RANTAI KomNumLab ⚙️

Computational Numerics / Benchmark Lab — experiment scaling, runtime, memory, curve fitting (Big-O demonstration).

Laboratorium Komputasi Numerik untuk Analisis Performa Algoritma

RANTAI KomNumLab adalah platform edukasi berbasis web yang dirancang untuk mahasiswa dan peneliti dalam mempelajari performa algoritma numerik. Platform ini menyediakan lingkungan simulasi untuk menganalisis kompleksitas waktu, penggunaan memori, stabilitas numerik, dan trade-offs antar algoritma.

📚 Tentang Proyek

RANTAI KomNumLab adalah alat pembelajaran interaktif yang memungkinkan pengguna untuk:

Mengeksplorasi Performa Algoritma: Bandingkan berbagai algoritma numerik dengan visualisasi yang kaya
Memahami Kompleksitas: Analisis scaling behavior dan time complexity secara visual
Simulasi Benchmark: Jalankan eksperimen dengan berbagai ukuran input dan parameter
Belajar Melalui Template: Gunakan template pembelajaran yang telah dikonfigurasi sebelumnya
Analisis Mendalam: Dapatkan insight tentang memory usage, error analysis, dan convergence behavior

⚠️ PENTING: Aplikasi ini dirancang khusus untuk tujuan edukasi. Semua hasil perhitungan adalah simulasi dan bukan komputasi numerik yang sebenarnya. Data yang ditampilkan adalah model statistik untuk tujuan pembelajaran.

✨ Fitur Utama

🧪 Eksperimen Kustom

Konfigurasi eksperimen dengan berbagai algoritma (LU Decomposition, QR Decomposition, Cholesky, SVD, dll.)
Pilih jenis matriks (dense, sparse, symmetric, diagonal)
Atur ukuran matriks dan jumlah repetisi
Kontrol presisi komputasi (float32/float64)

📊 Visualisasi Kaya

Log-Log Plot: Analisis scaling behavior
Performance Heatmap: Perbandingan multi-algoritma
Bar Charts: Runtime dan memory comparison
Error Distribution: Analisis akurasi dan stabilitas
Convergence Analysis: Visualisasi konvergensi iteratif

📋 Template Pembelajaran

Koleksi template pre-configured untuk berbagai topik:

Matrix Decomposition Fundamentals: Pengenalan dekomposisi matriks
Sparse vs Dense Matrix Performance: Perbandingan struktur data
Iterative Solvers Comparison: Metode iteratif vs langsung
High-Dimensional Scaling Analysis: Performa pada dimensi tinggi
Numerical Stability Investigation: Analisis stabilitas numerik
Dan masih banyak lagi!

📜 Riwayat & Perbandingan

Simpan hasil eksperimen di localStorage
Bandingkan hingga 4 eksperimen secara bersamaan
Export hasil ke JSON atau Markdown
Hapus dan kelola riwayat eksperimen

🎓 Tutorial Interaktif

Onboarding otomatis untuk pengguna pertama kali
Panduan langkah demi langkah
Tooltips informatif pada setiap algoritma
Rekomendasi algoritma berdasarkan kebutuhan

🌓 Mode Tema

Light mode dan Dark mode
Desain responsif untuk desktop dan mobile
UI modern dengan gradient dan animasi

🛠️ Teknologi

Proyek ini dibangun menggunakan teknologi modern:

Core Framework

Next.js 15.3.4 - React framework dengan App Router
React 19.1.0 - Library UI
TypeScript 5.8.3 - Type safety

UI & Styling

Tailwind CSS - Utility-first CSS framework
Radix UI - Accessible component primitives
Framer Motion - Animasi dan transisi
Lucide React - Icon library
Recharts - Charting library

State & Data

LocalStorage - Persistensi data lokal
React Hook Form - Form management
Zod - Schema validation

Development Tools

ESLint - Code linting
PostCSS - CSS processing
Autoprefixer - CSS vendor prefixing

🚀 Instalasi & Setup

Prasyarat

Node.js versi 18.x atau lebih tinggi
npm atau yarn

Langkah Instalasi

Clone repository

git clone https://github.com/yourusername/rantai-komnumlab.git
cd rantai-komnumlab

Install dependencies
```
npm install
# atau
yarn install
```
Jalankan development server
```
npm run dev
# atau
yarn dev
```
Buka browser
```
http://localhost:3000
```

Build untuk Production

npm run build
npm start

📖 Cara Menggunakan

1. Memulai Eksperimen Baru

Navigasi ke tab "New Experiment"
Isi nama eksperimen Anda
Pilih algoritma yang ingin diuji (minimal 1)
Pilih jenis matriks (dense, sparse, symmetric, atau diagonal)
Tentukan ukuran matriks yang akan diuji
Atur jumlah repetisi dan presisi
Klik "Run Experiment"

