Tesis (TM092501)
APLIKASI JARINGAN SYARAF TIRUAN UNTUK MEMPREDIKSI MORFOLOGI BUSUR PADA PENGELASAN BUSUR DIAM T I G DENGAN PARAMETER DAN KOMPOSISI GAS YANG BERBEDA
Oleh: Muhammad Fadly Hi Abbas NRP : 2106 201 003
Dosen Pembimbing Dr. Ir. Abdullah Shahab, M.Sc.
Proses pengelasan memegang peranan penting dalam industri modern.
Telah banyak penelitian pada metode TIG yang mengvariasikan parameter pengelasan. Busur (arc) yang berhubungan langsung pada saat proses pengelasan . Dalam proses pengelasan, memerlukan biaya dan waktu yang relatif besar maka dikembangkan metode prediksi dengan menggunakan jaringan syaraf tiruan (artificial neural networks).
Bagaimana mempelajari pengaruh arus pengelasan, sudut ketirusan elektrode, debit gas pelindung, arc length, stick out, diameter elektrode serta jenis dan komposisi gas pelindung terhadap morfologi busur. Bagaimana menyusun struktur JST yang dapat digunakan untuk memprediksi pengaruh parameter pengelasan dan komposisi gas pelindung terhadap morfologi busur Menguji kevalidan data hasil eksperimen dan target JST.
Mengetahui pengaruh jenis dan komposisi gas pelindung, debit gas pelindung, arus pengelasan, ketirusan elektrode, arc length, stick out, dan diameter elektrode terhadap morfologi busur las. Memperoleh model jaringan syaraf tiruan (Artificial neural networks) yang dapat memprediksikan morfologi busur las. Memperoleh kenyakinan tentang ketidakbedaan antara hasil eksperimen dan target JST
Memberikan informasi tentang pemilihan parameter pengelasan. Dengan menggunakan metode jaringan syaraf tiruan dapat menginformasikan secara cepat dan tepat untuk pemelihan parameter pengelasan. Sebagai tambahan pembendaharaan penelitian di bidang pengelasan .
Kondisi lingkungan pada saat pelaksanaan percobaan, dianggap tetap. Kondisi peralatan yang digunakan, dianggap cukup baik. Kondisi permukaan spesimen uji ,dianggap seragam. Variabel lain (non parameter), diasumsikan memberikan efek yang seragam. Kerusakan elektroda pada pelaksanaan percobaan, dianggap tidak berpengaruh secara signifikan terhadap obyek penelitian. Penggunaan model Jaringan syaraf tiruan (Artificial neural networks), dianggap cukup maksimal.
Ru (2008), meneliti tentang variasi parameter pengelasan terhadap morfologi busur pada metode GTAW. Franky (2006), mengidentifikasi cacat kemasan rokok dengan menggunakan JST berdasarkan pola citra pada permukaan kertas. Suwarno (2004) ,memprediksi derajat presipitasi karbida krom pada baja tahan karat austenitik dengan metode jaringan syaraf tiruan (JST). Irham (2004) ,memprediksi terjadinya knocking pada mesin penyalaan busi, sehingga mesin dapat dioperasikan mendekati batas gar’s knocking dan diperoleh efesiensi dan daya ouputs lebih besar. Lightfood (2005), mengembangkan ANN untuk mempelajari faktor-faktor yang mempengaruhi terhadap distorsi pada pelat baja grade D dan DH 39 dengan ketebalan 6 mm-8 mm. Yuliadi (2000), meneliti tentang topologi distorsi pada pelat kapal akibat pengelasan dengan ANN.
Gas tungsten arc welding (GTAW) atau Tungsten Inert Gas (TIG)
Skema pengelasan GTAW (Miller Mfg. Co., 2007)
Gambar Busur listrik
Jaringan Syaraf Tiruan (Artificial Neural Networks)
Gambar Jaringan syaraf tiruan
Diagram alir metode JST
12/24
Latar belakang Rumusan Tujuan Manfaat Batasan KAJIAN PUSTAKA & DASAR TEORI
METODE P. HASIL EKSPERIMEN & PEMOSDELAN JST
ANALISA & PEMBAHASAN
PENUTUP DAFTAR P. LAMPIRAN
Tabel Data hasil penelitian tambahan.
13/24
Latar belakang Rumusan Tujuan Manfaat
Grafik Pengaruh debit gas pelindung terhadap luas penampang busur
Batasan KAJIAN PUSTAKA & DASAR TEORI
METODE P. HASIL EKSPERIMEN & PEMOSDELAN JST
ANALISA & PEMBAHASAN
PENUTUP DAFTAR P. LAMPIRAN
Grafik Pengaruh arus pengelasan terhadap lebar masimum busur
14/24
Latar belakang Rumusan Tujuan Manfaat Batasan KAJIAN PUSTAKA & DASAR TEORI
METODE P. HASIL EKSPERIMEN & PEMOSDELAN JST
ANALISA & PEMBAHASAN
PENUTUP DAFTAR P. LAMPIRAN
Model JST dengan komponen jaringan
15/24
Latar belakang Rumusan Tujuan Manfaat Batasan KAJIAN PUSTAKA & DASAR TEORI
METODE P. HASIL EKSPERIMEN & PEMOSDELAN JST
ANALISA & PEMBAHASAN
PENUTUP DAFTAR P. LAMPIRAN
Gambar Performance JST
Data hasil eksperimen vs data prediksi (target jaringan)
Grafik Hasil eksperimen dan prediksi, untuk luas penampang busur
Grafik Hasil eksperimen dan prediksi, untuk lebar maksimum busur
Analisis statistik antara hasil eksperimen dan prediksi JST, untuk luas penampang busur. Hipotesis H0 : Selisih antara hasil eksperimen dengan target JST = 0 H1 : Selisih antara hasil eksperimen dengan target JST ≠ 0 Daerah Penolakan |t| > tα/2
Kesimpulan . Level toleransi (α) sebesar 5%. Derajat kebebasan (df) = 56, tabel distribusi t nilai statistik t0.05/2 pada df = 56 sebasar 2,003 dan T-Value = 0.39 maka berada di luar daerah penolakan |t| < tα/2 sehingga hasil selisih antara hasil eksperimen dengan target JST adalah sama. atau tidak ada perbedaan yang signifikan.
Gambar Hasil prediksi (Output JST) pada GUI.
Gambar Perbandingan hasil eksperimen vs prediksi
KESIMPULAN 1. Adisi 30% helium ke argon menyebabkan penurunan dari besaran morfologi busur. Debit gas pelindung dan stick out cenderung tidak berpengaruh terhadap respon. Perubahan parameter lainnya berpengaruh terhadap perubahan morfologi busur. Kenaikan arus pengelasan, menyebabkan kenaikan pada respon lainnya, namun sudut kontak busur cenderung menurun . 2. Dari hasil eksperimen, dimodelkan dengan jaringan syaraf tiruan, dengan type traingdx backpropagation, algoritma pelatihan traingdx, dengan 3 layer neuron, berhasil memprediksi morfologi busur. 3. Tidak ada perbedaan yang signifikan antara output jaringan syaraf tiruan dengan output JST, setelah keduanya diuji secara statistik.
SARAN 1. Penggunaan komposisi gas pelindung dengan komposisi argon-helium yang lebih variatif dan memasukkan parameter pengelasan lain. 2. Banyaknya data training, sangat berpengaruh pada tingkat keakuratan JST.
3. Banyaknya parameter pengujian berpengaruh pada kondisi real.
