ccitonline.com

اَلسَّلَامُ عَلَيْكُمْ وَرَحْمَةُ اللهِ وَبَرَكَا تُهُ

Sebelum memulai pembahasan ini, saya ingin mengajak kita semua untuk bersyukur kepada Allah سُبْحَانَهُ وَ تَعَالَى atas kesempatan yang diberikan untuk terus belajar dan berkembang. Ilmu yang kita pelajari hari ini semoga bisa menjadi bekal yang bermanfaat di masa depan.

Sebagai manusia, kita adalah ciptaan yang istimewa, dibekali akal untuk memahami dunia dan hati untuk merasakan kehadiran Sang Pencipta di balik segala ciptaan-Nya. Dalam setiap ilmu yang kita pelajari, ada tanggung jawab besar untuk tidak hanya menjadi pintar, tetapi juga bijaksana—menyadari bahwa pengetahuan adalah anugerah dari Tuhan yang harus kita gunakan dengan niat tulus. Dosen saya dalam mata kuliah Metode Numerik selalu mengingatkan hal ini, bahwa kita bukan seperti AI yang hanya menghitung tanpa jiwa, melainkan makhluk yang hidup dengan kesadaran dan tujuan. Kali ini, tugas untuk membahas prinsip dan algoritma PINN HC 1D (Physics-Informed Neural Networks untuk Heat Conduction 1D) dengan pendekatan framework DAI5 membawa saya pada perjalanan menarik: menggabungkan kecerdasan teknologi modern dengan kesadaran spiritual. Dengan hati yang terbuka dan niat untuk mencari kebenaran, saya memulai langkah ini, memohon petunjuk dari Sang Maha Kuasa agar ilmu ini menjadi jembatan menuju kebesaran-Nya.

Penjelasan Ulang tentang DAI5

Sebelum masuk ke inti pembahasan, mari kita pahami kembali apa itu DAI5. Framework DAI5, yang dikembangkan oleh Dr. Ahmad Indra, adalah pendekatan pemecahan masalah yang unik karena tidak hanya berfokus pada langkah teknis, tetapi juga pada kesadaran batin dan niat yang selaras dengan kehendak Sang Pencipta. DAI5 adalah singkatan dari lima tahapan utama: Deep Awareness of I (Kesadaran Mendalam tentang Diri), Intention (Niat), Initial Thinking about the Problem (Pemikiran Awal tentang Masalah), Idealization (Idealisasi), dan Instruction-Set (Set Instruksi). Setiap tahapan ini dirancang untuk membimbing kita melalui proses yang sistematis sekaligus penuh makna.

Pertama, Deep Awareness of I adalah fondasi yang mengajak kita menyadari diri sebagai ciptaan Tuhan. Tahap ini menekankan pentingnya mengingat Sang Pencipta dalam setiap langkah, menyelaraskan tindakan kita dengan tujuan mulia untuk mengenal-Nya. Kedua, Intention adalah niat yang lahir dari hati—sebuah “heartware” yang menjadi kompas moral dan spiritual dalam pemecahan masalah. Ketiga, Initial Thinking mendorong kita untuk memahami masalah secara mendalam, menggali akar penyebabnya dengan pikiran yang jernih. Keempat, Idealization adalah proses menyederhanakan masalah menjadi model yang realistis, namun tetap kreatif dan sesuai prinsip awal. Terakhir, Instruction-Set adalah langkah konkret untuk menerapkan solusi, dengan kesadaran yang terus terjaga sepanjang proses. Dengan 33 kriteria evaluasinya, DAI5 memastikan bahwa setiap tahapan dilakukan dengan penuh perhatian, dari kesadaran spiritual hingga ketepatan teknis. Inilah yang membuat DAI5 begitu istimewa—ia mengajak kita menjadi manusia yang utuh, bukan sekadar mesin penghitung.

