Your SlideShare is downloading. ×
Fisika komputasi05
Upcoming SlideShare
Loading in...5
×

Thanks for flagging this SlideShare!

Oops! An error has occurred.

×

Introducing the official SlideShare app

Stunning, full-screen experience for iPhone and Android

Text the download link to your phone

Standard text messaging rates apply

Fisika komputasi05

314
views

Published on

The Houw Liong …

The Houw Liong
Acep Purqon

Jurusan Fisika, FMIPA, ITB

Published in: Education

1 Comment
0 Likes
Statistics
Notes
  • Be the first to like this

No Downloads
Views
Total Views
314
On Slideshare
0
From Embeds
0
Number of Embeds
1
Actions
Shares
0
Downloads
19
Comments
1
Likes
0
Embeds 0
No embeds

Report content
Flagged as inappropriate Flag as inappropriate
Flag as inappropriate

Select your reason for flagging this presentation as inappropriate.

Cancel
No notes for slide
  • Two-body problem solved by Kepler 350 years ago
    Three-body problem gave Isaac Newton headaches
    This problem has never been “solved” - never will be
  • Simplest 1-D chaotic system
    Originally proposed by Robert May (biologist) to model ecology
    Solutions never repeat and are unpredictable over the long term.
  • Simplest 2-D chaotic system
    Proposed by Michael Henon (an astronomer)
    This is an example of a strange attractor - a fractal
  • Systems of this sort can model a very wide range of phenomena
    Values of a are control knobs that change the dynamical behavior
  • "The most complicated mathematical object ever seen"
    Only the bounded orbits are shown
    Usual plot show s escape time of unbounded orbits
    All periods are represented somewhere
    Chaotic orbits are very rare (probability zero?)
  • Colors represent time required for the dynamical orbit to escape
    These are zooms into the boundary region of the M-set
    People have zoomed in a factor of 101600
    Miniature M-sets are found
  • These are deterministic fractals
    Many are precisely self-similar
    Produced by simple formulas
  • These are random fractals
    They are statistically self-similar
  • Circle of 600 people
    Everyone has a number 1 to 8
    Add numbers of nearest neighbors
    If sum exceeds eight, subtract 8
    That’s your next number - change color
    Many other rules are possible
  • Neurons sum and squash
    Dynamics arise from the feedback
    These nets are untrained
  • Transcript

