 2 Px (t , x) Px (t , x)  2 Px (t , x)

 2C D
t 2
x x 2
 Abstrak
Persamaan difusi diturunkan dengan menggunakan konsep
“random walk” yang diterapkan pada persamaan beda. Dengan
“ Taylor ” persamaan tersebut dideretkan sampai order dua,
persamaan diferensial yang diperoleh diselesaikan dengan
“Transformasi Fourier”. Selanjutnya persamaan difusi yang
diperoleh yang berbentuk “probability density function”
disimulasi untuk melihat visualisasi 3-D dan profil grafik 2-D
dari titik-titik waktu observasi yang menjadi interest.
Pendekatan semacam itu sangat bermanfaat untuk pemodelan
dan simulasi masalah-masalah dispersi, misalnya penyebaran
asap kebakaran hutan atau banyak phenomena alam lainnya
yang serupa
 Diskripsi Masalah

Pada presentasi ini akan disimulasi model penyebaran asap

kebakaran hutan yang bergerak mulai dari waktu t = 0 dan
pada lokasi x = 0. Asap diasumsikan bergerak dengan
kecepatan 10 km/jam dengan koefisien difusi 1 km2 / jam .
Model matematika yang akan disimulasi adalah solusi dari
persamaan Fokker-Planck yang berbentuk :

 2 Px (t , x) Px (t , x)  2 Px (t , x)
 2C D
t 2
x x 2

Persamaan tersebut diturunkan dengan konsep

random walk sebagai berikut :
Penurunan model persamaan difusi Fokker-Planck

Konsep random walk diterapkan pada persamaan beda sbb:

P(n+1,x) = p P(n,x-1) + q P(n,x+1) (1)

Dgn. syarat batas

P(0,0) = 1 dan P(0,x) = 0 untuk x  0 (2)
Bila diambil step size x (ruang) dan t (waktu) dan
dimisalkan t = n t, maka dapat ditumjukkan bahwa mean dan
variance untuk satu langkah yang panjangnya x adalah :
 x  ( p  q) x dan  x
2
 4 pq(x) 2 (3)
Karena setiap step independent dari dan mempunyai pdf
yang sama dengan step lainnya, maka dapat ditulis :
 x
 x  n  x  t ( p  q ) (4)
t

(x) 2 (5)
 2
x  n 2
x  4 pqt
t

Agar supaya x dan x2 tetap berhingga untuk semua

t, maka dapat diatur sbb:
( x ) 2 (6)
 2D
t
Dimana D disebut koefisien difusi dan biasanya
diasumsikan konstant. Dengan spesifikasi tersebut
 2D
 x  t ( p  q) (7)
x

Selanjutnya misalkan,

 x
c (8)
2t
Dimana c adalah kecepatan. Karena p = q bila x = 0,
maka diatur nilai p dan q sbb :
1 c
p  x (9)
2 2D
1 c
q  x (10)
2 2D
Sehingga diperoleh ,
x = 2 c t (11)
2 x = 2 D t (12)

Sehingga persamaan (1) dapat ditulis,

P(t + t, x ) = p P(t, x - |x|) + q P(t, x + |x|) (13)

Persamaan (13) inilah yg. Diekspansikan dengan deret Taylor

akan tetapi dengan menggunakan pdf sbb.:

p x (t , x) p x (t , x) (x) 2  2 p x (t , x)
t  (q  p) x    (14)
t x 2  x2

Selanjutnya persamaan tersebut diselesaikan dengan

Transformasi Fourier untuk mendapatkan bentuk
 1  x  2Ct 2 
Px (t , x)  exp   (15)
4Dt  4 Dt 

Perilaku dari fungsi inilah yang disimulasi dengan

MATLAB, dimana perubahan pdf divisualisasi
dalam bentuk 3-D dengan disertai plot profile 2-D
dari perubahan pdf pada titik-titik waktu observasi
yang menjadi interest Sbb:

1. Simulasi 3-D
2. Observasi titik waktu interest
 Hasil simulasi 3-D
yang merupakan
visualisasi
perubahan fungsi
probabilitas
densitas dengan c
= 10 km/jam dan
koefisien difusi
diambil 1 km2 /jam

M file GUI
Simulasi grafik pandangan
samping

Gambar
disamping ini
adalah hasil
rotasi gambar
3-D yang dilihat
dari samping .
Observasi pada titik-titik waktu yang
menjadi interest
observasi pdf pada t = 0, 0.25, 0.5, 1, dan 2 jam
1
p(0,x )

0.5

0
0 5 10 15 20 25 30 35 40 45 50
p(0.25,x )

0.02
0.01
0
0 5 10 15 20 25 30 35 40 45 50
p(0.5,x )

0.02
0.01
0
0 5 10 15 20 25 30 35 40 45 50
p(1,x )

0.02
0.01
0
0 5 10 15 20 25 30 35 40 45 50
p(2,x )

0.02
0.01
0
0 5 10 15 20 25 30 35 40 45 50
miles
TUTORIAL G U I MATLAB