Optimasi Proses Pengujian Frame body Durability Middle Load menggunakan Backpropagation neural network dan Genetic Algorithm

Dita, Nugraha Pratama Rahmat (2024) Optimasi Proses Pengujian Frame body Durability Middle Load menggunakan Backpropagation neural network dan Genetic Algorithm. Masters thesis, Institut Teknologi Sepuluh Nopember.

Text 6007212014-Master_Thesis.pdf - Accepted Version Restricted to Repository staff only until 1 July 2026. Download (3MB) | Request a copy

Abstract

Frame body sepeda motor merupakan komponen yang penting untuk menahan beban pengendara, sistem suspensi dan struktur utama yang menahan dari beban jalannya. PT XY, produsen sepeda motor, menerapkan tipe frame body esaf pada motor matic untuk mengoptimalkan bobot kendaraan dimana base model dari rangka sebelumnya memiliki berat lebih besar 7 kg. Sehingga pengujian durability frame body middle load menjadi sangat penting untuk memverifikasi part tersebut. Penelitian ini bertujuan untuk mendapatkan level-level parameter proses pengujian yang paling optimal, seperti sudut aktuator dan besaran load, sehingga level stress yang ada pada kondisi pengujian sesuai dengan level stress yang ada di kondisi beban jalan standarnya. Untuk mempercepat proses set up pengujian dan mempermudah kondisi operasional operator maka dibutuhkan metode optimasi yang dapat meprediksi nilai faktor input dan respon, yang sesuai pada kondisi bench test, karena hal tersebut pada penelitian ini menggunakan metode optimasi multi respon Backpropagation neural network (BPNN) dimana parameter faktor input dan respon dari kondisi bench test digunakan sebagai database train dari jaringan saraf tiruan yang akan dihasilkan, dari hasil BPNN ini kemudian akan dilakukan proses optimasi oleh Genetic Algorithm (GA), untuk mendapatkan level – level faktor input proses yang optimal. Sehingga nilai stress level pada kondisi bench test akan sama dengan kondisi beban jalannya. Hasil yang didapat dari arsitektur jaringan BPNN setelah proses train data input faktor dan respon adalah 4-20-20-20-10, dengan MSE sebesar 0,0174 ( 1,74% ), dan rata-rata error BPNN hasil testing kurang dari 10% terhadap data aktual. Serta hasil optimasi GA didapatkan parameter proses yang optimal dari frame body esaf A (300,-100,50Kgf,34Kgf ) model B ( 340,00,45Kgf,42Kgf ) dan model C ( 410,-10,40Kgf,45Kgf )
====================================================================================================================================
The motorbike body frame is an important component to support the rider's load, the suspension system and the main structure that withstands the load of the road. PT So testing the durability of the frame body middle load is very important to verify this part. This research aims to obtain the most optimal levels of test process parameters, such as actuator angle and load size, so that the stress level in the test conditions matches the stress level in standard road load conditions. To speed up the test setup process and simplify operational conditions for operators, an optimization method is needed that can predict input and response factor values, which are appropriate for bench test conditions, because this research uses the Backpropagation Neural Network (BPNN) multi-response optimization method where the parameters The input factors and responses from the bench test conditions are used as a database train for the artificial neural network that will be produced. From the BPNN results, an optimization process will then be carried out by the Genetic Algorithm (GA), to obtain optimal levels of process input factors. So the stress level value in the bench test conditions will be the same as the road load conditions. The results obtained from the BPNN network architecture after the input factor and response data train process were 4-20-20-20-10, with an MSE of 0.0174 (1.74%), and the average BPNN error from testing results was less than 10 % to actual data. As well as the GA optimization results, optimal process parameters were obtained from the esaf frame body A (300,-100,50Kgf,34Kgf) model B (340,00,45Kgf,42Kgf) and model C (410,-10,40Kgf,45Kgf)
​

Item Type:	Thesis (Masters)
Uncontrolled Keywords:	DMAIC, Net Plant Heat Rate (NPHR), Key Performance Indicator (KPI), Coal Calorific Value (cv), Energy Losses, Impact/Effort Matrix
Subjects:	T Technology > T Technology (General) T Technology > T Technology (General) > T57.62 Simulation T Technology > TJ Mechanical engineering and machinery > TJ217 Adaptive control systems
Divisions:	Faculty of Industrial Technology and Systems Engineering (INDSYS) > Mechanical Engineering > 21101-(S2) Master Thesis
Depositing User:	Nugraha Pratama R
Date Deposited:	13 Feb 2024 01:14
Last Modified:	13 Feb 2024 01:21
URI:	http://repository.its.ac.id/id/eprint/107022

Actions (login required)

View Item