    • 1. 2006
    • 2. Outline Metode Numerik Simulasi & Visualisasi Selular Automata Sistem Kompleks Artificial Intelligence
    • 3. METODE NUMERIK Application of numerical methods for : natural resources exploration, atmospheric physics, behavior of materials, Ising models / phase transitions, percolation, Mayer integral expansions, molecular spectra, polymer flow, nuclear reactor calculations, chaos, image processing and noise analysis
    • 4. Chaos dan Kompleksitas Nonlinier Sedikit Jumlah variabel Linier Teratur Chaotik Banyak Compleksitas Aturan Compleks Acak
    • 5. Contoh Sistem Dinamik Sistem Matahari Atmosfer (cuaca) Ekonomi (Pasar Saham) Tubuh manusia (jantung, otak, paru-paru ...) Ekologi (populasi tumbuhan dan binatang) Pertumbuhan kanker Penyebaran penyakit Reaksi Kimia Internet
    • 6. Weak Causality
    • 7. Karakteristik Chaos Tidak pernah berulang Sangat tergantung pada kondisi awal (Efek kupu-kupu) Mengijinkan prediksi jangka pendek tetapi tdk bisa jangka panjang Biasanya menghasilkan pola fraktal
    • 8. Orbit Planet Orbit Elips Orbit Chaotik
    • 9. Logistic Map xn+1 = Axn(1 - xn)
    • 10. Atraktor Hénon 2 xn+1 = 1 - 1.4xn + 0.3xn-1
    • 11. 2-D Kuadratik 2-D Umum xn+1 = a1 + a2xn + a3xn + 2 a 4x ny n + a 5y n + a 6y n 2 yn+1 = a7 + a8xn + a9xn2 + a10xnyn + a11yn + a12yn2
    • 12. Set Mandelbrot xn+1 = xn2 - yn2 + a yn+1 = 2xnyn + b y x
    • 13. Gambar Mandelbrot
    • 14. Fraktal Obyek geometri dengan dimensi pecahan Self-similarity
    • 15. Agregasi Difusi Terbatas
    • 16. Fraktal Alam
    • 17. Difusi (Gerak Acak)
    • 18. Gb.13. Beda Hingga w=0.5 Gb.15. Beda Hingga w=0.72 Gb.14. Runge-Kutta w=0.5 Gb.16 Runge-Kutta w=0.72
    • 19. Gb.17. Beda Hingga w=1.07 Gb.18. Runge-Kutta w=1.07 Gb.19. Beda Hingga w=1.09 Gb.20. Runge-Kutta w=1.09
    • 20. Gb.21. Beda Hingga w=1.24 Gb.23. Beda Hingga w=1.26 Gb.22. Runge-Kutta w=1.24 Gb.24. Runge-Kutta w=1.26
    • 21. Gb.25. Beda Hingga w=1.29 Gb.26. Runge-Kutta w=1.29 Gb.27.Beda Hingga w=1.42 Gb. Runge-Kutta w=1.42
    • 22. ARTIFICIAL INTELLIGENCE Expert system / Symbolic Manipulation for interpretation of spectroscopy data, X-ray diffraction, logging data, pattern recognition by using syntax analysis of signal. Application of neural network and its relation to spin glass,cellular automata in fluids dynamics and membrane transport, and symbolic processing/computer algebra
    • 23.         Pengantar   Mengapa kita temukan selfsimilar pd struktur biologi, seperti  pohon, daun, ranting? Apa hubungannya dg benda mati  seperti salju, gunung, awan? Apa yg bertanggung jawab pd  fenomena ini? Apakah ada alasan jitu mengapa sulit memprediksi pasar  saham dan cuaca? Apakah unpredictable karena  keterbatasan pengetahuan kita atau inherent pd sistem?  Bagaimana sekumpulan koloni semut, syaraf otak, dan pasar  saham melakukan self organized yg menciptakan perilaku  kompleks?  Apa hubungannya antara evolusi, belajar, dan adaptasi pd  sistem sosial?
    • 24. TREND ! Fisika, Kimia,Astronomi ,Biologi,  Psikologi , Sosiologi, Ekonomi,  dsb menggunakan komputer sebagai  laboratorium sebagai sebuah metafora untuk  memahami kosmos
    • 25. Cellular Automata
    • 26. Jaringan Syaraf Tiruan
