PEMODELAN DAN SIMULASI

BAB V - VIII

Chunaeni Latief

JURUSAN TEKNIK ELEKTRO

FAKULTAS TEKNIK
UNIVERSITAS LANGLANGBUANA BANDUNG
2012
 BAB V
MODEL MATEMATIKA

Seringkali para insinyur atau engineer menganilisis suatu sistem dari suatu fenomena (alam atau
buatan) dengan tujuan agar sistem tersebut dapat dipantau atau bisa dioptimalkan kinerjanya
dengan cara membuat model matematikanya.
Fenomena alam yang bersifat kontinyu dapat dibuat model matematika (unsur-unsur tak
terhingga, misal fenomena cahaya), yaitu sebagai model pendekatan melalui analisis fisika dan
matematik.

5.1. Pengertian Pemodelan Matematika

Model Matematika adalah merupakan salah satu tahap dari pemecahan masalah matematika
atau proses fisis yang dapat dinyatakan secara matematika. Model merupakan simplifikasi atau
penyederhanaan fenomena – fenomena real dalam bentuk
matematika. Model matematika yang dihasilkan, dapat
berbentuk sistem persamaan, pertidaksamaan, atau lainnya
terdiri atas sekumpulan lambang (variabel atau besaran),
yang di dalamnya digunakan operasi matematika. Dengan
prinsip-prinsip matematika tersebut dapat dilihat apakah model yang dihasilkan telah sesuai
dengan rumusan sebagaimana formulasi masalah sebenarnya yang dihadapi.

Kegunaan yang dapat diperoleh dari model matematika ini antara lain:

1. Menambah kecepatan, kejelasan, dan kekuatan-kekuatan gagasan dalam jangka waktu

yang relatif singkat,
2. Perlunya deskripsi masalah agar jelas,
3. Mendapatkan pengertian atau kejelasan mekanisme masalah,
4. Memprediksi kejadian yang akan muncul dari suatu fenomena atau perluasannya.
5. Sebagai dasar perencanaan dan kontrol dalam pembuatan kebijakan, dan lain-lain.

Langkah – langkah pembentukan model matematika

1. Latarbelakang Masalah
2. Permasalahan dan Identifikasi Masalah
3. Asumsi
4. Manipulasi Matematik
 5. Interpretasi
6. Algoritma pembuatan model
7. Verifikasi
8. Runing model
9. Validasi Model, analisis kevaliditasan dan implemetasi

Latar Belakang Masalah

Permasalahan dan
Identifikasi Masalah

Asumsi/Pendekatan

Manipulasi Matematika

Interpretasi

Algoritma (Pembuatan)
Model

Verifikasi

Runing Model

Direkam dan disimpan

Validasi Dan Uji
kevaliditasan Implementasi

Jenis – Jenis Model Matematika

dapat berbentuk:

Simbolik, peranan, skematik, sistematik, statistik dan komputer

Model Diskrit dan Model Kontinyu

Model diskrit adalah model yang status variabelnya berubah secara diskrit (sampling) pada
suatu waktu tertentu . Model kontinyu adalah model yang status variabelnya berubah secara
kontiunyu pada suatu waktu tertentu.

Model Deterministik dan Model Stokastik

Model deterministik adalah model yang tidak mempunyai variabel random dalam inputnya.
Model stokastik adalah model yang mempunyai satu atau lebih variabel random dalam
inputnya.

5.2. Model Matematika Umum

Suatu model matematika merupakan pendekatan suatu fenomena (alami atau buatan) lazimnya
mencakup hingga pengamatan atau mencakup daerah yang terbatas atau yang tak terbatas atau
hanya bersifat diskrit. Walaupun model tersebut masih dianggap sebagai bentuk yang sangat
ideal dan yang sangat mendekati fenomena fisik aslinya, namun dapat dinyatakan dengan
persamaan matematika.
Di masa lalu, cabang-cabang matematika yang mempelajari fenomena fisik kontinyu
(gelombang, panas, elastisitas suatu material, gerak cairan, dsb) mendominasi cabang-cabang
matematika yang bisa diterapkan pada berbagai fenomena fisik seperti yang biasa dipelajari
dalam fisika dan kimia, yang dapat dikelompok matematika terapan atau fisika-matematika..
Tetapi sejak berkembangnya ilmu-ilmu komputer, penerapan cabang-cabang matematika yang
mempelajari fenomena-fenomena yang bukan diskrit dan bahkan berhingga, berkembang cepat
sekali. Sebagai contoh, konsep medan hingga (finite fields) yang dulu dianggap sebagai cabang
murni dari ilmu aljabar dalam coding theory.
Demikian pula, teori pengukuran (measurement theory) semakin banyak penerapannya,
khususnya dalam teori fraktal dan kaitannya dengan teori chaos.
Untuk fenomena fisik yang berhingga, model matematikanya (misalnya model dan perumusan
matematis untuk sinyal, decoder dan encoder (kode Reed-Muller) dibuat bukan lagi model
pendekatan, tetapi sudah merupakan model eksak.

5.2.1. Model Matematika Dalam Optimisasi

Teori model dalam analisis, para insinyur membuat model deskripsi dari sistem sebagai
perkiraan (hipotesis) bagaimana sistem bisa bekerja, atau bagaimana kejadian yang akan datang
bisa memengaruhi sistem. Demikian pula, dalam pengkontrolan terhadap suatu sistem, para
insinyur mencoba cara mengontrol sistem agar optimum.

Model matematis adalah suatu model yang berbentuk fungsi-fungsi yang dikembangkan dari suatu
solusi aktifitas membentuk persamaan matematis yang menggambarkan suatu sistem sebagai
kombinasi atau hubungan dari sekumpulan peubah (variables, atau kompoen-komponen) menjadi
persamaan eksak (matematika). Pemodelan Matematika yaitu proses untuk memperoleh
model matematika dari suatu masalah. Selajutnya dibuat program atau model yang ada, dan
dibuat program software computer serta dilihat hasil secara grafik.

