ccitonline.com

بِسْمِ اللَّهِ الرَّحْمَنِ الرَّحِيْمِ

ٱلسَّلَامُ عَلَيْكُمْ وَرَحْمَةُ ٱللَّٰهِ وَبَرَكَاتُهُ

Assalamualaikum Warahmatullahi Wabarakatuh. Sebelumnya perkenalkan nama saya Muhammad Jordan Al Rabi dengan NPM 2306265543 dari kelas Metode Numerik-01. Pada tulisan kali ini saya akan membahas topik mengenai integrasi metode numerik dalam memahami curve fitting dengan penerapan 33 kriteria evaluasi DAI5. DAI5 merupakan sebuah framework yang menggabungkan pemahaman ilmu pengetahuan dengan kesadaran spiritual. Pendekatan ini memungkinkan kita untuk tetap berada dalam kondisi kesadaran penuh, di mana setiap fenomena ilmiah di sekitar kita dimaknai sebagai bagian dari anugerah Allah SWT. Evaluasi dalam framework ini terdiri dari lima tahap utama: Deep Awareness of I, Initial Thinking, Idealization, dan Instruction Set.

(1) Deep Awarness Of I

Tahap ini menitikberatkan pada kesadaran penuh akan hubungan antara manusia dan Allah SWT sebagai dasar dalam menyelesaikan permasalahan di bidang teknik.

1. Consciousness of Purpose. Dalam konteks integrasi numerik, permasalahan yang dikaji adalah distribusi panas pada plat baja. Fenomena ini merupakan bagian dari ketetapan dan hukum yang telah ditetapkan oleh Allah SWT.
2. Self-Awareness. Menyadari bahwa pendekatan analitis memiliki potensi kesalahan perhitungan dan miskonsepsi, sehingga metode numerik diperlukan untuk meningkatkan akurasi dalam penyelesaian masalah.
3. Ethical Consideration. Nilai-nilai moral dan etika harus diterapkan dalam proses penyelesaian masalah. Tujuan utama memahami distribusi temperatur pada plat adalah untuk memberikan manfaat bagi manusia, tanpa adanya niat yang merugikan.
4. Integration of CCIT. Menjaga kesadaran akan keberadaan Allah SWT dalam setiap langkah penyelesaian permasalahan teknik.
5. Critical Reflection. Menghubungkan solusi numerik dalam distribusi temperatur dengan dampak spiritual dan sosial. Dari segi spiritual, memahami fenomena ini dapat memperkuat keimanan terhadap Allah SWT sebagai pencipta hukum alam. Sementara itu, dari perspektif sosial, pemahaman tentang distribusi panas pada plat dapat membantu memahami interaksi sistem termal dengan lingkungannya.
6. Continuum of Awareness. Menjaga kesadaran dari awal hingga akhir proses, mulai dari penyusunan simulasi, pelaksanaan simulasi, pengolahan data hasil simulasi menggunakan curve fitting plot, hingga interpretasi hasil yang ditampilkan dalam grafik.
   

(2) Intention

7. Clarity of Intent
Tujuan utama dalam mempelajari analisis curve-fitting dan integrasi numerik adalah untuk memahami mekanisme perpindahan panas pada plat stainless steel yang disimulasikan menggunakan perangkat lunak CFDSOF.

8. Alignment of Objectives
Penyelesaian permasalahan terkait curve-fitting dalam perpindahan panas pada plat stainless steel bertujuan untuk memahami prinsip dasar dari ilmu yang dipelajari, khususnya mengenai fungsi dan persamaan yang mendasarinya. Dengan memahami konsep ini secara mendalam, kita tidak hanya memperoleh wawasan teknis tetapi juga dapat merefleksikan keteraturan dalam ilmu tersebut sebagai bagian dari ciptaan Sang Pencipta.

9. Relevance of Intent
Pembelajaran ini sangat relevan dalam bidang teknik mesin dan perpindahan panas, sekaligus memperkuat pemahaman fundamental terhadap konsep yang sedang dipelajari, sehingga memberikan landasan yang lebih kokoh dalam penerapan keilmuan di masa depan.

10. Sustainability Focus
Jika dilihat dalam skala yang lebih luas, pemahaman tentang curve-fitting dalam perpindahan panas pada plat stainless steel memiliki dampak jangka panjang bagi lingkungan, masyarakat, dan ekonomi. Konsep ini dapat diterapkan dalam berbagai bidang, termasuk analisis perpindahan panas di berbagai benda di sekitar kita, seperti dalam studi mengenai pemanasan global dan perubahan suhu bumi.