    • 27.                  Terinspirasi dengan cara kerja sistem syaraf  yang  ternyata  berbeda  dengan  arsitektur  komputer  pada  saat  itu  (  misalnya  sistem  sonar  yang  dibuat  oleh  manusia,  ternyata  menyita  ruangan  yang  cukup  besar  padahal  pada  kelelawar  hanya  secuil  ujung  jari)  maka  lahirlah  algoritma  Artificial  Neural  Networks (ANNs) atau Jaringan Syaraf Tiruan  (JST).  Diantara  aplikasi  penting  yang  bisa  dilakukan  oleh  JST  diantaranya  sebagai  alat  prediksi,  pengenalan  pola,  identifikasi,  simulasi dsb
    • 28. •Aplikasi JNA : .Aerospace : Simulasi lintasan terbang, simulasi penerbangan tanpa awak, simulasi komponen pesawat, deteksi kesalahan komponen. .Otomotif : Sistem pemandu otomatis, analisis aktivitas bahaya. .Perbankan : Mengecek dan membaca documen termasuk mengenali pola tanda tangan .Pertahanan : membedakan musuh, mengarahkan senjata, mengenali wajah, sensor dan radar, identifikasi sinyal. .Elektronik : prediksi urutan kode, kontrol proses, analisis kesalahan chip, identifikasi suara, pemodelan nonlinier. .Entertainment : Animasi, special effect, market forecasting. .Financial : Penasihat , program penjualan porto folio, prediksi valas .Asuransi : Optimasi produk,evaluasi aplikasi kebijakan .Manufaktur : kontrol proses manufaktur, analisis dan desain produk, identifikasi secara real time, proses dan diagnosa mesin, .kedokteran : analisis kanker, analisis EEG dan ECG, optimasi pencangkokan, .Migas : eksplorasi Robotik : kontrol trayektory, sistim visual, pengenalan suara, klasifikasi intonasi dll
    • 29. Sumber: Citra Landsat 30-07-1992 JABODETABEK
    • 30. Kinerja Prediksi TMA Oktober-Desember 2002 (ketika Data te rakhirnya Oktober 2002) 130 120 110 90 80 70 60 50 1990 1991 1992 1993 1994 1995 1996 1997 1998 1999 2000 2001 2002 Tahun Hasil Prediksi TMA Riil Kinerja Prediksi Curah Hujan Oktober-Desember 2002 (Ketika Data Terakhirnya Oktober 2002) TMA Riil tanpa moving 500 450 400 350 TM A (cm) TM A (cm) 100 300 250 200 150 100 50 0 1990 1991 1992 1993 1994 1995 1996 1997 1998 1999 2000 Tahun Hasil Prediksi Curah Hujan Riil CH Riil tanpa moving 2001 2002
    • 31. Kinerja Prediksi TMA Pentad untuk 12 Desember 2002 s/d 10 Januari 2003 (Ketika Data Te rakhirnya 11 Desember 2002) 170 150 130 110 90 70 50 1999 2000 2001 Hasil Prediksi 2002 TMA Riil 2003 TMA Riil tanpa Moving Kinerja Prediksi Curah Hujan Pentad untuk 27 November 2002 s/d 10 Januari 2003 (Ketika Data Terakhirnya 26 Nov ember 2002) 200 180 160 140 120 100 80 60 40 20 0 1999 2000 Hasil Prediksi 2001 Curah Hujan Riil 2002 Ch Riil tanpa Moving 2003
    • 32. Performance Bulan Okt 2002 Nop 2002 Des 2002 Januari 2003 Februari 2003 TMA BULANAN prediksi Real %Tepat 75.7859 72.172 95.231 83.3068 83.9514 99.226 93.5186 95.8011 97.559 102.055 110.805 Tanggal 12 s/d 16 Des 17 s/d 21 Des 22 s/d 26 Des 27 s/d 31 Des 1 s/d 5 Jan 5 s/d 10 Jan 11 s/d 15 Jan 16 s/d 20 Jan 21 s/d 25 Jan 26 s/d 30 Jan 31 s/d 4 Feb 5 s/d 9 Feb TMA PENTAD 12 Des 2002- 10 Jan 2003 prediksi Real %Tepat Real Mov %Tepat 87.4363 102.625 82.629 93.99541 92.498 89.5131 96.1583 92.576 95.84169 92.93 91.158 100.625 89.615 95.49 95.248 92.1789 87.975 95.439 94.225 97.78 92.802 87.71 94.513 91.664 98.774 91.9754 81.47 88.578 85.2935 92.735 95.2935 98.8156 