2. Menggunakan Template

Pergi ke tab "Templates"
Jelajahi kategori template:
- Matrix Operations
- Linear Solvers
- Eigenvalue Problems
- Optimization
- Advanced Topics
Klik template yang Anda inginkan
Template akan otomatis mengisi form eksperimen
Modifikasi jika diperlukan, lalu jalankan

3. Melihat Hasil

Setelah eksperimen selesai, Anda akan melihat:

Summary Cards: Runtime total, memory peak, convergence rate
Algorithm Rankings: Peringkat berdasarkan kecepatan
Detailed Results Table: Breakdown per ukuran dan algoritma
Visualizations: Grafik interaktif untuk analisis mendalam
Educational Insights: Penjelasan tentang karakteristik setiap algoritma

4. Membandingkan Eksperimen

Buka tab "Compare"
Pilih 2-4 eksperimen dari dropdown
Lihat perbandingan side-by-side:
- Runtime comparison
- Memory usage comparison
- Scaling behavior
- Algorithm efficiency

5. Mengelola Riwayat

History Tab: Lihat semua eksperimen yang pernah dijalankan
Filter & Search: Cari eksperimen berdasarkan nama atau tanggal
View Details: Klik eksperimen untuk melihat hasil lengkap
Delete: Hapus eksperimen yang tidak diperlukan
Export: Simpan hasil ke JSON atau Markdown

📁 Struktur Proyek

rantai-komnumlab/
├── src/
│   ├── app/
│   │   ├── api/              # API routes
│   │   │   ├── health/       # Health check endpoint
│   │   │   ├── logger/       # Logging endpoint
│   │   │   └── proxy/        # External API proxy
│   │   ├── fonts/            # Custom fonts
│   │   ├── favicon.ico       # App icon
│   │   ├── globals.css       # Global styles
│   │   ├── layout.tsx        # Root layout
│   │   └── page.tsx          # Main page
│   ├── components/
│   │   ├── ui/               # Reusable UI components
│   │   ├── about-app.tsx                  # About section
│   │   ├── algorithm-recommender.tsx      # AI recommender
│   │   ├── algorithm-tooltip.tsx          # Algorithm info tooltips
│   │   ├── benchmark-results.tsx          # Results display
│   │   ├── comparison-view.tsx            # Comparison UI
│   │   ├── enhanced-export.tsx            # Export functionality
│   │   ├── enhanced-visualizations.tsx    # Charts & graphs
│   │   ├── experiment-config.tsx          # Configuration form
│   │   ├── experiment-history.tsx         # History list
│   │   ├── experiment-templates.tsx       # Template gallery
│   │   ├── header.tsx                     # App header
│   │   ├── onboarding-tutorial.tsx        # First-time tutorial
│   │   ├── theme-provider.tsx             # Theme context
│   │   └── ... (Farcaster components)
│   ├── lib/
│   │   ├── experiment-simulator.ts  # Simulation engine
│   │   ├── logger.ts                # Logging utilities
│   │   ├── types.ts                 # TypeScript types
│   │   └── utils.ts                 # Helper functions
│   ├── hooks/
│   │   ├── use-mobile.tsx           # Mobile detection
│   │   └── useManifestStatus.ts     # Farcaster status
│   └── utils/
│       └── manifestStatus.ts        # Manifest utilities
├── public/
│   └── .well-known/
│       └── farcaster.json           # Farcaster config
├── package.json
├── tsconfig.json
├── tailwind.config.js
├── next.config.js
└── README.md

🎓 Konsep Edukasi

Algoritma yang Tersedia

RANTAI KomNumLab mencakup berbagai algoritma numerik:

Matrix Decomposition

LU Decomposition: Faktorizasi matriks menjadi lower dan upper triangular
QR Decomposition: Dekomposisi menggunakan orthogonal dan upper triangular
Cholesky Decomposition: Untuk matriks positive definite
SVD (Singular Value Decomposition): Dekomposisi nilai singular

Linear Solvers

Gaussian Elimination: Metode eliminasi klasik
Conjugate Gradient: Metode iteratif untuk sistem sparse
Jacobi Method: Iterasi sederhana untuk sistem linear
Gauss-Seidel: Versi improved dari Jacobi

Eigenvalue Problems

Power Iteration: Mencari eigenvalue dominan
QR Algorithm: Untuk semua eigenvalue
Lanczos: Untuk matriks sparse besar

Optimization

Gradient Descent: Optimasi berbasis gradien
Newton's Method: Second-order optimization
BFGS: Quasi-Newton method