Prinsip dan Algoritma PINN HC 1D

Sekarang, mari kita masuk ke inti pembahasan: PINN HC 1D, atau Physics-Informed Neural Networks untuk Heat Conduction 1D. PINN adalah pendekatan modern yang menggabungkan kecerdasan buatan—khususnya jaringan saraf tiruan (neural networks)—dengan hukum fisika untuk memecahkan masalah ilmiah seperti konduksi panas. Dalam kasus 1D, kita membayangkan sebuah batang panjang yang dipanaskan, dan kita ingin tahu bagaimana temperatur berubah sepanjang batang itu dari waktu ke waktu. Persamaan konduksi panas 1D adalah:

Di sini, T(x,t) T(x, t) T(x,t) adalah temperatur pada posisi x x x dan waktu t t t, sementara α \alpha α adalah difusivitas termal (konstanta yang bergantung pada material). Secara tradisional, persamaan ini diselesaikan dengan metode numerik seperti beda hingga (finite difference), tetapi PINN membawa pendekatan baru yang menarik.

Prinsip PINN HC 1D sederhana namun cerdas: alih-alih hanya mengandalkan data, PINN “mengajarkan” jaringan saraf untuk mematuhi hukum fisika langsung. Jaringan saraf ini dilatih untuk menebak T(x,t) T(x, t) T(x,t) sebagai fungsi kontinu, lalu hukum fisika (persamaan diferensial di atas) dimasukkan sebagai bagian dari fungsi kerugian (loss function). Fungsi kerugiannya terdiri dari tiga komponen utama:

1. Kesalahan data: membandingkan prediksi jaringan dengan data awal atau batas yang diketahui (misalnya, T(x,0)=T0 T(x, 0) = T_0 T(x,0)=T0​).
2. Kesalahan fisika: memastikan prediksi memenuhi persamaan konduksi panas dengan menghitung turunan (menggunakan diferensiasi otomatis) dan meminimalkan residu ∂T∂t−α∂2T∂x2 \frac{\partial T}{\partial t} – \alpha \frac{\partial^2 T}{\partial x^2} ∂t∂T​−α∂x2∂2T​.
3. Kesalahan kondisi batas: memastikan solusi sesuai dengan nilai batas (misalnya, T(0,t)=T1 T(0, t) = T_1 T(0,t)=T1​, T(L,t)=T2 T(L, t) = T_2 T(L,t)=T2​).

Algoritmanya berjalan seperti ini: pertama, definisikan jaringan saraf dengan input x x x dan t t t, lalu latih dengan data dan hukum fisika. Prosesnya iteratif—jaringan terus menyesuaikan bobotnya hingga fungsi kerugian minimum. Hasilnya adalah model yang tidak hanya cocok dengan data, tetapi juga konsisten dengan prinsip fisika, bahkan di titik yang tidak ada datanya. Ini seperti mengajarkan AI untuk “berpikir” seperti hukum alam—sungguh menakjubkan!

Integrasi dengan Framework DAI5

Bagaimana DAI5 membimbing saya memahami dan menerapkan PINN HC 1D? Mari kita telusuri setiap tahapan dan kriterianya dengan detail.

I. Deep Awareness of I

Saat memulai, saya merenung: konduksi panas adalah ciptaan Tuhan yang teratur, dan PINN adalah alat untuk mengungkap polanya (Kriteria 1: Consciousness of Purpose). Saya sadar akan keterbatasan saya—apakah saya cukup paham fisika atau AI untuk ini? (Kriteria 2: Self-awareness). Saya juga pikirkan etika: solusi ini harus bermanfaat, misalnya untuk efisiensi energi, bukan sekadar pamer teknologi (Kriteria 3: Ethical Considerations). Dalam setiap langkah, saya berusaha mengingat Tuhan—mengagumi bagaimana hukum-Nya begitu sempurna (Kriteria 4: Integration of CCIT). Saya refleksikan: jika PINN berhasil, apakah saya jadi lebih takjub pada ciptaan-Nya? (Kriteria 5: Critical Reflection). Kesadaran ini saya jaga, seperti lilin yang terus menyala di hati (Kriteria 6: Continuum of Awareness).