Dalam matematika teori model adalah ilmu yang menyajikan konsep-konsep matematis melalui
konsep himpunan/sistem, atau ilmu tentang model-model yang mendukung suatu sistem
matematis.
Nilai-nilai dari peubah bisa apa saja; berupa bilangan-bilangan alami (real) atau bulat, Boolean
atau berupa barisan angka-angka dan karakter (strings). Peubah-peubah tersebut menyajikan
beberapa sifat dari sistem, misalnya nilai luaran (output) dari hasil pengukuran, data waktu, alat
hitung, banyaknya suatu kejadian muncul atau terulang, dsb.
Teori model diawali dengan asumsi keberadaan obyek-obyek matematika (misalnya
keberadaan semua bilangan) dan kemudian mencari dan menganilisis keberadaan
operasi-operasi, relasi-relasi atau aksioma-aksioma yang melekat pada masing-masing
obyek atau pada kumpulan obyek-obyek tersebut, selanjutnya dibuatkan persamaan
matematikanya.
Independensi dua hukum matematis - yang lebih dikenal dengan nama axiom of choice dan
continuum hypothesis - dari aksioma-aksioma teori himpunan adalah dua hal yang terkenal dari
teori model (jenis-jenis model telah dijelaskan pada BAB I)
.
5.2.2. Realisasi Pembuatan Model

Seperti yang telah dijelaskan dalam science dan engineering, banyak model menggunakan
model matematika. Model matematik contoh terdiri dari S,Q, dan M, dimana S adalah sistem,
Q adalah pertanyaan/masalah yang berkaitan dengan S, dan M adalah sekumpulan persamaan
matematis yang digunakan untuk menjawab Q.
Model matematis ini sebuah bentuk model yang paling banyak digunakan dalam berbagai
aplikasi tidak hanya pada bidang science dan engineering bahkan juga di bidang sosial. Dengan
menggunakan model matematis maka akan meningkatkan efisiensi penggunaan sistem
komputasi modern saat simulasi, yang menyediakan hasil atau penyelesaian presisi dan terarah
dan mudah diahami. Model matematik juga dapat digunakan untuk mendeskripsikan sistem
yang kompleks.
Bagaimana merealisasikan model (software) melalui rencana, representasi, atau deskripsi yang
menjelaskan suatu objek, sistem, atau konsep, yang seringkali berupa penyederhanaan atau
idealisasi. Bentuknya dapat berupa model fisik (maket, bentuk prototipe), model citra (gambar
rancangan, citra komputer), atau rumusan matematis. Dari gambar blok dapat dibuat algoritma
sebelum dituangkan dalam computer dalam bentuk grafik..

Grafik adalah segala cara pengungkapan dan perwujudan dalam bentuk huruf, tanda, dan
gambar yang diperbanyak melalui proses penggamabaran guna disampaikan kepada khalayak.
Contohnya adalah: foto, gambar/drawing, Line Art, grafik, diagram, tipografi, angka, simbol,
desain geometris, peta, gambar teknik, dan lain-lain. Seringkali dalam bentuk kombinasi teks,
ilustrasi, dan warna.
Pemodelan Grafik adalah suatu bentuk komunikasi visual yang cara pengungkapan dan
perwujudannya dalam bentuk  huruf, tanda, dan gambar untuk merepresentasikan suatu objek,
sistem atau konsep yang diperbanyak melalui proses percetakkan guna disampaikan kepada
khalayak untuk menyampaikan informasi atau pesan seefektif mungkin.
Saat ini, komputer grafis menghasilkan segala sesuatu yang banyak berkaitan dengan berbagai
aspek kehidupan kita sehari-hari.
Citra komputer grafik dapat ditemukan di televisi, di Koran, film, laporan, thesis,serta tugas-
tugas makalah dsb. Seperti dalam laporan cuaca  atau dalam semua jenis penyelidikan medis
dan prosedur operasi.  Grafis yang dibuat dengan baik dapat mepresentasikan hal yang terlihat
sulit menjadi suatu hal yang mudah dan dapat dipahami, melalui rekayasa perangkat lunak
dengan komputernya atau komputer grafis (CG). Perangkat-perankat lunak dalam betuk: 1D,
2D, 3D, dan animasi grafis, dan kebanyakan digunakan perangkat 3D utuk mensintesis digital
dan memanipulasi konten visual.

5.3. Aplikasi Model Matematis.

Seperti telah dibahas di atas, model matematis diperoleh dari fenomena alam atau pengukuran
dan apa saja yang dapat dinyatakan dalam formula matematis, selanjutya dibuatkan program
komputer. Dengan meubah variabel, maka akan diperoleh gambaran model dengan hasilnya
grafik dan perkiraan selajutnya.
Contoh 1. Model Deteksi Aerosol Atmosfer
Suatu contoh pembuatan model matematika yang dikembangkan dari model proses fisis adalah
deteksi aerosol di atmosfer dapat dilihat pada Gambar 5.1. deteksi aerosol dengan LIDAR
(Light Detection and Ranging) yang mengikuti persamaan fisis/matematis hukum Hamburan
Beer Lambertz (5.1). Persamaan matematis dari 5.1 -5.4 dibuat model yang menghasilkan
Gambar 5.1. dan 5.2 degan sistem dinamis.
Feomenaya adalah jika suatu gelombang melintasi sebuah media, maka gelombang tersebut
akan megalami hamburan ke segala arah (dalam bentuk transmisi, peredaman dan pemantulan)
sesuai dengan besarnya koeisien ekstiksing yang dipunyai media tersebut. Fenomena ini
digunakan untuk mendeteksi kandungan media yang dilintasi gelombang tersebut.

Gambar 5.1. Sistem Fisis deteksi aerosol dengan LIDAR

Untuk mendeteksi sinyal hamburan dan informasi ekstinksing yang ke belakang, diketengahkan
model Fisika – Matematika dengan LIDAR monostatik yag dikembangkan dari RADAR
adalah [6],[7]:

(5.1)

N (R) = jumlah foton yang jatuh ke penerima optik (sensor) pada jarak R (m) per data
perubahan panjang jarak , No jumlah foton yang ditransmisikan, c kecepatan cahaya, A luas
optik penerima, βa(R), βm(R) penampang melintang koefisien hamburan aerosol dan molekul
perunit volume, Pa (π, R)/(4 π), Pm (π, R)/(4 π) fasa hamburan belakang yang dinormalisasi karena
hamburan aerosol dan molekul, τ(R ) kedalaman satu lintasan optik antara lidar dan volume
hamburan belakang pada jarak R, ∫oR βc(r)dr dengan βc(R) adalah koefisien penampang
melintang perunit volume, M(R) insiden hamburan ganda pada penerima per data satu satuan
panjang, B adalah jumlah foton latar belakang pada penerima per data satu satuan panjang.