102.392 103.068 101.762 99.391 Real Mov 77.33875 83.97249 92.24617 %Tepat 97.951 99.201 98.639 Bulan Okt 2002 Nop 2002 Des 2002 Januari 2003 Februari 2003 ChDKI BULANAN prediksi Real %Tepat Real Mov %Tepat 45.036 40.131 89.108 51.7023 85.198 97.137 134.08 61.964 104.957 91.949 152.067 151.34 99.52 144.436 94.982 232.9562 272.142 Tanggal 27 s/d 1 2 s/d 6 7 s/d 11 12 s/d 16 17 s/d 21 22 s/d 26 27 s/d 31 1 s/d 5 5 s/d 10 11 s/d 15 16 s/d 20 21 s/d 25 26 s/d 30 31 s/d 4 5 s/d 9 ChDKI PENTAD 27 Nop 2002 - 10 Jan 2003 prediksi Real %Tepat Real Mov %Tepat 32.8605 36.193 89.858 30.9215 94.099 29.316 29.883 98.065 28.445 97.029 24.7315 6.31 25.514 22.052 89.166 23.3795 44.76 8.5502 27.8727 80.782 23.842 9.8 41.104 22.5563 94.608 26.0395 37.583 55.668 24.5427 94.252 20.4655 15.367 75.086 20.3617 99.493 23.6725 15 63.365 21.885 92.449 22.778 37.5 35.367 24.11 94.152 25.43 36.1728 35.5791 37.9304 31.6966 30.5685 Des Des Des Des Des Des Des Jan Jan Jan Jan Jan Jan Feb Feb
    • 33. Prediksi Tinggi Muka Air Pintu Depok untuk Bulan Januari-Juli 2003 untuk Wilayah DKI Jakarta 130 120 110 90 80 70 60 50 1990 1991 1992 1993 1994 1995 1996 1997 1998 1999 2000 2001 2002 2003 Tahun Hasil Prediksi Prediksi Curah Hujan Bulan Januari-Juli 2003 untuk Wilayah DKI Jakarta TMA Riil 500 450 400 350 300 TM A (cm) TM A (cm) 100 250 200 150 100 50 0 1990 1991 1992 1993 1994 1995 1996 1997 1998 1999 Tahun Hasil Prediksi Curah Hujan Riil 2000 2001 2002 2003
    • 34. Prediksi Tinggi Muka Air Pintu Depok Pentad untuk 11 Januari- 9 Februari 2003 untuk Wilayah DKI Jakarta 170 150 110 90 70 50 1999 2000 2001 2002 2003 Tahun Hasil Prediksi Prediksi Curah Hujan Pentad untuk 11 Januari- 9 Februari 2003 untuk Wilayah DKI Jakarta TMA Riil 200 180 160 140 120 TM A (cm) TM A (cm) 130 100 80 60 40 20 0 1999 2000 2001 2002 Tahun Hasil Prediksi Curah Hujan Riil 2003
    • 35. Performance Tanggal 1 s/d 5 Jan 5 s/d 10 Jan 11 s/d 15 Jan 16 s/d 20 Jan 21 s/d 25 Jan 26 s/d 30 Jan 31 s/d 4 Feb TMA PENTAD 1-15 Jan 2004 prediksi Real %Tepat Real Mov 106.92 107.967 99.021 108.7 105.73 105.917 99.823 107.77 104.07 110.057 94.247 108.18 108.31 107.99 107.19 106.16 %Tepat 98.335 98.071 96.051 Curah Hujan Ciliwung Hulu PENTAD 1-10 Jan 2004 Tanggal prediksi Real %Tepat Real Mov %Tepat 1 s/d 5 Jan 97.54 71 72.791 99.9 97.58 5 s/d 10 Jan 90.01 115.33 71.866 104.3 84.124 11 s/d 15 Jan 79.067 76.82 97.158 76.82 97.158 16 s/d 20 Jan 88.8963 21 s/d 25 Jan 75.0918 26 s/d 30 Jan 65.0666
    • 36. Prediksi Tinggi Muka Air Pintu Depok untuk Bulan Januari-Juni 2004 untuk Wilayah DKI Jakarta 130 120 110 100 90 80 70 60 50 1993 1994 1995 1996 1997 1998 1999 Hasil Prediksi 2000 2001 2002 2003 2004 TMA Riil Prediksi Curah Hujan Ciliwung Hulu Bulan Januari-Juni 2004 untuk Wilayah DKI Jakarta 700 600 500 400 300 200 100 0 1993 1994 1995 1996 1997 1998 Hasil Prediksi 1999 2000 Curah Hujan Riil 2001 2002 2003 2004
    • 37. Prediksi Tinggi Muka Air Pintu Depok untuk 16 Jan- 4 Feb 2004 untuk Wilayah DKI Jakarta 170 150 110 90 70 50 2000 2001 2002 2003 2004 Tahun Hasil Prediksi Prediksi Curah Hujan Ciliwung Hulu Pentad untuk 11-30 Januari 2004 untuk Wilayah DKI Jakarta TMA Riil 200 180 160 140 Curah hujan (m m ) TM A (cm) 130 120 100 80 60 40 20 0 2000 2001 2002 2003 Tahun Hasil Prediksi Curah Hujan Riil 2004