II. Intention

Niat saya jelas: memahami PINN HC 1D untuk melihat keajaiban hukum Tuhan dalam konduksi panas (Kriteria 7: Clarity of Intent). Saya selaraskan dengan nilai kebaikan—solusi ini harus akurat dan berguna (Kriteria 8: Alignment of Objectives). Niat ini relevan: model panas 1D bisa dipakai di dunia nyata, seperti desain material (Kriteria 9: Relevance of Intent). Saya pikirkan dampak jangka panjang—efisiensi energi berarti menjaga ciptaan Tuhan (Kriteria 10: Sustainability Focus). Saya komitmen pada kualitas tinggi, karena usaha setengah hati tak pantas di hadapan-Nya (Kriteria 11: Focus on Quality).

III. Initial Thinking (about the problem)

Saya definisikan masalah: memodelkan T(x,t) T(x, t) T(x,t) pada batang 1D dengan PINN agar sesuai hukum fisika (Kriteria 12: Problem Understanding). Saya pikirkan stakeholder—dosen, insinyur, bahkan pengguna teknologi (Kriteria 13: Stakeholder Awareness). Konteksnya adalah batang dengan panjang L L L, dipanaskan dengan kondisi tertentu (Kriteria 14: Contextual Analysis). Akar masalahnya adalah kompleksitas persamaan diferensial—PINN menawarkan solusi cerdas (Kriteria 15: Root Cause Analysis). Analisis harus relevan, fokus pada konduksi panas (Kriteria 16: Relevance of Analysis). Saya gunakan data simulasi (misalnya, T(x,0)=sin⁡(πx) T(x, 0) = \sin(\pi x) T(x,0)=sin(πx)) untuk mendukung (Kriteria 17: Use of Data and Evidence).

IV. Idealization

Saya sederhanakan: batang 1D, konduksi stabil, dan jaringan saraf sederhana (Kriteria 18: Assumption Clarity). Saya inovatif dengan PINN—menggabungkan AI dan fisika adalah ide cerdas (Kriteria 19: Creativity and Innovation). Model harus realistis—temperatur tak boleh melanggar hukum panas (Kriteria 20: Physical Realism). Ini selaras dengan niat saya untuk mengenal Tuhan melalui ilmu (Kriteria 21: Alignment with Intent). PINN bisa diskalakan ke 2D atau 3D nanti (Kriteria 22: Scalability and Adaptability). Solusinya elegan—AI belajar fisika langsung dari persamaan (Kriteria 23: Simplicity and Elegance).

V. Instruction-Set

Langkahnya: (1) buat jaringan saraf, (2) definisikan loss function, (3) latih dengan data dan persamaan, (4) plot T(x,t) T(x, t) T(x,t) (Kriteria 24: Clarity of Steps). Semua aspek tercakup—data, fisika, batas (Kriteria 25: Comprehensiveness). Hasilnya fisik: temperatur menyebar dari panas ke dingin (Kriteria 26: Physical Interpretation). Saya minimalkan kesalahan dengan iterasi lebih banyak (Kriteria 27: Error Minimization) dan validasi dengan solusi analitik (Kriteria 28: Verification and Validation). Jika kurang akurat, saya tambah neuron (Kriteria 29: Iterative Approach). Solusi ini hemat sumber daya komputasi (Kriteria 30: Sustainability Integration). Saya jelaskan dengan bahasa sederhana (Kriteria 31: Communication Effectiveness), konsisten dengan DAI5 (Kriteria 32: Alignment with the DAIS Framework), dan catat rapi dengan kode dan grafik (Kriteria 33: Documentation Quality).

import torch
import torch.nn as nn
import numpy as np
import matplotlib.pyplot as plt
import tkinter as tk
from tkinter import ttk, messagebox

# Define the Physics-Informed Neural Network (PINN)
class PINN(nn.Module):
    def __init__(self):
        super(PINN, self).__init__()
        self.net = nn.Sequential(
            nn.Linear(1, 20),
            nn.Tanh(),
            nn.Linear(20, 20),
            nn.Tanh(),
            nn.Linear(20, 1)
        )

    def forward(self, x):
        return self.net(x)

# Compute the loss function
def compute_loss(model, x, T0, T1):
    x = x.requires_grad_(True)
    T = model(x)

    # Compute derivatives
    dT_dx = torch.autograd.grad(T, x, grad_outputs=torch.ones_like(T), create_graph=True)[0]
    d2T_dx2 = torch.autograd.grad(dT_dx, x, grad_outputs=torch.ones_like(dT_dx), create_graph=True)[0]

