokan dengan data CFDSOF.

---

V. Instruction-Set (Instruksi Pelaksanaan)

24. Clarity of Steps
    Alur kerja: (1) Ekstrak data suhu dari CFDSOF, (2) Pilih model polinomial, (3) Hitung koefisien dengan least squares, (4) Validasi dengan residual.
25. Comprehensiveness
    Memvalidasi hasil dengan membandingkan prediksi model dan data aktual pada x=0.75 (residual -9.4) dan x=1.0 (residual +10.571).
26. Physical Interpretation
    Mengaitkan koefisien a=−466a=−466 dengan gradien termal (d2Tdx2dx2d2T​) yang negatif, menunjukkan penurunan suhu non-linear sepanjang batang.
27. Error Minimization
    Mengurangi error dengan memperbanyak titik sampel di area residual tinggi (x=0.5) menggunakan CFDSOF.
28. Verification and Validation
    Membandingkan hasil model dengan solusi analitis persamaan Laplace 1D (T(x)=Ax+BT(x)=Ax+B) untuk memverifikasi konsistensi.
29. Iterative Approach
    Mengoptimasi koefisien iteratif hingga residual maksimum < 10. Contoh: Menyesuaikan aa, bb, dan cc untuk mengurangi residual di x=0.5.
30. Sustainability Integration
    Memilih algoritma least squares yang hemat komputasi untuk mengurangi emisi karbon dari server.
31. Communication Effectiveness
    Visualisasi interaktif menggunakan Chart.js (seperti pada HTML) untuk menampilkan kurva hasil fitting dan residual.
32. Alignment with DAIS Framework
    Menyertakan catatan refleksi dalam laporan: “Model kuadratik memiliki keterbatasan dalam merepresentasikan efek boundary condition yang kompleks.”
33. Documentation Quality
    Mendokumentasikan semua langkah di repositori GitHub, termasuk kode CFDSOF, dataset mentah, dan script Python untuk perhitungan residual.

Kesimpulan

Framework DAI5 dengan 33 kriteria tidak hanya memperkaya aspek teknis curve fitting dan integrasi numerik, tetapi juga membangun jembatan antara ilmu pengetahuan, etika, dan spiritualitas. Setiap kriteria dirancang untuk memandu peneliti dalam menghasilkan solusi yang akurat, relevan, dan bertanggung jawab—baik secara komputasi, sosial, maupun lingkungan. Dengan pendekatan ini, metode numerik menjadi alat untuk memahami kompleksitas alam sekaligus merefleksikan kebesaran Sang Pencipta melalui keteraturan matematika yang tertanam di dalamnya.

Berikut adalah HTML untuk curve fitting diatas:

<!DOCTYPE html>

<html>

<head>

    <title>Quadratic Least Squares Fit</title>

    <script src=”https://cdn.jsdelivr.net/npm/chart.js”></script>

    <style>

        body {

            font-family: Arial, sans-serif;

            max-width: 800px;

            margin: 20px auto;

            padding: 20px;

        }

        .chart-container {

            position: relative;

            height: 600px;

            width: 100%;

        }

        .coefficients {

            background: #f5f5f5;

            padding: 15px;

            margin: 20px 0;

            border-radius: 5px;

        }

    </style>

</head>

<body>

    <h1>Quadratic Polynomial Fit Visualization</h1>

    <div class=”coefficients”>

        <h3>Fitted Equation:</h3>

        <p>y = -466.0x² + 397.6x + 372.9</p>

    </div>

    <div class=”chart-container”>

        <canvas id=”fitChart”></canvas>

    </div>

    <script>

        // Raw data

        const xData = [0.0, 0.125, 0.25, 0.375, 0.5, 0.625, 0.75, 0.875, 1.0];

        const yData = [380.099, 401.398, 429.799, 458.5, 473.0, 448.36, 399.575, 351.286, 315.071];

        // Quadratic coefficients

        const a = -466.0, b = 397.6, c = 372.9;

        // Generate fitted curve points

        const xCurve = Array.from({length: 100}, (_, i) => i/100);

        const yCurve = xCurve.map(x => a*x*x + b*x + c);

        // Calculate residuals

        const residuals = yData.map((y, i) => ({

            x: xData[i],

            y: y,

            residual: y – (a*xData[i]*xData[i] + b*xData[i] + c)

        }));

        // Create chart

        const ctx = document.getElementById(‘fitChart’).getContext(‘2d’);

        new Chart(ctx, {

            type: ‘scatter’,

            data: {

                datasets: [{

                    label: ‘Original Data’,

                    data: xData.map((x, i) => ({x: x, y: yData[i]})),

                    backgroundColor: ‘blue’,

                    pointRadius: 5

                }, {

                    label: ‘Quadratic Fit’,

                    data: xCurve.map((x, i) => ({x: x, y: yCurve[i]})),

                    borderColor: ‘red’,

                    borderWidth: 2,

                    fill: false,

                    showLine: true,

                    pointRadius: 0

                }, …residuals.map(r => ({

                    label: ‘Residual’,

                    data: [{x: r.x, y: r.y}, {x: r.x, y: r.y – r.residual}],

                    borderColor: ‘rgba(100, 100, 100, 0.5)’,

                    borderDash: [5, 5],

                    pointRadius: 0,

                    showLine: true

                }))]

            },

            options: {

                responsive: true,

                maintainAspectRatio: false,

                scales: {

                    x: {

                        title: {display: true, text: ‘x’},

                        min: -0.1,

                        max: 1.1

                    },

                    y: {

                        title: {display: true, text: ‘y’},

                        min: 300,

                        max: 500

                    }

                },

                plugins: {

                    tooltip: {

                        callbacks: {

                            label: ctx => {

                                if (ctx.datasetIndex === 0) {

                                    return `Data: (${ctx.parsed.x.toFixed(3)}, ${ctx.parsed.y.toFixed(3)})`;

                                }

                                return ”;

                            }

                        }

                    },

                    legend: {

                        onClick: (e, legendItem, legend) => {

                            // Disable default legend click behavior

                        }

                    }

                }

            }

        });

    </script>

</body>

</html>