Pada studi lidar spektral resolusi tinggi, maka persamaan 5.1 dapat dipisahkan menjadi
(Päivi Piironen, 1996)[14] ), deteksi dengan pendekatan insiden hamburan ganda yang masuk ke
dalam ruang tangkap teleskop M(R) diabaikan. sedangkan background sinyal dieleminir dengan
sistem pada program deteksi (menggunakan penguat diferensial atau pembandingan sinyal)
untuk aerosol saja, sehingga persamaan (5.1) dapat didekati dengan persamaan:
Untuk aerosol

……… (5.2)

Jika sistem deteksi menggunakan daya laser yang dikirim Po (watt) dan daya yang diterima Pr
sebagai fungsi jarak R, TL periode (fasa) lasernya.maka persamaan 5.2 dapat disederhanakan
menjadi:

R
Pr (R) = Po (A/R ) βa(R) (cTL)/2 exp[ -2∫ β (r’ )dr’]
2
.………(5.3)
0

Dari persamaan 5.1 dan 5.2., hampir sejalan dengan Hukum Beer Lambertz, namun demikian
dapat disederhanakan sehingga dapat berbentuk

Ir (R) = KIo exp γR k …………………………….. (5.4)

Dimana Ir (R) intensitas cahaya hamburan belakang yang diterima sebagai fungsi dari jarak R ,
K konstanta sistem lidar yang besarnya adalah= Po (A/R2) βa(R) (cTL), dan γ adalah koefisien
hamburan belakang sepanjang litasan bolak balik R, R jarak aerosol yang memberikan
informasi hamburan belakang, k adalah konsentrasi/densitas dari aerosol.
Karena secara matematis bentuk persamaan 5.1 – 5.4 adalah eksponensial, maka dapat
diplot hasil pengukuran akan berbentuk eksponensial dengan nilai tertinggi adalah R jarak
terdekat, yaitu jarak terjadinya tumpangtindih antara cahaya laser dengan sudut pandang
 teleskop yang terdapat aerosol . Pada Gambar 5.1 memperlihatkan hasil pendeteksian sinyal
balik dari sumber cahaya. Untuk mengetahui jarak aerosol R (m), sesuai dengan penjalaran
pulsa cahaya (waktu bolak balik), sehingga

R = c . (td–to)/2 …………………………………. (5.5)

c kecepatan cahaya, td waktu pulsa sampai, to waktu pulsa kirim. Persamaan matematis
tersebut di atas dibuat program komputer dan diperoleh seperti Gambar 5.2. dan pola-pola 3
dimensi lainnya. Gambar 5.3. Adalah model matematis persamaan 5.1 - 5.4 menggunakan
Matlab.

(a) (b)

(c) (d)

Gambar 5.2. Menunjukkan sinyal satu kali shoot [12] (a), lapisan aerosol atmosfer
menggunakan mini lidar dari Förbränningsfysi [13](b), dan hasil scanning (c),
hasil pemetaan lapisan aerosol atmosfer menggunakan mini lidar
(FAAM NON- CORE Mini-Lidar Leosphere ALS450 (d).
 0.45
0.45
0.4
0.4

0.35
0.35

0.3
0.3
Vr(R) [milivolt]

Vr(R) [milivolt]
0.25
0.25

0.2 0.2

0.15 0.15

0.1 0.1

0.05 0.05

0 0
0 500 1000 1500 2000 2500 3000 0 1000 2000 3000 4000 5000 6000 7000 8000 9000 10000
R [m] R [m]

Gambar 5.3. Model hamburan belakang yang diterima sensor dengan program Matlab
dengan R (jarak )yang berbeda, satu kali deteksi.

Dari model deteksi aerosol di atas, maka dengan cara yang sama dapat dibuat model dispersi
polutan (polusi udara) dari sumber titik (cerobong) yang tertiup angin yang mengikuti
persamaan model Gauss (pers 7.1) yang dikembangkan dari persamaan Pasquil Gifford.

Contoh 2: Model Polusi Udara dengan model Gauss (pedekatan).

(7.4)

χ : Konsentrasi pencemar (g/m3)

Q : Laju emisi pencemar (g/s)
u : Kecepatan angin pada ketinggian cerobong (m/s)
σy : Standar deviasi konsentrasi pencemar dalam arah-y (m)
σz : Standar deviasi konsentrasi pencemar dalam arah-z (m)
y : Jarak horizontal reseptor dari sumber dalam arah-y
z : Jarak vertikal reseptor dari sumber dalam arah-y
H : Tinggi efektif pencemar (hs + dH)
dH: Plume rise

Dari persamaan (7.3), maka akan dapat diperkirakan konsentrasi suatu

polutan di tempat jatuh yang diperkirakan. Atau sebaliknya berapa
banyaknya polutan yang dilempar setiap tahunnya.
Dengan demikian dapat direncanakan letak permukiman dengan sumber
polutan (industri) agar aman dan nyaman, termasuk penghambatan
polutan dengan Green Belt)
PROGRAM MATLAB
—————————input———————–
Dy = 0.2; Dz = 1; % diffusivities
v = 0.5; % velocity
Q = 1; % emission rate(s)
xstack = 0; ystack = 50; % stack location(s)
xmin = 10; xmax = 1000; % x-axis interval
ymin = 0; ymax = 100; % y-axis interval
H = 50; % effective stack height(s)
z = 0; % height of observation (=0 for ground surface)
gplot = 1; % plot option (=1 yes; =0 no)
gcont = 2; % contour plot option (=2 filled;=1 yes; =0 none)
%————————–execution———————–
[x,y] = meshgrid (linspace(xmin,xmax,100),linspace(ymin,ymax,100));
c = zeros (size(x)); e = ones(size(x));
for i = size(Q,2)
xx = x – xstack(i); yy = y – ystack(i);
c =c+Q(i)*e./(4*pi*xx*sqrt(Dy*Dz)).*exp(-v*yy.*yy./(4*Dy*xx)).*…
(exp(-v*(z-H(i))*(z-H(i))*e./(4*Dz*xx))+exp(-v*(z+H(i))*…
(z+H(i))*e./(4*Dz*xx)));
end
 BAB VI
MODEL RANGKAIAN INSTRUMEN ELEKTRONIK
Model rangkaian elektronik, maupun persamaan yang dikembangkan dari hukum-hukum
Kelistrikan atau Fisika dapat berkembang jadi model yang secara matematik dapat digambarkan
hasil grafisnya. Dengan demikian setiap rangkaian ataupun persamaan rangkaian elektronika
dapat dibuat model diantaranya: kontrol yang merupakan sebuah bentuk model dan dapat dibuat
simulasinya.

