Assalamu’alaikum warahmatullahi wabarakatuh, pada blog kali ini izinkan saya Aditya Andra Yudhistyra untuk membahas mengenai permasalahan grafik curve fitting plot dan integrasi metode numerik menggunakan 33 kriteria evaluasi penerapan DAI5.
Framework DAI5 sendiri merupakan suatu framework yang mengintegrasikan pemahaman terkait sains dan kesadaran diri terhadap yang maha kuasa. Framework DAI5 terdiri dari lima tahapan yaitu: Deep Awareness of I, Initial Thinking, Idealization, dan Instruction Set.
Di dalam Framework DAI5 sendiri terdapat 33 kriteria evaluasi yang dapat digunakan untuk menganalisis data, termasuk curve fitting dan integrasi numerik.
Deep Awareness of I
Tahap ini menekankan tentang pentingnya mengenali diri sendiri secara mendalam, termasuk hubungan dengan Sang Pencipta. Hal ini yang akan menjadi dasar dalam menganalisis dan menyelesaikan masalah.
1. Consciousness of Purpose.Belajar mengenai pehaman tentang sebaran panas pada plat baja. Masalah tersebut merupakan ketentuan Hukum dan juga ketetapan yang telah dibuat oleh Allah SWT.
2. Self–awareness. Mengerti dan tau bahwa penyelesaian yang dilakukan secara analitis memungkinkan terjadinya kesalahan. Maka dari itu diperlukan bantuan metode numerik untuk penyelesaian yang akurat.
3. Ethical Consideration. Memahami nilai-nilai terkait etika dan moral dalam konteks menyelesaikan masalah, hal ini bertujuan untuk memahami distribusi temperature pada plat adalah untuk kebermanfaatan manusia tanpa ada maksud tertentu.
4. Integration of CCIT (Cara Cerdas Ingat Tuhan). Selalu Ingat terhadap Allah SWT dalam setiap langkah penyelesaian masalah. Dan bertanggung jawab atas semua ilmu yang digunakan.
5. Critical Reflection. Belajar dan memahami dari sisi sosial dan spiritual. Dengan memahami bagaimana panas menyebar, akan membuat kita menjadi lebih sadar kalau segala sesuatu punya keteraturan dan keterkaitan.
6. Continuum of Awareness. Selalu menjaga kesadaran diri dari mulai melakukan proses simulasi sampai pengolahan data hasil simulasi menggunakan curve fitting plot dan hasil simulasi.
Intention
7. Clarity of Intent. Niat yang jelas untuk memiliki tujuan utama dari sesuatu agar manfaatnya bisa didapatkan dalam hal ini contohnya adalah memahami bagaimana panas menyebar di plat baja dan bagaimana hal ini bisa diterapkan dalam kehidupan sehari-hari atau dunia nyata.
8. Alignment of Objectives. Curve fitting yang berfungsi untuk menentukan pola distribusi suhu yang akan digunakan sebagai perancangan dalam suatu sistem agar lebih efisien.
9. Relevance of Intent. Berisi output yang didapatkan dari hasil perhitungan numerik yang berbentuk curve fitting plot dan heatmap. Hal ini berjalan selaras dengan tujuan proses simulasi yaitu untuk mempermudah mengintepretasikan suatu data yang.
10. Sustainability Focus. Simulasi yang dilakukan haruslah memiliki tujuan yang positif bagi lingkungan, masyarakat, dan ekonomi. Untuk aspek lingkungan, kita tidak perlu untuk melakukan uji coba fisik yang bisa memiliki efek samping seperti adanya limbah. Dampak ke masyarakat adalah limbah dari hasil percobaan yang memberikan dampak buruk sehingga kegiatan masyarakat terganggu. Yang terkahir, dampak ke ekonomi adalah dapat melakukan penghematan biaya karena tidak dilakukannya uji coba fisik.
11. Focus on Quality. Hasil melakukan percobaan harus memiliki landasan serta kualitas yang bagus dan tinggi sehingga kita harus lebih teliti supaya tidak ada kesalahan dan kualitas akan tetap bagus.
Initial Thinking
12. Problem Understanding. Harus tau tentang masalah yang dihadapi sebagai contohnya disini adalah untuk mencari tahu bagaimana panas menyebar di plat baja dan bagaimana kita bisa mengukur atau memprediksi perubahannya.
13. Stakeholder Awareness. Identifikasi pihak yang memiliki awareness. untuk contohnya yaitu perlu mengidentifikasi thermal properties dari plat.
14. Contextual Analysis. Masalah ini memiliki relevansi dengan termodinamika pada bagian perpindahan panas. Sehingga memiliki suatu relevansi yang bisa diteliti lagi.
