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.

Tesis (TM092501)

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

Tabel Data hasil penelitian tambahan. Latar belakang

Rumusan

Tujuan

KAJIAN PUSTAKA & DASAR TEORI

METODE P.

Batasan

Manfaat

DAFTAR P.

12/24

LAMPIRAN

PENUTUP

HASIL EKSPERIMEN & PEMOSDELAN JST

ANALISA & PEMBAHASAN

Grafik Pengaruh debit

gas pelindung terhadap

luas penampang busur

Grafik Pengaruh arus

pengelasan terhadap lebar

masimum busur

Latar belakang

Rumusan

Tujuan

KAJIAN PUSTAKA & DASAR TEORI

METODE P.

Batasan

Manfaat

DAFTAR P.

13/24

LAMPIRAN

PENUTUP

HASIL EKSPERIMEN & PEMOSDELAN JST

ANALISA & PEMBAHASAN

Model JST dengan komponen jaringan

Latar belakang

Rumusan

Tujuan

KAJIAN PUSTAKA & DASAR TEORI

METODE P.

Batasan

Manfaat

DAFTAR P.

14/24

LAMPIRAN

PENUTUP

HASIL EKSPERIMEN & PEMOSDELAN JST

ANALISA & PEMBAHASAN

Gambar Performance JST Latar belakang

Rumusan

Tujuan

KAJIAN PUSTAKA & DASAR TEORI

METODE P.

Batasan

Manfaat

DAFTAR P.

15/24

LAMPIRAN

PENUTUP

HASIL EKSPERIMEN & PEMOSDELAN JST

ANALISA & PEMBAHASAN

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

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.

KESIMPULAN

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.

SARAN