digilib@itb.ac.id +62 812 2508 8800

ABSTRAK - Pramudya Vito Agata
Terbatas  Alice Diniarti
» Gedung UPT Perpustakaan

BAB 1 Pramudya Vito Agata
Terbatas  Alice Diniarti
» Gedung UPT Perpustakaan

BAB 2 Pramudya Vito Agata
Terbatas  Alice Diniarti
» Gedung UPT Perpustakaan

BAB 3 Pramudya Vito Agata
Terbatas  Alice Diniarti
» Gedung UPT Perpustakaan

BAB 4 Pramudya Vito Agata
Terbatas  Alice Diniarti
» Gedung UPT Perpustakaan

BAB 5 Pramudya Vito Agata
Terbatas  Alice Diniarti
» Gedung UPT Perpustakaan

COVER Pramudya Vito Agata
Terbatas  Alice Diniarti
» Gedung UPT Perpustakaan

DAFTAR PUSTAKA Pramudya Vito Agata
Terbatas  Alice Diniarti
» Gedung UPT Perpustakaan

LAMPIRAN Pramudya Vito Agata
Terbatas  Alice Diniarti
» Gedung UPT Perpustakaan

Metode Kisi Boltzmann (LBM) merupakan salah satu metode yang cukup andal dalam menyimulasikan aliran fluida. LBM menjadi makin populer seiring waktu karena kesederhanaan, efisiensi, serta kemampuannya dalam mengatasi geometri yang cukup kompleks. Tugas akhir pada tingkat sarjana ini berfokus pada pengembangan prototipe program komputasi menggunakan LBM, khususnya untuk simulasi difusi panas transien 1D, aliran Poiseuille 2D, serta aliran 2D yang melalui silinder berpenampang lingkaran. Tujuan utama dari tugas ini adalah untuk membuat dan memvalidasi program LBM, dengan penekanan khusus pada penggunaan Python untuk implementasinya. Python dipilih sebagai bahasa pemrograman untuk mengembangkan program LBM karena kemudahannya dalam pengembangan, kemampuannya untuk mencipatakan prototipe dengan cepat, serta sintaksisnya yang mudah dipahami. Meskipun memiliki kecepatan eksekusi yang lebih lambat dibandingkan dengan bahasa pemrograman lainnya, Python mendukung berbagai metode percepatan, seperti melalui vektorisasi array dan kompilasi Just-In-Time (JIT), yang membuatnya menjadi pilihan yang sangat baik untuk mengonstruksi prototipe LBM dengan cepat. Hasil studi ini menunjukkan bahwa, meskipun penggunaan loop pada Python tidaklah efisien, kompilasi JIT dapat meningkatkan kinerja program LBM secara signifikan, dan mempercepat waktu eksekusinya hingga ratusan sampai ribuan kali. Tugas akhir ini menekankan potensi Python untuk menciptakan prototipe LBM yang efisien serta pentingnya memilih pendekatan yang tepat untuk mempercepat program berdasarkan kebutuhan komputasi.