Gaya Konservatif dan Gaya Non Konservatif

Berapa usaha yang dilakukan oleh gaya berat mg ketika berpindah dari posisi 1 ke posisi 2 kemudian kembali lagi ke posisi awalnya yaitu posisi 1 ( posisi 2 tepat berada di atas posisi 1)?. Pertenyaan seperti itu adalah contoh kecil dari implementasi gaya konservatif dan gaya non konservatif. ketika berpindah dari posisi 1 ke posisi 2  (naik), gaya berat mg berlawanan arah dengan perpindahan sehingga usaha yang dilakukannya adalah negatif.

setelah itu benda turun kembali ke posisi 1 sehingga gaya berat mg searah dengan perpindahan bendanya. Sehingga usaha yang dilakukan oleh gaya mg positif. Karena ketinggian yang ditempuh oleh benda ketika naik ke posisi 2 dan turun kembali keposisi 1 sama maka usaha yang dilakukan sama besar kecuali tandanya. ketika kita jumlahkan usaha totalnya maka akan didapat usaha totalnya adalah NOL.

Pada gaya berat usaha yang dilakukannya tidak tergantung dengan lintasanya tetapi hanya tergantung pada posisi awal dan posisi akhir benda. Nah gaya - gaya yang bersifat seperti inilah yang disebut dengan Gaya konservatif. Contoh dari gaya non konservatif adalah gaya gesek, usaha yang dilakukan oleh gaya gesek sangat bergantung kepada jenis lintasan yang ditempuh oleh benda, sehingga gaya gesek tidak termasuk dalam katagori gaya-gaya konservatif.

Contoh Soal Pusat Massa

Soal

Sebuah tongkat homogen tipis dengan panjang L berdiri seimbang vertikal diatas lantai yang licin. Pada tongkat tersebut diberi gaya yang amat kecil disembarang titik sepanjang tongkat buakan pada arah vertikal sehingga tongkat tersebut terjatuh. Berapakah perpindahan horizontal titik pusat massanya?

Penyelesaian

Ditanya perpindahan horizontal titik pusat massanya. Karena lantai licin dan gaya yang mengenai tongkat dianggap amat kecil, maka gaya yang bekerja pada tongkat tersebut hanyalah gaya berat tongkat mg pada titik pusat massa P dan gaya normal lantai pada tongkat, yaitu N, Misalkan tongkat di beri gaya pada titik A diatas pusat massa, karena tidak ada gaya arah horizontal maka gaya berat dari pusat massa akan berarah lurus ke titik O tanpa bergeser, sehingga dapat disimpulkan bahwa pergeseran pusat massa adalah 0.

Pusat Massa, dan Kecepatan Pusat Massa

Pusat Massa

Lokasi pusat massa (pm) sebuah sistem yang terdiri dari beberapa partikel diskrit dinyatakan oleh :

Dengan :

Misalkan sebuah sistem partikel yang terdiri dari dua buah partikel dimana partikel 1 memiliki masa m dan partikel 2 memiliki masa M. Kemudian partikel 1 bergerak dengan kecepatan v dan pertikel 2 bergerak dengan kecepatan V. Maka dapat dicari kecepatan pusat masanya v(pm) adalah sebagai berikut :

Analisis menggunakan kerangka acuan pusat massa biasanya akan lebih menguntungkan dan lebih mudah kita lakukan jika yang melakukan interaksi dengan suatu benda adalah sistem partikel yang terdiri dua atau lebih paritkel.

Contoh

Dua buah partikel bergerak dengan kecepatan yang sama v m/s namun memiliki arah yang saling berlawanan. Jika diketahui bahwa kedua partikel bermasa sama, berapakah kecepatan pusat massa dari sistem partikel tersebut!