11. Focus on Quality
Analisis data dilakukan menggunakan metode curve-fitting dan perhitungan energi yang dikeluarkan oleh berbagai bagian plat. Meskipun metode yang digunakan sudah sesuai, hasil yang diperoleh belum optimal. Oleh karena itu, diperlukan analisis lebih lanjut terhadap tingkat kesalahan serta proses validasi untuk meningkatkan keakuratan hasil simulasi.

(3) Initial-Thinking

12. Problem Understanding
Permasalahan utama yang dianalisis adalah bagaimana distribusi suhu pada plat stainless steel 304 berukuran 1 x 1 meter. Dalam kasus ini, terdapat sumber panas dengan suhu 303 K yang diberikan pada salah satu ujung plat.

13. Stakeholder Awareness
Dalam studi ini, penting untuk mengidentifikasi properti termal dari material plat. Plat yang digunakan memiliki konduktivitas termal sebesar 16,2 W/mK, yang menunjukkan kemungkinan besar bahwa material tersebut adalah Stainless Steel 304 (SS 304). Material ini dikenal memiliki konduktivitas panas yang cukup baik serta ketahanan tinggi terhadap thermal shock. Dengan suhu sebesar 303 K yang diberikan, SS 304 tetap mampu mempertahankan sifat homogenitasnya, sehingga kecil kemungkinan terjadi perubahan signifikan pada propertinya akibat paparan panas tersebut.

14. Contextual Analysis
Masalah ini berkaitan erat dengan perpindahan panas, yang secara luas merupakan bagian dari disiplin termodinamika, khususnya dalam studi mengenai mekanisme perpindahan panas.

15. Root Cause Analysis
Dalam kajian perpindahan panas, energi yang berperan dalam proses ini disebut kalor. Kalor bertanggung jawab dalam membawa dan mendistribusikan energi panas ke seluruh bagian plat. Pergerakan kalor ini mengikuti prinsip yang dijelaskan dalam Hukum Fourier tentang Perpindahan Panas.

16. Relevance of Analysis
Secara numerik, kasus ini dianalisis menggunakan perangkat lunak CFDSOF yang menghasilkan data mengenai distribusi suhu pada plat. Agar analisis lebih informatif dan aplikatif, diperlukan visualisasi yang jelas. Salah satu metode yang dapat digunakan untuk menyajikan hasil secara efektif adalah dengan menerapkan curve fitting plot.

17. Use of Data and Analysis. Data yang digunakan telah terverifikasi keabsahannya, sesuai dengan hasil analisis yang diperoleh dari aplikasi CFDSOF. Data tersebut kemudian disimpan dalam format .csv untuk memungkinkan analisis lebih lanjut.

(4) Idealization

18. Assumption Clarity
Dalam permasalahan ini, diasumsikan bahwa perpindahan panas terjadi pada pelat stainless steel berukuran 1×1 meter dengan konduktivitas termal sebesar 16.2 W/mK. Pelat tersebut diberikan suhu sebesar 373 Kelvin pada bagian bawah dan 353 Kelvin pada bagian atas.

19. Creativity and Innovation
Pendekatan curve-fitting dalam analisis ini menggunakan metode moving-average, berbeda dari metode polinomial yang umumnya diterapkan. Hasil curve-fitting yang diperoleh mendekati fungsi J6.

20. Physical Realism
Solusi yang diusulkan telah sesuai dengan prinsip fisika dan rekayasa model dari CFDSOF. Keabsahan hasil dipastikan karena data yang digunakan berasal langsung dari simulasi CFDSOF. Analisis perpindahan panas yang dilakukan telah menghasilkan visualisasi yang akurat sesuai dengan ekspektasi teoritis.

21. Alignment with Intent
Proses yang telah dilakukan tetap sejalan dengan tujuan awal, yaitu memahami perpindahan panas pada pelat stainless steel yang dianalisis menggunakan aplikasi CFDSOF.

22. Scalability and Adaptability
Solusi yang dikembangkan dapat diterapkan dalam berbagai skenario, sesuai dengan kebutuhan simulasi dan variasi perpindahan panas dalam berbagai vektor yang berbeda.

23. Simplicity and Elegance
Solusi yang dihasilkan sudah cukup efisien dan sederhana, meskipun masih terdapat sedikit ketidakefektifan. Hasil curve-fitting yang diperoleh belum sepenuhnya sesuai dengan ekspektasi, karena secara teoritis energi yang dikeluarkan seharusnya bernilai nol. Namun, hasil percobaan sebelumnya menunjukkan adanya error kecil, dengan nilai energi yang dikeluarkan sebesar -2.2311774 W/m.