Metrik yang Dianalisis

Runtime (ms): Waktu eksekusi algoritma
Memory Usage (MB): Penggunaan memori
Numerical Error: Akurasi hasil komputasi
Convergence Rate: Kecepatan konvergensi (untuk iteratif)
FLOPS: Floating-point operations per second
Scalability: Bagaimana performa berubah dengan ukuran input

🎯 Use Cases

Untuk Mahasiswa

Memahami trade-offs antar algoritma
Visualisasi kompleksitas waktu dan ruang
Persiapan untuk ujian atau tugas
Eksplorasi konsep numerik secara interaktif

Untuk Dosen

Demonstrasi kelas tentang performa algoritma
Material pembelajaran visual
Tugas praktikum berbasis simulasi
Benchmark educational tool

Untuk Peneliti

Quick prototyping untuk analisis algoritma
Visualisasi performa untuk paper
Educational outreach
Comparison baseline untuk algoritma baru

🔬 Limitasi & Disclaimer

Limitasi Teknis

Simulasi, Bukan Komputasi Real
- Semua hasil adalah model statistik
- Data mengikuti pola teoritis dengan noise realistis
- Tidak menjalankan operasi numerik sebenarnya
Persistensi Data
- Data disimpan di localStorage browser
- Clear cache akan menghapus riwayat
- Tidak ada sinkronisasi cloud
Ukuran Dataset
- Dibatasi untuk performa browser
- Maksimal 4 eksperimen untuk comparison
- Maksimal 10 ukuran matriks per eksperimen

Disclaimer Edukasi

⚠️ PENTING: Aplikasi ini adalah alat pembelajaran dan bukan software komputasi numerik profesional. Untuk aplikasi riset atau produksi yang serius, gunakan library seperti NumPy, SciPy, MATLAB, atau Eigen.

Hasil yang ditampilkan:

✅ Akurat secara konseptual dan teoritis
✅ Berguna untuk pembelajaran dan pemahaman
❌ Tidak untuk penelitian aktual atau produksi
❌ Tidak menggantikan implementasi real

🤝 Kontribusi

Kontribusi sangat diterima! Jika Anda ingin berkontribusi:

Fork repository ini
Buat branch fitur baru (git checkout -b feature/AmazingFeature)
Commit perubahan Anda (git commit -m 'Add some AmazingFeature')
Push ke branch (git push origin feature/AmazingFeature)
Buat Pull Request

Areas for Contribution

Menambahkan algoritma baru
Membuat template pembelajaran tambahan
Meningkatkan visualisasi
Menambahkan bahasa lain (i18n)
Memperbaiki bug atau dokumentasi
Menambahkan unit tests

📝 License

Distributed under the MIT License. See LICENSE for more information.

👨‍💻 Author & Credits

Developed by: mrbrightsides

Website: rantai.elpeef.com

Teknologi & Libraries

Terima kasih kepada semua maintainer dan contributor dari:

Next.js & React Team
Radix UI Team
Tailwind CSS Team
Recharts Team
Dan semua open-source projects yang digunakan

📞 Kontak & Support

GitHub Issues: Report bugs or request features
Email: [Your email here]
Website: rantai.elpeef.com

🗺️ Roadmap

v1.0 (Current - BETA)

✅ Core experiment functionality
✅ Template system
✅ Visualization suite
✅ LocalStorage persistence
✅ Interactive tutorial
✅ Comparison view

v1.1 (Planned)

Export to PDF dengan visualisasi
Import/Export eksperimen via file
Custom algorithm creator
Advanced statistical analysis
Algorithm complexity calculator

v2.0 (Future)

Multi-user collaboration
Cloud synchronization
API integration untuk real computation (optional)
Mobile app (React Native)
International language support (English, dll.)
Classroom mode untuk dosen

📖 Dokumentasi Tambahan

Running Tests (Coming Soon)

npm run test

Linting

npm run lint

Type Checking

npx tsc --noEmit

🎉 Acknowledgments

Proyek ini terinspirasi oleh:

Numerical computing textbooks dan courses
Community feedback dari students & educators
Open-source benchmarking tools

Special thanks to:

Semua beta testers yang memberikan feedback
Academic advisors yang memberikan input
Open-source community

📚 Referensi & Belajar Lebih Lanjut

Online Resources

🔗 RANTAI KomNumLab - Bridging Theory and Practice in Numerical Computing

Made with ❤️ for education

Website • GitHub • Report Bug

Name		Name	Last commit message	Last commit date
Latest commit History 13 Commits
LICENSE		LICENSE
README.md		README.md
app.py		app.py

License

mrbrightsides/komnumlab

Folders and files

Latest commit

History

Repository files navigation