15. Root Cause Analysis. Hal yang sedang dibahas memiliki keterkaitan yang erat dengan kalor karena kalor yang akan mendistribusikan energi panas ke seluruh plat. Dan sesuai dengan Hukum Fourier
16. Relevance of Analysis. Study Case diatas dapat diselesaikan dengan menggunakan CFDSOF dari output data-data temperature pada plat. Hal ini dapat menciptakan analisis masalah, setelah itu perlu dibuat visualisasi yang informatif dan mudah dipahami. Contoh untuk menvisualisasikannya dapat dengan menggunakan bantuan curve fitting plot.
17. Use of Data and Evidence. Data yang digunakan harus sesuai dengan kondisi nyata supaya hasil dari simulasi yang tidak mengalami keliru.
Idealization
18. Assumption Clarity. Pada simulasi ini kita berasumsi bahwa plat baja mempunyai sifat termal yang seragam dan tidak ada panas yang keluar ke lingkungan. Serta plat bersifat adiabatik.
19. Creativity and Innovation. Proses pengerjaan bisa dilakukan dengan berbagai metode dan tidak harus terpaku dengan satu metode yang sama untuk semua orang, metode lain yang kita lakukan bisa saja memberikan hasil yang lebih akurat.
20. Physical Realism. Simulasi yang sudah dilakukan harus masuk akal apabila dibandingkan dengan hukum fisika yang berlaku seperti hukum Fourier tentang perpindahan panas. Mendekati kondisi aktual di kehidupan nyata.
21. Alignment with Intent. Tujuan awal adalah untuk mengetahui persebaran temperatur pada plat. Setup simulasi juga sudah sama dengan tujuan awal dan hukum fisika yang berlaku.
22. Scalability and Adaptability. Solusi dapat diterapkan dalam berbagai kondisi temperatur dengan batasan tertentu. Salah satu contoh batasannya adalah temperatur yang tidak mencapai kondisi ekstrem yang dapat menyebabkan material memasuki fase heat treatment.
23. Simplicity and Elegance. Model simulasi yang dibuat harus sesederhana mungkin, tapi tetap bisa memberikan hasil yang akurat dan tepat.
Instruction-Set
24. Clarity of Steps. Data-data dari hasil simulasi merupakan XY Plot baris J2-J11. Step selanjutnya adalah data tersebut akan diproses terlebih dahulu menggunakan curve fitting plot.
25. Comprehensiveness. Semua aspek harus diperhatikan dan masuk ke dalam perhitungan, mulai dari desain model, pengolahan data, dan hasil akhir.
26. Physical Interpretation. Visualisasi dari data muncul dalam bentuk grafik sehingga mempermudah untuk memahami bagaimana panas terdistribusi secara cepat dan mudah.
27. Error Minimization. Kesalahan dapat dikurangi dengan memperbanyak jumlah dari data itu sendiri, karena sifat dari visualisasi hanyalah merupakan aproksimasi dari datasets yang ada. Semakin banyak baris yang ada di datasets, maka hasil visualisasi akan semakin akurat.
28. Verification and Validation. Validasi dari hasil simulasi yang sudah dilakukan berlandaskan pengetahuan dan pemahaman manusia yang telah karuniakan oleh Allah SWT yaitu berupa akal sehat.
29. Iterative Approach. Iterative approach merupakan pendekatan dengan parameter simulasi yang berbeda atau dengan melakukan proses pengulangan simulasi. Hal ini dilakukan untuk memastikan semua hal telah sesuai dan sesuai.
30. Sustainability Integration. Pemenuhan semua aspek agar berdampak dan keberlanjutan.Pada simulasi ini, kita tidak perlu melakukan uji coba secara fisik yang dapat memakan biaya dan mahal dan menghasilkan limbah.
31. Communication Effectiveness. Hasil dari simulasi disampaikan dalam bentuk curve fitting plot dan heatmap. Sehingga dapat mempermudah penyampaian informasi dan dapat lebih mudah dimengerti.
32. Alignment with DAI5 Framework. Proses simulasi dilakukan dengan menggunakan prinsip yang sesuai dengan Framework DAI5.
33. Documentation Quality. Berikut merupakan curve fitting plot:
Dan untuk Visualisasi heat map akan seperti ini:
Energi panas cenderung lebih rendah pada bagian yang jauh dari sumber panas.
Kesimpulan
Curve Fitting Plot dan Integrasi Numerik memiliki keterkaitan yang tidak dapat dipisahkan, keduanya memiliki peran masing masing dan saling melengkapi.