6.1. Simulasi dan Model Rangkaian Penguat Instrumen

Rangkaian penguat instrument adalah bentuk simulasi rangkaian penguat yang dapat dilakukan
peubahan penguatan secara teoritik, dengan meubah komponen atau besarnya komponen yang
dapat dilakukan dengan melihat bentuk persamaan penguatan Gambar 6.1 di bawah ini.

Gambar 6.1. Penguat instrumen dapat digunakan sebagai simulasi penguat

Penguat Instrumen merupakan salah satu tipe penguat input diferensial yang telah
ditetapkan keluaran dengan pasti dan keluarannya memenuhi persamaan 6.1. Persamaan
ini dapat dibuat model penguat dengan meubah beberapa parameter, sehingga diperoleh
besarnya penguatan dan variasi komponen yang menentukan penguatan. Sebagai
tambahan penguat ini mempunyai karakter offset DC sangat rendah, drift tegangan rendah,
noise rendah, open-loop gain sangat tinggi, common-mode rejection ratio (CMMR) sangat
tinggi, dan input impedances sangat tinggi, ketepatan tinggi, stabilitas tinggi, komponen
elektronik dapat digunakan untuk jangka panjang. Input menggunakan + dan -,
menggunakan 3 OPAM dengan impedansi matching.

Penguatan dari rangkaian ini adalah persamaan 6.1a dan 6.1b.. Persamaan 6.1b.
merupakan model proses dengan hasil berbentuk matematis. Penguat instrument ini
cukup baik dan banyak digunakan dengan persamaan:

………………….. (6.1,a)

Atau
 Vout = K ( V2 – V1 ) = K∆V …………………… (6.1b)

sama dengan a, sehingga pers 6.1b dapat disederhanakan :

y = ax ………………………………………….. (6.1c)
Dari persamaan 6.1b, atau 6.1c diperoleh bentuk model penguat instrument adalah linier,
yang tergantung bentuk dari R gain atau (lihat Gambar 6.2)

Vout = y

∆V=x

Gambar 6.2. Model penguat instrument yang linier.

R2 and R3 tahanan pada rangkaian standard differential amplifier, gain = R3 / R2 dan

tahanan input differential = 2·R2. Dua penguat pada sebelah kiri adalah buffer. Dengan
Rgain diubah (open circuited), hal ini unit yang sederhana sebagai buffer penguat, rangkaian
akan bekerja dengan penguat sama dengan R3 / R2 dengan impedansi input tinggi.karena
bufer. Gain dapat diperbesar dengan meningkatkan resistor pada input inverting buffer
dengan ground dengan parallel dengan input feed back negative. bagaimanapun resistor
Rgain tunggal antara input inverting dengan peningkatan mode gain diferensial = 1. CMRR
akan menangani penguatan tanpa pelipatan.

6.2. Model dari Sistem Rangkaian RC.  

 Gambar 6.3 Rangkaian RC, dega input V(t) dan output Vc (t)

Suatu rangkaian listrik seperti Gambar (6.3) di atas dimodelkan secara matematis
sehingga didapat model state-space-nya. Setiap elemen dalam rangkaian tersebut dibuat
persamaannya kemudian dicari hubungan antara setiap persamaan elemen tersebut.

… 6.2a.

…. 6.2b.

Jadi model rangkaian RC seperti Gambar 6.3 tegangan

……………………..6.2c

Atau (RC + 1) υc = V ……………………... 6.2d

Model tersebut menghasilkan grafis eksponensial, dikarena sifat kapasitor saat charging
dan discharging.

Gambar 6.4. Tegangan output di kapasitor tergantung besarnya nilai RC

Dari persamaan 6.2a. dan 6.2b. model dari Gambar (6.3) dan (6.4). tersebut, dapat
dianalisis mengenai jenis sistem/model matematisnya. Selanjutnya dalam pemodelan,
dapat pula dilakukan teknik optimasi terhadap model. Optimasi merujuk pada pemilihan
elemen terbaik dari sekumpulan pilihan yang ada. Optimasi dilakukan untuk menemukan
suatu nilai yang memberikan hasil terbaik atau optimal untuk suatu fungsi/ persamaan
matematis tertentu.
Optimasi dilakukan pada model matematis dalam rangka memperbaiki performa model
sehingga bisa mendapatkan model yang lebih sesuai dengan sistem aslinya, ataupun dapat
digunakan pada model yang sudah valid untuk mengoptimasi sistem itu sendiri melalui
model yang sudah dibuat agar nantinya dapat diimplementasikan secara real.
Dari gambar 6.4 nilai eksponensial akan optimal tergantung nilai RC, dan nilai tunak
diperoleh saat t = RC = 0,63.

6.3. Model Rangkaian Filter

Sebuah filter RC low pass untuk sinyal tegangan berfrekuensi tinggi berisi sinyal input
yang outputya diredam. Namun LPF mempunyai peredaman yang kecil dibawah frekuensi
cut off yang merupakan fungsi konstanta waktu RC.dengan susunan parallel RC.
Berfungsi meloloskan frekuensi dibawah cut off
Filter low pass digunakan untuk frekuensi rendah, contoh subwoofers dan loudspeaker
lain untuk memblok bunyi tinggi. Termasuk untuk menghilangkan munculnya sinyal emisi
harmonik yang dapat disebabkan karena interface dengan komunikasi lainnya.

Sebuah integrator adalah contoh LPF konstan waktu. Demikian juga pada telepon dengan
band pass filter yang terdiri dari HPF dan LPF. Gambar 6.5. di bawah ini menunjukkan
respons ideal LPF dengan mengalikan sinyal masukan dengan fungsi rectangular (square)
pada domain frekuensi.

Gambar 6.5. Sinc function dari ideal LPF

Atau ekivalen convolusi dengan filter real untuk aplikasi filter real time, menggunakan
pendekatan filter ideal dengan pemotongan dan pembatasan respons. Pemakaian filter
diperlukan sebagai penundaan sinyal untuk periode waktu tertentu, sesuai komputasi.
Delay ini merupakan manifestasi pergeseran fasa, lebih teliti jika diperlukan pendekatan
dalam kebutuhan delay yang sangat panjang.

Whittaker–Shannon mengemukakan formula interpolasi yang menggambarkan

bagaimana pemakaian LPF untuk sinyal kontinyu dari sampel digital.

