aplikasi jaringan syaraf tiruan untuk memprediksi

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.