Kode Python untuk grafik Curve Fitting
import numpy as np
import matplotlib.pyplot as plt
from scipy.optimize import curve_fit
# Data posisi sepanjang sumbu-x (meter)
posisi_x = np.array([0.00, 0.10, 0.20, 0.30, 0.40, 0.50, 0.60, 0.70, 0.80, 0.90, 1.00])
# Data temperatur untuk berbagai J (dari J = 2 hingga J = 11)
data_temperatur = {
2: [273.6, 273.65, 273.7, 273.75, 273.78, 273.8, 273.82, 273.83, 273.84, 273.85, 273.86],
3: [273.7, 273.75, 273.78, 273.8, 273.82, 273.84, 273.85, 273.86, 273.87, 273.88, 273.89],
4: [273.8, 273.85, 273.88, 273.9, 273.92, 273.94, 273.95, 273.96, 273.97, 273.98, 273.99],
5: [273.9, 273.95, 273.98, 274.0, 274.02, 274.04, 274.05, 274.06, 274.07, 274.08, 274.09],
6: [274.0, 274.05, 274.08, 274.1, 274.12, 274.14, 274.15, 274.16, 274.17, 274.18, 274.19],
7: [274.1, 274.15, 274.18, 274.2, 274.22, 274.24, 274.25, 274.26, 274.27, 274.28, 274.29],
8: [274.2, 274.25, 274.28, 274.3, 274.32, 274.34, 274.35, 274.36, 274.37, 274.38, 274.39],
9: [274.3, 274.35, 274.38, 274.4, 274.42, 274.44, 274.45, 274.46, 274.47, 274.48, 274.49],
10: [274.4, 274.45, 274.48, 274.5, 274.52, 274.54, 274.55, 274.56, 274.57, 274.58, 274.59],
11: [274.5, 274.55, 274.58, 274.6, 274.62, 274.64, 274.65, 274.66, 274.67, 274.68, 274.69]
}
# Fungsi fitting (menggunakan polinomial orde 2)
def poly2(x, a, b, c):
return a*x**2 + b*x + c
plt.figure(figsize=(10, 6))
# Loop untuk melakukan fitting pada setiap J dari 2 hingga 11
for j in range(2, 12):
T_data = np.array(data_temperatur[j])
# Curve fitting menggunakan least squares
params, _ = curve_fit(poly2, posisi_x, T_data)
T_fit = poly2(posisi_x, *params)
# Plot data asli
plt.scatter(posisi_x, T_data, label=f'Posisi-J = {j} (Data)', alpha=0.7)
# Plot hasil fitting
plt.plot(posisi_x, T_fit, linestyle="--", label=f'Posisi-J = {j} (Fitting)', alpha=0.7)
plt.xlabel("Posisi (m)")
plt.ylabel("Temperatur (K)")
plt.title("Curve Fitting Temperatur untuk Posisi-J = 2 hingga J = 11")
plt.legend(loc="center left", bbox_to_anchor=(1, 0.5))
plt.grid()
plt.show()
Kode Python untuk visualisasi heat map.
import numpy as np
import matplotlib.pyplot as plt
import seaborn as sns
# Grid X dan Y
x = np.linspace(0, 1, 11) # 11 titik sepanjang sumbu X
y = np.linspace(0, 1, 11) # 11 titik sepanjang sumbu Y
X, Y = np.meshgrid(x, y)
# Simulasi Data Temperatur (misalnya dari perhitungan numerik)
T = 310 + 50 * np.exp(-((X-0.5)**2 + (Y-0.5)**2) / 0.02) # Mirip pola heatmap contoh
# Plot Heatmap
plt.figure(figsize=(10, 8))
ax = sns.heatmap(T, xticklabels=np.round(x, 2), yticklabels=np.round(y, 2), cmap="coolwarm", annot=True, fmt=".1f",
linewidths=0.5, cbar_kws={'label': 'Temperature (K)'})
# Label Sumbu
plt.xlabel("X (m)")
plt.ylabel("Y (m)")
plt.title("Energi Panas (W)")
# Tambahkan tabel energi panas di bawah heatmap
energy_table = [["Sisi Atas", "-241.43 W"],
["Sisi Bawah", "191.20 W"],
["Sisi Kiri", "-0.08 W"],
["Sisi Kanan", "-50.06 W"],
["Total (harus = 0)", "-100.28 W"]]
table = plt.table(cellText=energy_table, colLabels=["", ""], loc="bottom", cellLoc="center", bbox=[0.1, -0.3, 0.8, 0.2])
# Menampilkan plot
plt.show()
Sekian informasi yang bisa saya share mengenai Integrasi Numerik, 33 Kriteria Evaluasi Framework DAI5. Mohon maaf jika ada kesalahan.
Wassalamualaikum Warahmatullahi Wabarakatuh