(5) Instruction-Set

24. Clarity of Steps
Tahapan penyelesaian masalah telah dijelaskan secara sistematis, mencakup seluruh prosedur yang digunakan dalam pemodelan pelat stainless steel hingga pengambilan data untuk analisis curve-fitting.

25. Comprehensiveness
Solusi yang diberikan telah mencakup semua aspek penting dalam analisis visualisasi simulasi, mulai dari pemodelan hingga hasil kurva serta analisis daya yang dihasilkan oleh pelat stainless steel.

26. Physical Interpretation
Analisis ini berfokus pada pemahaman fenomena perpindahan panas yang terjadi pada pelat stainless steel berukuran 1×1 meter, sebagaimana telah dijelaskan sebelumnya.

27. Error Minimization
Proses yang dilakukan telah dirancang untuk mengurangi kemungkinan kesalahan seminimal mungkin.

28. Verification and Validation
Proses verifikasi dan validasi solusi telah dilakukan dengan memanfaatkan kecerdasan buatan, yaitu ChatGPT dan DeepSeek.

29. Iterative Approach
Solusi dikembangkan melalui proses iteratif sebanyak 1000 kali, dengan hasil yang tetap konsisten dalam setiap pengujian.

30. Sustainability Integration
Analisis curve-fitting dalam perpindahan panas pelat aluminium memiliki potensi untuk diterapkan dalam berbagai aspek kehidupan nyata, termasuk dalam aspek lingkungan, sosial, dan ekonomi.

31. Communication Effectiveness
Instruksi telah disusun secara jelas dan sistematis agar mudah dipahami serta dapat diterapkan dengan baik oleh pembaca.

32. Alignment with the DAI5 Framework
Seluruh langkah yang diambil telah mengikuti prinsip dalam kerangka DAI5, yaitu Deep Awareness of I, Intention, Initial Thinking, Idealization, dan Instruction Set. Proses penyelesaian masalah diawali dengan brainstorming sebelum mencari solusi.

32. Documentation Quality
Seluruh data yang digunakan dalam analisis telah disusun secara sistematis sehingga pembaca dapat mereplikasi langkah-langkah yang telah dilakukan dan memperoleh hasil yang sama.

Demikian pemahaman saya mengenai analisis grafik curve-fitting dan integrasi numerik dengan pendekatan 33 kriteria evaluasi dalam kerangka DAI5. Saya memohon maaf sebesar-besarnya jika terdapat kekurangan atau kesalahan dalam penyampaian. Terima kasih atas perhatiannya.

Wassalamualaikum warahmatullahi wabarakatuh.

Kode Python untuk grafik Curve Fitting:
import numpy as np

import matplotlib

import matplotlib.pyplot as plt

from matplotlib import cm

# Temperature data (10×10 grid)

temp_data = np.array([

    [303, 338, 351, 357, 361, 360, 357, 351, 338, 303],  # y = 0.0

    [303, 324, 337, 345, 349, 349, 345, 337, 324, 303],  # y = 0.111

    [303, 317, 329, 336, 340, 341, 340, 336, 329, 317],  # y = 0.222

    [303, 314, 324, 331, 335, 336, 335, 331, 324, 314],  # y = 0.333

    [303, 313, 321, 328, 332, 333, 332, 328, 321, 313],  # y = 0.444

    [303, 314, 324, 330, 334, 335, 334, 330, 324, 314],  # y = 0.556

    [303, 317, 329, 335, 338, 339, 338, 335, 329, 317],  # y = 0.667

    [303, 328, 338, 343, 345, 345, 343, 338, 328, 303],  # y = 0.778

    [328, 353, 353, 353, 353, 353, 353, 353, 328, 328],  # y = 0.889

    [328, 353, 353, 353, 353, 353, 353, 353, 328, 328]   # y = 1.0

])

# X-axis positions

x = np.array([0.0, 0.111, 0.222, 0.333, 0.444, 0.556, 0.667, 0.778, 0.889, 1.0])

y_positions = np.linspace(0, 1, 10)

# Smooth x for fitting curves

x_smooth = np.linspace(0, 1, 100)

# Create a single plot

plt.figure(figsize=(12, 8))

# Color map for distinguishing y-positions

colors = cm.viridis(np.linspace(0, 1, 10))