Penyelesaian

kita asumsikan kedua partikel bermasa m kg, kemudian kita asumsikan pula partikel satu ke arah kanan dan partikel dua kearah kiri. Sehingga kecepatan partikel dua akan bernilai negatif. sehingga kecepatan pusat massanya adalah 

Jadi dapat disimpulkan bahwa kecepatan pusat massa kedua partikel adalah 0 m/s.

Genetic Algorithm Neural Network (GANN)

Pada kesempatan kali ini saya akan berbagi mengenai salah satu bentuk hybrid dalam metode soft computing. Seperti yang kita ketahui bahwa penerapan genetic algorithm atau algoritma genetika sangat banyak dalam bidang - bidang seperti data mining, text classification, peramalan dll. Algoritma genetika merupakan algoritma yang sangat power full dalam masalah-masalah optimalisasi. Meskipun algoritma genetika dapat diandalkan dalam masalah-masalah optimalisasi namun algoritma genetika bukanlah algoritma yang memiliki proses pembelajaran yang cukup baik.

Neural network atau jaringan saraf tiruan juga merupakan salah satu metode dalam soft computing. Penerapan jaringan saraf tiruan sangat banyak misalnya adalah untuk memproses pengenalan sidik jari, tulisan, peramalan, pemodelan dan lain sebagainya. Mesikipun jaringan saraf tiruan sangat baik dalam proses pembelajaran namun tidak seperti algoritma genetika yang handal dalam proses optimalisasi. Jadi itulah perbedaan mendasa dalam algoritma genetika dan jaringan saraf tiruan.

Karena masing-masing kelebihan dan kekurangan kedua metode tersebut maka lahirlah sebuah metode yang menggabungkan kedua metode tersebut sehingga dapat saling menghilangkan kelemahan. Metode hasil penggabungan algoritma genetika dan jaringan saraf tiruan salah satunya adalah Genetic Algorithm Neural Network (GANN). GANN diharapkan handal dalam proses-proses optimalisasi dan pembelajaran.

Ide awal GANN berangkat dari jaringan saraf tiruan yang disupport oleh algoritma genetika. Dalam GANN ada tiga pendekatan yang umumnya dilakukan pertama algoritma genetika untuk optimalisasi input-input jaringan saraf tiruan, kedua algoritma genetika digunakan untuk optimalisasi arsitektur jaringan saraf tiruan, terakhir algoritma genetika digunakan untuk optimalisasi bobot-bobot jaringan saraf tiruan.

Algoritma genetika digunakan sebagai optimalisasi input - input jaringan saraf tiruan maksudnya adalah untuk menyeleksi variabel-variabel mana saja yang dijadikan sebagai input jaringan saraf tiruan. Misalkan dalam jaringan saraf tiruan kita menggunakan 10 variabel input maka algoritma genetika dapat kita gunakan untuk memilih variabel mana saja yang dijadikan input. Tujuan akhir dari optimalisasi input jaringan saraf tiruan adalah untuk mengefisienkan waktu pemrosesan dan melihat input mana saja yang memberikan kontribusi yang signifikan.

Algoritma genetika digunakan sebagai optimalisasi arsitektur jaringan saraf tiruan maksudnya adalah untuk mencari arsitektur seperti apa yang efisien untuk jariangan saraf tiruan. Misalkan kita ingin mencari berapa banyak node di hidden layer atau berapa banyak hidden layer yang digunakan dalam arsitektur tersebut. 

Algoritma genetika digunakan sebagai optimalisasi bobot-bobot jaringan saraf tiruan. Aritnya bobot-bobot dalam jaringan sarat tiruan dioptimalisasi dan diperbaiki menggunakan algoritma genetika. Tujuannya adalah untuk mencari bobot-bobot yang optimal dalam jaringan saraf tiruan tersebut.

Itulah penjelasan sederhana dari hybrid Algoritm genetika dan jaringan saraft tiruan, semoga tulisan ini bermanfaat bagi kita semua.

sumber gambar : http://sites.psu.edu/renko/files/2013/03/dna.jpg