    • 38. TAHAPAN PENELITIAN
    • 39. Econophysics (Ekonofisika)
    • 40. Active Walks dan  Fenomena Bergantung Lintasan pada Sistem Sosial      Active Walks (AW) adalah sebuah paradigma untuk  pembentukan pola (pattern formation) dan organisasi  diri(self-organized) pada sistem kompleks.  AW berkontribusi pada lingkungannya tapi pada saat  penentuan langkah berikutnya AW juga dipengaruhi  lingkungannya. Model AW telah sukses diterapkan  pada berbagai macam sistem biologi maupun fisika  misalnya pada pembentukan pola filamen pada syaraf  retina dan pola reaksi permukaan pada sel cairan tipis,  begitu pun pada penimbunan makanan oleh  sekelompok semut.  Disini akan dibahas ide dasar dan aplikasi penting AW  terutama aplikasi baru pada pertumbuhan penduduk  dan kenaikan pengembalian (increasing returns) pada  ekonomi. 
    • 41. Diskusi Memperkenalkan metoda fisika dalam ekonomi Model Aliran Fluida Model Aliran Barang Model Selular-Automata Minority Game
    • 42. trend Metoda Fisika dapat berperan besar dalam Ekonomi atau bidang lain Tumbuh Bidang : Econophysics, Sociophysics, Psychophysics, etc.
    • 43. Rupiah (merah=data sebenarnya,biru=hasil prediksi ANN) Prediksi Fluktuasi Rupiah 1.8 x 10 4 FLUKTUASI RUPIAH 1.6 1.4 1.2 1 0.8 0.6 0.4 0.2 1500 1600 1700 1800 1900 2000 2100 nomor urutan data 2200 2300 2400 2500
    • 44. Penerapanya Prediksi Bencana Alam Banjir dan Kekeringan Gempa dan longsor Lingkungan Pencemaran air tanah Spektroskopi
    • 45. SIMULASI Simulations and Visualization : Monte Carlo simulations for neutron and Ising model, neutron diffusion in nuclear reactor and shielding, viscosity simulation and kinetic simulation of nuclear reactor. Simulation for biomechanism. Visualization of physical system
    • 46. What and Where: Scales in Simulations Time Scale mesoscale Monte Carlo 10-6 S 10-8 S molecular dynamics quantum chemistry 10-12 S domain exp(-∆E/kT) F = MA Ηψ = Εψ 10-10 M 10-8 M 10-6 M Length Scale 10-4 M continuum
    • 47. Application of numerical methods for : natural resources exploration, atmospheric physics, behavior of materials, Ising models / phase transitions, percolation, Mayer integral expansions, molecular spectra, polymer flow, nuclear reactor calculations, chaos, image processing and noise analysis S1/S2 The Houw Liong, Z. Su'ud, A. Soehianie, R. Kurniadi Expert system / Symbolic Manipulation for interpretation of spectroscopy data, X-ray diffraction, logging data, pattern recognition by using syntax analysis of signal. Application of neural network and its relation to spin glass,cellular automata in fluids dynamics and membrane transport, and symbolic processing/computer algebra Control system and weather/climate prediction using fuzzy logic and artificial neural network S1/S2 The Houw Liong I. Arif, S. N. Khotimah, R. Kurniadi S1/S2 The Houw Liong, Z. Su'ud Simulations and Visualization : Monte Carlo simulations for neutron and Ising model, neutron diffusion in nuclear reactor and shielding, viscosity simulation and kinetic simulation of nuclear reactor. Simulation for biomechanism. Visualization of physical system S1/S2 A. Soehianie, Z. Su'ud, I. Arif, R. Soegeng, L. Pasasa, R. Kurniadi
    • 48. Terima Kasih