# Fit and plot for each y-position

for i, (row, y_pos) in enumerate(zip(temp_data, y_positions)):

    # Fit 4th-degree polynomial

    poly_coeffs = np.polyfit(x, row, 4)

    poly_func = np.poly1d(poly_coeffs)

    T_fit = poly_func(x_smooth)

    # Plot data points and fit

    plt.scatter(x, row, color=colors[i], label=f’y = {y_pos:.3f} m (Data)’, zorder=5, alpha=0.6)

    plt.plot(x_smooth, T_fit, color=colors[i], label=f’y = {y_pos:.3f} m (Fit)’, linewidth=2)

plt.grid(True)

plt.xlabel(‘X (m)’)

plt.ylabel(‘Temperatur (K)’)

plt.title(‘Temperature Distribution Curve Fits Across All Y-Positions’)

plt.legend(loc=’upper right’, bbox_to_anchor=(1.15, 1), fontsize=10)

plt.ylim(300, 370)  # Consistent temperature range

plt.tight_layout()

# Save the plot

plt.savefig(‘temp_curve_fitting_combined.png’, dpi=300, bbox_inches=’tight’)

plt.show()

Kode Python untuk grafik Distribusi Energi Panas:

import numpy as np

import matplotlib.pyplot as plt

import pandas as pd

# Data dari grid 10×10 pada y = 0.0

datasets = [

    {

        ‘label’: ‘Energi Panas (W)’,

        ‘x’: np.array([0.0, 0.111, 0.222, 0.333, 0.444, 0.556, 0.667, 0.778, 0.889, 1.0]),

        ‘y’: np.array([0.0, 35.2, 41.8, 41.8, 35.2, 0.0, 35.2, 41.8, 41.8, 35.2]),

        ‘color’: ‘blue’,

        ‘fit_color’: ‘red’

    },

    {

        ‘label’: ‘Temperatur (K)’,

        ‘x’: np.array([0.0, 0.111, 0.222, 0.333, 0.444, 0.556, 0.667, 0.778, 0.889, 1.0]),

        ‘y’: np.array([303, 338, 351, 357, 361, 360, 357, 351, 338, 303]),

        ‘color’: ‘green’,

        ‘fit_color’: ‘orange’

    }

]

def polynomial_regression(x, y, order=4):

    “””

    Melakukan regresi polinomial menggunakan metode least squares.

    “””

    coeffs = np.polyfit(x, y, order)

    return coeffs

def plot_data(dataset, dataset_index):

    “””

    Membuat plot scatter untuk data asli dan kurva fitting polinomial.

    Juga mencetak persamaan dan tabel data.

    “””

    x = dataset[‘x’]

    y = dataset[‘y’]

    label = dataset[‘label’]

    color = dataset[‘color’]

    fit_color = dataset[‘fit_color’]

    # Melakukan regresi polinomial derajat 4

    coeffs = polynomial_regression(x, y, order=4)

    poly = np.poly1d(coeffs)

    # Membuat titik-titik halus untuk kurva fitting

    x_smooth = np.linspace(min(x), max(x), 100)

    y_smooth = poly(x_smooth)

    # Persamaan polinomial

    equation = f”{label}: y = {coeffs[0]:.2f}x^4 + {coeffs[1]:.2f}x^3 + {coeffs[2]:.2f}x^2 + {coeffs[3]:.2f}x + {coeffs[4]:.2f}”

    print(f”\nDataset {dataset_index}: {equation}”)

    # Membuat tabel data menggunakan pandas

    df = pd.DataFrame({‘X’: x, ‘Y’: y})

    print(f”\nTabel Data untuk Dataset {dataset_index} ({label}):”)

    print(df.to_string(index=False))

    # Membuat plot

    plt.figure(figsize=(8, 6))

    plt.scatter(x, y, color=color, label=f’Data {label}’, s=50)

    plt.plot(x_smooth, y_smooth, color=fit_color, label=f’Fit {label}’, linewidth=2)

    plt.xlabel(‘X (m)’)

    plt.ylabel(label)

    plt.title(f’Curve Fitting untuk Dataset {dataset_index} ({label})’)

    plt.legend()

    plt.grid(True)

    plt.tight_layout()

    plt.savefig(f’curve_fitting_dataset_{dataset_index}.png’, dpi=300, bbox_inches=’tight’)

    plt.show()

# Memproses setiap dataset

for i, dataset in enumerate(datasets):

    plot_data(dataset, i + 1)