Low-pass filters
Gambar 6.6. Gain respons frekuensi dari order pertama LPF dengan penguatan (gambar
dalam decibels, penurunan 3 dB mencerminkan terjadinya peredaman
setengah daya) skala dalam logaritmik dalam unit radians per second (rds),
atau daya tereduksi 6 dB.

Respons frekuensi lazimnya dinyatakan dengan plot Bode atau diagram Bode yang
dinyatakan dengan : frekuensi cut off. Dengan cut off frekuensi daya masukan akan
ditekan 3 dB.
Pengertian 'low' dan 'high' – adalah frekuensi cut off yang tergantung karakteristik
filternya. Yang dimaksud "low-pass filter" yaitu respons filter yang meloloskan frekuesi
rendah, sedangkan high-pass filter meloloskan frekuensi tinggi dan memotong frekuensi
rendah. Sedangkan rangkaian elektronik sebagai divais secara umum dapat digunakan
untuk kebutuhan berbagai frekuensi dari range, gelombang mikro (diatas 1 GHz) dan
lebih .

2.2.3. Realisasi LPF Elektronik

LPF elektronik pasif.

 Gambar 6.7. Passive, first order low-pass RC filter

Sebuah rangkaian elektronik sebagai LPF pasif seri R dengan beban dan C dalam parallel
dengan beban (Gambar 6.7). Kapasitor membentuk impedansi reaktansi dan memblok
sinyal, membuat sinyal tersebut melalui load langsung. Pada frekuensi tinggi reaktansi
drop dan kapasitor berfungsi pelalu frekuensi tinggi yang efektif dan membentuk
konstanta waktu filter τ = RC pada cutoff frequency (in hertz):

dan ……… 6.3.

(dalam radians per second):

Secara model dapat diambil jika kapasitor diubah akan menyebabkan terjadinya discharge
atau charge melalui resistor, sehingga frekuensi berubah-ubah (model).
 Seluruh frekuensi, akan masuk mengisi kaparitor secara praktis akan mengisi
meningkatkan muatan sampai sama dengan tegangan input.
 Pada frekuensi tinggi, kapasitor akan mempunyai waktu sedikit untuk pengisian
kapasitor, sebelum switch menghubung. Output akan menigkat dan turun dalam fraksi
kecil selama input juga naik dan turun. Pada frekuensi doubel, ada waktu yag digunakan
hanya untuk mengisi setegah dari setengah jumlah.
Rangkaian ini merupakan ideal reaktansi dari frekuensi utama. Selama arus DC tidak
dapat melalui kapasitor, input DC harus mengalir keluar dengan menganalogikan melepas
kapasitor dan mengeluarkan tegangan Vout . Tapi arus AC mengalir sangat baik pada
kapasitor sebagaimana mengalir melalui kawat, input AC keluar dari kapasitor, secara
efektif sebagai short circuiting ke ground.
Kapasitor bukan merupakan komponen on-off, tapi merupakan komponen variable dalam
bentuk model yang dapat menghasilkan plot Bode dengan respons variasi frekuensi.

6.3.2. Realisasi LPF Aktif

Gambar Filter low-pass aktif

Rangkaian elektronik lain adalah LPF aktif.

LPF dengan operational amplifier cutoff frequency (hertz) didefinisikan pada pers 6.3.

Penguatan bandpass −R2/R1, dan stopband drop dengan −6  dB per octave sebagai filter
orde pertama.
Sewaktu-waktu high gain OPAM diubah menjadi LPF dengan menambah C, yang akan
mengurangi frekuensi respos pada frekuensi tinggi sehingga muncul frekuensi rendah.
Efek Miller membantu menghindari osilasi pada amplifier. Contoh pada audio amplifier
dapat dibuat LPF dengan cut off rekuensi 100 kHz untuk mereduksi gain frekuensi yang
akan menimbulkan osilasi pada frekuensi audio diatas 290 KHz yang akan membuat
menjadi BPF.

Realisasi discrete-time

Metode lain untuk mengkonversikan dari kontinyu ke waktu diskrit dengan transformasi
bilinier. Maka efek LPF dapat disimulasikan dengan computer dengan menganalisis tabiat
dalam domain waktu dan model diskritisasi.
 Gambar 6.8. Simple low-pass RC filter

Berdasarkan diagram diatas dengan hukum Kirchoff' pada rangkaian kapasitif adalah:

(V)

(Q)

(I)

Qc(t) adalah muatan yang disimpan dalam kapasitor selama t. Substitusikan Q ke

persamaan I menghasilkan , yang dapat disubstitusikan ke V jadi:

Persamaan di atas dapat dibuat diskrit dengan diambil input dan output berbeda waktu Δ T

, contoh sampel yang diambil dari vin mewakili runutan sampling , dan

tegagan keluaran adalah vout diwakili yang berkoresponden dengan

titik yang sama antara x dan y . Buat substitusi:

Selanjutnya diubah kembali dengan hubungan recurrence

Ini adalah implementasi waktu diskrit dari rangkaian sederhana filter LPF RC dengan
sifat hasil membentuk model exponentially-weighted moving average

Dengan mendefinisikan factor penghalusan α (smoothing factor) . Dan

merupakan time constant RC dalam periode sampling ΔT.

Jika α = 0.5, RC waktu sampling konstan sama dengan periodenya, dan jika ,
maka RC sangat berarti lebih besar dari interval sampling dan .

6.3.3. Implementasi Algoritma

Filter sesuai dengan cara membedakan sampel output dengan input, melalui cara
penelusuran algoritma dengan simulasi efek LPF dari sample digital secara seri.

// Return RC low-pass filter output samples, given input samples,

// time interval dt, and time constant RC
function lowpass(real[0..n] x, real dt, real RC)
var real[0..n] y
var real α := dt / (RC + dt)
y[0] := x[0]
for i from 1 to n
y[i] := α * x[i] + (1-α) * y[i-1]
return y

Loap yang menghitung dari n output dapat menjadi pefaktor ekuivalen:

for i from 1 to n
y[i] := y[i-1] + α * (x[i] - y[i-1])

Ini adalah perubahan dari output fiter, yang proporsional dengan berbedanya input
terhadap output. Penghalusan dari hasil eksponensial sesuai dengan eksponensial
pengosongan selama sistemya kotinyu. Jika diharapkan time constant RC meningkat maka
parameter penghalusan α menurun dan output sampel mempunyai
respon perubahan lamban terhadap sampling inputs  .

