fillahalamsyah/Machine-Learning-Prediksi-Posisi-Pada-Gerak-Parabola

Machine Learning : Prediksi Posisi Pada Gerak Parabola

Project untuk membuat prediksi gerak parabola ketika input waktu t dimasukkan dengan database yang dibuat dari persamaan gerak parabola. Terdapat 3 file utama agar project ini dapat berjalan secara utuh.

1. Program Membuat Database : GerakParabola.py
2. File Database : DatabaseGerakParabola.txt
3. Program Prediksi : PrediksiPosisiGerakParabola2.py

Important

Gunakan file yang dicantumkan di atas agar terhindar dari error.

Persamaan gerak parabola

1. Diketahui

   • $x_0$ = Posisi Horizontal Awal
   • $y_0$ = Posisi Vertikal Awal
   • $v_0$ = Kecepatan Awal
   • $\theta$ = Sudut

2. Kecepatan Awal

$$v_0x = v_0 \cos \theta$$ $$v_0y = v_0 \sin \theta$$

3. Kecepatan Saat t

$$v_x(t) = v_0x = v_0 \cos \theta$$$$ $$v_y(t) = v_0y - gt = v_0 \sin \theta - gt$$

4. Posisi saat t

$$x(t) = v_x t = v_0x t = v_0 \cos \theta t$$ $$y(t) = v_y t = v_0y t - gt = v_0 \sin \theta t - \frac{1}{2} gt^2$$

Program Membuat Database

import numpy as np
import matplotlib.pyplot as plt

def PosisiParabolaKetikaT(t):
    h0 = 10
    alpha = np.radians(45)
    g = 9.8
    v0 = 10
    v0x = v0*np.cos(alpha)
    v0y = v0*np.sin(alpha)

    ##"Jarak Horizontal Maksimum = ",X," m"
    X = ((v0**2)*np.sin(2*alpha))/(2*g)
    ##"Jarak Vertikal Maksimum = ",Y," m")
    Y = ((v0**2)*(np.sin(alpha)**2))/(2*g)
    ##"Waktu Mencapai Jarak Horizontal Maksimum = ",T," s")
    T = (2*v0*np.sin(alpha))/g     

    #t = np.arange(0.0, T, 0.01)
    y = h0 + v0y*t - 0.5*g*t**2
    x = v0x*t

    print(t,',',round(x,2),',',round(y,2))

print( 't , x , y')
for i in range(0,25):
    t = 0.1*i
    PosisiParabolaKetikaT(round(t,2))

Program Prediksi

import numpy as np
import pandas as pd
from sklearn import svm
import matplotlib.pyplot as plt

# Membaca data dari file
FileDB = r"C:\Users\fedba\Downloads\DatabaseGerakParabola.txt"
Database = pd.read_csv(FileDB, sep=",")

# Memisahkan data dan target
X = Database[['t']]
y = Database[['Posisix', 'Posisiy']]

# Memberikan nama fitur pada X
X.columns = ['t']

# Membuat model SVR untuk Posisix
clf_posisix = svm.SVR()
clf_posisix.fit(X, y['Posisix'])

# Membuat model SVR untuk Posisiy
clf_posisiy = svm.SVR()
clf_posisiy.fit(X, y['Posisiy'])

# Membuat prediksi untuk beberapa nilai waktu tertentu
time_values = np.linspace(0, 2.5, 10).reshape(-1, 1)

# Prediksi Posisix dan Posisiy
predictions_posisix = clf_posisix.predict(time_values)
predictions_posisiy = clf_posisiy.predict(time_values)

# Membuat subplot dengan 2 kolom dan 2 baris
fig, axs = plt.subplots(2, 2, figsize=(6, 6))

# Plot Posisix
axs[0, 0].scatter(X, y['Posisix'], color='black', label='Actual Posisix')
axs[0, 0].plot(time_values, predictions_posisix, color='red', label='Predicted Posisix')
axs[0, 0].set_ylabel('Posisix')
axs[0, 0].legend()

# Plot Posisiy
axs[0, 1].scatter(X, y['Posisiy'], color='blue', label='Actual Posisiy')
axs[0, 1].plot(time_values, predictions_posisiy, color='green', label='Predicted Posisiy')
axs[0, 1].set_ylabel('Posisiy')
axs[0, 1].legend()

# Plot antara Posisix dan Posisiy
axs[1, 0].scatter(y['Posisix'], y['Posisiy'], color='purple', label='Actual Posisix vs Posisiy')
axs[1, 0].set_xlabel('Posisix')
axs[1, 0].set_ylabel('Posisiy')
axs[1, 0].legend()

# Plot antara predictions_posisix dan predictions_posisiy
axs[1, 1].scatter(predictions_posisix, predictions_posisiy, color='orange', label='Predicted Posisix vs Posisiy')
axs[1, 1].set_xlabel('Predicted Posisix')
axs[1, 1].set_ylabel('Predicted Posisiy')
axs[1, 1].legend()

# Menampilkan hasil prediksi
for time, posisix, posisiy in zip(time_values, predictions_posisix, predictions_posisiy):
    print(f"t = {time[0]:.2f} s, Prediksi (x,y) = ({posisix:.2f}, {posisiy:.2f}) m")
plt.show()

Output Koordinat

Hasil Plot Prediksi Parabola