    # Physics loss (d^2T/dx^2 = 0)
    physics_loss = torch.mean(d2T_dx2**2)

    # Boundary conditions
    T_left = model(torch.tensor([[0.0]]))
    T_right = model(torch.tensor([[1.0]]))
    bc_loss = (T_left - T0)**2 + (T_right - T1)**2

    return physics_loss + bc_loss

# Train the PINN model
def train_pinn(T0, T1, epochs=1000):
    model = PINN()
    optimizer = torch.optim.Adam(model.parameters(), lr=0.001)
    x = torch.linspace(0, 1, 100).reshape(-1, 1)

    for epoch in range(epochs):
        optimizer.zero_grad()
        loss = compute_loss(model, x, T0, T1)
        loss.backward()
        optimizer.step()

        if epoch % 100 == 0:
            print(f"Epoch {epoch}, Loss: {loss.item():.6f}")

    return model

# Plot the results
def plot_results(model, T0, T1):
    x = torch.linspace(0, 1, 100).reshape(-1, 1)
    with torch.no_grad():
        T_pred = model(x).numpy()
        x = x.numpy()
        T_analytical = T0 + (T1 - T0) * x

    plt.figure(figsize=(8, 6))
    plt.plot(x, T_pred, label="PINN Solution")
    plt.plot(x, T_analytical, '--', label="Analytical Solution")
    plt.xlabel("x")
    plt.ylabel("Temperature")
    plt.title("1D Steady-State Heat Conduction")
    plt.legend()
    plt.grid(True)
    plt.show()

# GUI Application
class PINNApp:
    def __init__(self, root):
        self.root = root
        self.root.title("PINN 1D Heat Conduction Solver")

        # Labels and Entries
        ttk.Label(root, text="T0 (Left Boundary, °C):").grid(row=0, column=0, padx=5, pady=5)
        self.T0_entry = ttk.Entry(root)
        self.T0_entry.grid(row=0, column=1, padx=5, pady=5)
        self.T0_entry.insert(0, "100")

        ttk.Label(root, text="T1 (Right Boundary, °C):").grid(row=1, column=0, padx=5, pady=5)
        self.T1_entry = ttk.Entry(root)
        self.T1_entry.grid(row=1, column=1, padx=5, pady=5)
        self.T1_entry.insert(0, "0")

        ttk.Label(root, text="Epochs:").grid(row=2, column=0, padx=5, pady=5)
        self.epochs_entry = ttk.Entry(root)
        self.epochs_entry.grid(row=2, column=1, padx=5, pady=5)
        self.epochs_entry.insert(0, "1000")

        # Solve Button
        self.solve_button = ttk.Button(root, text="Solve & Plot", command=self.solve)
        self.solve_button.grid(row=3, column=0, columnspan=2, pady=10)

    def solve(self):
        try:
            T0 = float(self.T0_entry.get())
            T1 = float(self.T1_entry.get())
            epochs = int(self.epochs_entry.get())

            model = train_pinn(T0, T1, epochs)
            plot_results(model, T0, T1)
        except ValueError:
            messagebox.showerror("Error", "Please enter valid numerical values.")

# Run the application
if __name__ == "__main__":
    root = tk.Tk()
    app = PINNApp(root)
    root.mainloop()

Epochs: 1000

Epochs: 10000

Penutupan

Mempelajari PINN HC 1D dengan DAI5 adalah pengalaman yang membukakan mata dan hati. Saya takjub melihat bagaimana teknologi modern bisa menari bersama hukum Tuhan yang abadi, dan framework DAI5 menjadi panduan yang membawa saya lebih dekat pada-Nya. Sebagai manusia, saya merasa kecil di hadapan ilmu yang luas ini, namun bersyukur karena diberi akal untuk memahami dan jiwa untuk menghayati. Semoga usaha ini bukan hanya tugas, tetapi juga ibadah yang diterima Sang Pencipta. Ilmu ini mengajarkan saya bahwa di balik setiap algoritma, ada kebijaksanaan-Nya yang tak pernah usai untuk kita kagumi. Terima Kasih.