HPF

First-order continuous-time implementation

Figure 6.9: A passive, analog, first-order high-pass filter, realized by an RC circuit

Orde pertama dari HPF (Gambar 6.4) dengan input dari kapasitor dan resistor seri. Hasil
dari rangkaian HPF RC ini adalah time constant (τ); ini berlawanan dengan kesesuaian
frekuensi cutoff fc, dimana power output setengah power iput denga frekuensi:

…………………….. (6.

fc dalam hertz, τ dalam detik, R ohms, dan C farads

Untuk HPF aktif diumpakan ke penguat opam.

Gambar 6 10: Filter aktiv HPF

Gambar 6. 10. HPF aktif dari orde pertama menggunakan operational amplifier. Dengan
penguatan band passnya adalah dari -R2/R1 dan dengan rekuensi:
 Karena aktif filter maka tidak ada gain non-unity dan penguatannya dalam bentuk inverter
- R2/R1.

Realisasi Waktu Diskrit

Bagaimanapun siyal kontiyu ini dapat dikonversi ke waktu diskrit. Dari rangkaian di atas
dengan hukum Kirchoff's.

Qc(t) muatan yang disimpan dalam kapasitor t waktu.Dengan mensubstitusi persamaan  (Q) ke
pers. (I) dan pers.1 ke (V) diperoleh:

Persamaan tsb dapat didiskritkan, dengan beda waktu pengambilan sampel adalah beda
waktu ΔT . Sampel input Vin diwakili dengan , dan outputt Vout
dengan titik yang sama, dengan substitusi :

Setelah diatur kembali diperoleh bentuk.

Ini, waktu diskrit sebagai implementasi RC HPF simple kontinu RC.

Yang menentukan time constant RC dalam hal ini

f frekuensi atau periode sampling ΔT dengan -1≤a≤

Jika α = 0.5, kemudian time konstan RC sama dengan periode sampling, kemudian

Nilai RC penting lebih kecil dari interval sampling.

Jadi model HPF adalah

Algorithmic implementation

Pengaruh input dalam bentuk diskrit dan output diskrit akan dapat disimulasikan eek HPF
dari seri digital sampel :

// Return RC high-pass filter output samples, given input samples,

// time interval dt, and time constant RC
function highpass(real[0..n] x, real dt, real RC)
var real[0..n] y
var real α := RC / (RC + dt)
y[0] := x[0]
for i from 1 to n
y[i] := α * y[i-1] + α * (x[i] - x[i-1])
return y

The loop which calculates each of the n outputs can be refactored into the equivalent:

for i from 1 to n
y[i] := α * (y[i-1] + x[i] - x[i-1])

Bagaimanapun, pertama parameter α mengubah output, khususya output y[i-1] dan

perubahan arus input (x[i] - x[i-1]).

Applikasi di Audio

Kesemua filter baik LPF, BPF maupun HPF dipakai dalam system audio untuk menyaring
frekuensi yang dikehendaki dan dapat deprogram melalui model.
Bandwidth measured at half-power points (gain -3 dB, √2/2, or about 0.707 relative to
peak) on a diagram showing magnitude transfer function versus frequency for a band-pass
filter

A medium-complexity example of a band-Pass filter

See also: Loudspeaker enclosure#Compound or band-pass

A band-pass filter adalah divais yang meloloskan frekuensi antara dan menolak lainnya.
Sebagai contoh elektronik analog terdiri dari rangkaian RLC yang merupakan kombinasi
low-pass filter dan high-pass filter.[1]

Bandwidth BPF dengan frekueni cutoff dengan factor bentuk 2:1 pada 30/3 dB dimksud
adalah rata – rata bandwidth terukur antara frekuensi padat 30 dB dengan redaman
duakali dari frekuensi terukur 3 dB redaman..

Penggunaan model BPF pada sains atmosfer, khususya dalam data meteorology dengan
periode 3-10 hari, hanya fluktuasi angin siklon sebagai bentuk fluktuasi yang dapat ditapis
dengan BPF..

RUJUKAN

[1]. Wikimedia, google, diakses, 3 April 2014

[2] Atmospheric Aerosol, NASA Langley Research Center, Office of Public Affairs,
Hamton VA 23681-0001, diakses Agustus 2011.
[3] Levy, H., II, M. D. Schwarzkopf, L. Horowitz, V. Ramaswamy, and K. L. change
Findell (2008), Strong sensitivity of late 21st century climate to projected
 in short-lived air pollutants, Journal of Geophysical Research, 113, D06102, doi:
10.1029/2007JD009176 (diambil dari Wikipedia, Sep 2011).
[4] Adam Voiland, 2010, Aerosol Thiny Particle,Big Impact, Earth Observatory, NASA,
NASA, Nov 2010 (diakses 10 Sep 2011).
[5] Y. Bhavani Kumar, et.al; 2008, Portable lidar observation of aerosol layers over
tropical site Gadanki (13.5oN, 79.2oE) in India, JSPS Report Invitation Fellolowship.
[6] Markus Pahlow, Marc B. Parlage, Jan 2001, Miniature Lidar Rirearch Prosedure for
Baltimore PM Supersite, John Hoppkins University, Department of Geography and
Environmental Engineering, Baltimore, MD 21218
[7]. Eric P Shettle, Robert W. Fenn, 1979, Model for the Aerosol Lower Atmosphere and
the Effect of Humidity variations on Their Optical Properties, Air Force System
Command, USAF.
[8]. Wikimedia, diakses 6 Agustus 2012, Laer Nd:YAG.
[9] HTML Data Sheet, Hamamatsu 7400.
[10]. Photonic, diakses 6 Oktober 2011,
http://www.photonicsonline.com/doc.mvc/Avalanche-Photodiodes-0004
[11]. Francesca Smonett, et.al; 2010, Large Aperture Telescope fo r Advanced Lidar
System Optic Engineering, Optic Engineering, July Vol. 49.
[12].. ……,signal lidar mettant en évidence la stratification de l’atmosphère, lpca.univ-
littoral.fr, diakses 20 Oktober 2012.
[13]. …………, Förbränningsfysik: Picosecond-LIDAR, www.forbrf.lth.se, diakses 22 Oktober 2012
[14].Paivi Piironen, 1996, Lidar theory of the HSRL, CST
Gordon, Geoffrey, [1989], “System Simulation” ,
PHI, New Delhi, page 9
Dwi Setyawati, Sistem Simulasi & Pemodelan, www.dwi-setiawati.web.id, diakses
Agustus 2000.
NM Adiputra, Des. 22, 2009, Pengenalan Pemodelan Dan Simulasi
 BAB VII

MODEL DAN SIMULASI PROSES PENELITIAN

7.1. Model Penelitian

Model Proses Penelitian

Arus proses penelitian secara umum digambarkan sebagai berikut :

Metode dan Model Proses Perangkat Lunak

Metode Rekayasa Perangkat Lunak

Pendekatan-pendekatan terstruktur terhadap pengembangan perangkat lunak mencakup model, notasi,
aturan, saran pengembangan sistem (rekomendasi), dan panduan proses.

1. Deskripsi model sistem adalah Deskripsi model yang harus dikembangkan dan notasi yang
digunakan untuk mendefinisikan model-model ini.
2.  Aturan adalah Batasan yang berlaku bagi model sistem. 
3. Rekomendasi adalah Saran dalam membentuk perancangan yang baik.
4. Panduan Proses adalah Aktifitas yang bisa diikuti untuk mengembangkan model sistem

Model-model Proses Rekayasa Perangkat Lunak

 SDLC Model

Dalam perkembangan Rekayasa Perangkat Lunak banyak berbagai model yang digunakan untuk
membantu dalam pengembangan perangkat lunak (software). Pada umumnya model-model tersebut
berpatokan pada model proses pengembangan system yang disebut SDLC (System Development Live
Cycle).

System Development Live Cycle (SDLC) sendiri terdiri dari beberapa tahapan yaitu :

1. Identifikasi dan Pemilihan Kegiatan : semakin jelas mengidentifikasi masalah akan

memudahkan dalam penyelesainnya. Oleh karena itu identifikasi secara detail sangatlah penting
baik dalam menyelesaikan masalah ataupun untuk kelanjutan tahapan selanjutnya.
2. Inisiasi dan Perencanaan Kegiatan : permulaan / memulai melakukan perencanaan atas apa yang
akan dilakukan pada tahap-tahap selanjutnya.
3. Analisis: yaitu menganalisis : data-data / requirement yang sudah didapat dari tahap
indentifikasi. Semakin jelas hasil identifikasi semakin mudah juga melakukan analisanya.
4. Disain : selanjutnya membuat disain software yang akan dibuat setelah memperhatikan
requirement dan hasil analisa.
5. Implementasi: implementasi merupakan tahapan melakukan coding atau memulai sesungguhnya
dalam pembuatan sebuah software, yang kemudian diikuti dengan testing.
6. Perawatan /Maintenance: setelah software jadi pun tidak serta merta selesai begitu saja, harus
dilakukan perawatan jika nantinya masih terdapat bugs didalamnya harus diperbaiki.
Arus proses penelitian secara umum digambarkan sebagai berikut :
Permasalahan
Yang Latar Belakang
Mucul Masalah

Memilih Apa Tujuan Permasalaha

Penelitian Dari Formulasi Hipotesis
Penelitian n dan
Masalah Yang (Praduga Hasil Yang
Pendekatan Diinginkan)
Mucul/Judul
Masalah

Disain Teknik
Verifikasi/ (Perencangan dan Metode Penelitian dan
Pengecekan ulang Pembuatan, blok Kajian Penelitian
diagram, blok yang
modul, rangkaian Sebelumnya/Sejenis
elektronik) (kajian pustaka)

Ujicoba Dan Validasi

Analisis Data
Pengukuran (Ujicoba Dan
(hasil uji coba dan
(Pendataan) Pengukuran Ulang,
pengukuran dan
dengan data standar)
teori)

Rekam, Simpan Hasil dan Ketelitian Analisis

Dan Laporan Hasil dan Error Kevaliditasan
(dengan data
standard/yang
syah)
Ketahanan
Implementasi
instrumen hasil
perancangan
Gambar 7.1. Model penelitian

Pengembangan
Selajutnya
Model penelitian adalah model yang dititik beratkan pada proses dengan utama hasil akhir
bentuk kualitas hasil, dengan bantuan analisis data hasil penelitian/pengukuran. Dari garis
besarnya model penelitian tidak mmperlihatkan adanya catatan setiap proses. Namun sebagai
dokumentasi setiap proses perlu dicatat, manakala pada akhirnya ditemukan paten atau aspek
kebaharuan yang perlu dipublikasi.

7.2. Implementasi Model Penelitian

Adanya hasil akhir yang diperoleh, dengan proses dilaporkan sebagai taggungg jawab,
penggunaan anggaran dan fasilitas yang digunakan sehingga perlu dipertanggung jawabkan.
Penggunaan hasil penelitian sesuai dengan tujuan dan sasaran yang dikehendaki, tidak hanya
formalitas saja.

Pembuatan laporan merupakan keharusan, seperti apa yang telah dibahas pada blok diagram
Gambar 7.1, Sehingga penggunaan anggaran, peralatan dan proses penelitian dan hasilnya
dapat dipertanggungjawabkan.
 BAB VIII

MODEL DAN SIMULASI PROSES PEREKAYASA

8.1. Metode dan Model Proses Rekayasa Perangkat Lunak

Metode Rekayasa Perangkat Lunak

Pendekatan-pendekatan terstruktur terhadap pengembangan perangkat lunak mencakup model, notasi,

aturan, saran pengembangan sistem (rekomendasi), dan panduan proses. Proses yang dinalai dari
tahap ke tahap untuk melihat kebenaran yang dilakukan.

1. Deskripsi model sistem adalah Deskripsi model yang harus dikembangkan dan notasi
yang digunakan untuk mendefinisikan model-model ini.
2.  Aturan adalah Batasan yang berlaku bagi model sistem. 
3. Rekomendasi adalah Saran dalam membentuk perancangan yang baik.
4. Panduan Proses adalah Aktifitas yang bisa diikuti untuk mengembangkan model sistem

Model-model Proses Rekayasa Perangkat Lunak

 SDLC (System Development Live Cycle) Model

Dalam perkembangan Rekayasa Perangkat Lunak banyak berbagai model yang digunakan untuk
membantu dalam pengembangan perangkat lunak (software). Pada umumnya model-model tersebut
berpatokan pada model proses pengembangan system yang disebut SDLC (System Development Live
Cycle).
SDLC sendiri terdiri dari beberapa tahapan yaitu :

1. Identifikasi dan Pemilihan Proyek : semakin jelas mengidentifikasi masalah akan memudahkan
dalam penyelesainnya. Oleh karena itu identifikasi secara detail sangatlah penting baik dalam
menyelesaikan masalah ataupun untuk kelanjutan tahapan selanjutnya.
2. Inisiasi dan Perencanaan Proyek : permulaan / memulai melakukan perencanaan atas apa yang
akan dilakukan pada tahap-tahap selanjutnya.
3. Analisis, yaitu menganalisa : data-data / requirement yang sudah didapat dari tahap
indentifikasi. Semakin jelas hasil identifikasi semakin mudah juga melakukan analisanya.
4. Disain : selanjutnya membuat disain software yang akan dibuat setelah memperhatikan
requirement dan hasil analisa.
5. Implementasi : implementasi merupakan tahapan melakukan coding atau memulai sesungguhnya
dalam pembuatan sebuah software, yang kemudian diikuti dengan testing.
6. Perawatan / Maintenance : setelah software jadi pun tidak serta merta selesai begitu saja, harus
dilakukan perawatan jika nantinya masih terdapat bugs didalamnya harus diperbaiki.
 Ganbar 7.2. SDPLC (System Development Programme Live Cycle) Model

DISAIN/PROPOSAL PEREKAYASAAN

1. DRO (Design Requirement and Objective/Tujuan dan kebutuhan design)

Dibuat sebagai acuan untuk pembuatan Program Manual
(bukan dokumen resmi kerekayasaan)

2. PROGRAM MANUAL (dokumen resmi kerekayasaan)

(Sumber : Panduan Penyusunan Program Manual yang ada/standar)

Dalam penyusunan Program Manual oleh masing-masing kegiatan dari setiap program dan
setiap Unit Kerja, untuk keseragaman dan kelengkapan informasi kegiatan, maka
penyusunan Program Manual terdiri dari 2 (dua) bagian dan sedikitnya mengandung
informasi sebagai berikut:
A. Data Kegiatan (lihat format pada lampiran Panduan Program Manual 2011)
B. Keterangan Kegiatan, dengan outline sebagai berikut:
 Judul Kegiatan
Daftar Isi
I. Tujuan Program (Program Objectives)
8.2. 1.1. Latar Belakang dan Urgensi Permasalahan
1.2. Tujuan dan Sasaran
1.3. Target tahun
1.4. Outcome dan Kegunaan/Manfaat Kegiatan
1.5. Jangka Waktu Pelaksanaan & Total Anggaran
1.6. Nilai Proposisi (Value Proposition) Kegiatan
1.7. Peran Pengarah/Pegotrol melalui Kegiatan
1.8. Keluaran
1.9. Potensi HKI (Hak Kekayaan Intelektual)
II. Diskripsi Program (Program Description)
2.1. Uraian Singkat Aspek Teknis Kegiatan
2.2. Ruang Lingkup dan Metodologi
2.3. Status Teknologi
2.4. Peralatan dan Infrastruktur
2.5. Kerangka Kerja Sistem Inovasi
2.6. Mitra Kerja (industri/litbang) & Model Kemitraan
2.7. Pengguna (intermediate/end users) & Model Pemanfaatan Hasil
2.8. Dampak Ekonomis Pemanfaatan Hasil
III. Struktur Organisasi Program (Program Organizational Structures)
IV. Rencana Program Jangka Panjang (Program Master Phasing
Plan)
V. Struktur Rincian Kerja (Work Breakdown Structure /WBS)
VI. Jadwal Kegiatan Tahun 2021, 2022, 2023, dst (Program
Scheduling)
VII. Perencanaan SDM
VIII Perencanaan Anggaran
.
IX. Sistem Pelaporan dan Dokumentasi
X. Hasil Yang Telah Dicapai (Khusus untuk Program/Kegiatan
Lanjutan)
Lampiran-Lampiran
STRUKTUR ORGANISASI PROGRAM PUSAT/BIDANG - TIPE B

Program Director (PD)

KADIVISI

Program Manager (PM) Chief Eng (CE)

PPK Perekayasa Madya/ PU/Koor.Peneliti

Ass. CE : Para Ka.Bid

 Group Leader (GL) Group Leader (GL) Group Leader (GL)
PEREKAYASA
PEREKAYASA MADYA (PI) MADYA (PI) PEREKAYASA MADYA (PI) PEREKAYASA MADYA (PI)UTAMA (PI)
PENELITI

Leader (L) Leader (L)

PEREKAYASA/PENELITI PEREKAYASA/PENELITI

Engineering Staff (ES) Engineering Staff (ES)

PEREKAYASA/PENELITI PEREKAYASA/PENELITI
PEREKAYASA/PENELITI
STRUKTUR ORGANISASI PROGRAM BIDANG - TIPE C (NON DIPA)

PEREKAYASA MADYA (PI)

Group Leader (GL)
KABID/PEREKAYASA MADYA
Program Manager (PM)

PEREKAYASA/PENELITI PEREKAYASA/PENELITI
Leader (L) Leader (L)

PEREKAYASA/PENELITI PEREKAYASA/PENELITI
Engineering Staff (ES) Engineering Staff (ES)

8.3. ALIRAN INFORMASI / TAHAP PELAPORAN

(Sumber : Presentasi diklat perekayasa 2010)
• Untuk organisasi fungsional Kerekayasaan tipe A dan B:
a. Engineering Staff bertanggungjawab dalam menyiapkan laporan berupa Technical Note.
b. Leader bertanggungjawab dalam menyiapkan laporan berupa Technical Report, dan
memeriksa Technical Note yang disiapkan oleh Engineering Staff
c. Group Leader bertanggungjawab dalam menyiapkan laporan berupa Technical Document,
memeriksa Technical Report yang telah disiapkan oleh Leader, dan menyetujui Technical
Note yang telah diperiksa oleh Leader
d. Chief Engineer bertanggungjawab dalam penyiapan laporan berupa Program Document,
memeriksa Technical Document yang telah dibuat Group Leader, dan menyetujui
Technical Report yang telah diperiksa oleh Group Leader.
e. Program Manager bertanggungjawab mempersiapkan dan memeriksa laporan Progress
Control & Monitoring (PCM), dan memeriksa Program Document yang telah dipersiapkan
oleh Chief Engineer.
f. Kepala Program bertanggung jawab terhadap keseluruhan document, khususnya
Technical Document, dan Program Document.

• Untuk program dengan organisasi fungsional Kerekayasaan tipe C:

a. Engineering Staff, Leader, Group Leader, dan Program Manager memiliki tugas yang
sama dengan tipe A atau tipe B, hanya saja pada tipe C di mana Group Leader
merangkap peran sebagai Chief Engineer dan sebagai Kepala Program, maka Group
Leader bertanggungjawab terhadap Technical Document, dan Program Document.