PENERAPAN HYPERTUNING PADA MACHINE LEARNING DENGAN METODE EVALUASI R² PADA PREDIKSI KEKERASAN HASIL CETAK 3D PRINT MATERIAL PLA+

Quszanah, Fakhrizal Kresna (2024) PENERAPAN HYPERTUNING PADA MACHINE LEARNING DENGAN METODE EVALUASI R² PADA PREDIKSI KEKERASAN HASIL CETAK 3D PRINT MATERIAL PLA+. Other thesis, Institut Teknologi Sepuluh Nopember.

Text 2038201073-Undergraduate_Thesis.pdf - Accepted Version Restricted to Repository staff only Download (3MB) | Request a copy

Abstract

Teknologi manufaktur aditif, seperti 3D printing, memainkan peran penting dalam berbagai aplikasi industri. Kualitas dan kemampuan prototipe cetakan 3D sangat dipengaruhi oleh kekerasan material yang digunakan. Penelitian ini bertujuan untuk mengevaluasi pengaruh parameter suhu nozzle, kecepatan cetak, dan tinggi layer terhadap kekerasan hasil cetakan 3D dari material PLA+. Pengujian kekerasan dilakukan menggunakan Shore D Durometer sesuai standar ASTM D2240. Data yang dikumpulkan dianalisis menggunakan teknik machine learning, termasuk model regresi dan hypertuning, untuk mendapatkan prediksi yang lebih akurasi. Eksperimen dilakukan menggunakan printer 3D Creality Ender 3 V3 KE dan sensor Accelerometer ADXL335 untuk mengukur getaran pada sumbu X, Y, dan Z selama proses pencetakan. Variasi parameter yang digunakan meliputi tinggi layer dari 0,1 mm hingga 0,3 mm, kecepatan cetak dari 85 mm/s hingga 110 mm/s, dan suhu nozzle dari 210°C hingga 230°C. Data getaran dianalisis menggunakan FFT untuk mendapatkan nilai frekuensi getaran, dan nilai kekerasan diukur pada lima titik yang telah ditentukan. Hasil penelitian menunjukkan bahwa tinggi layer adalah parameter yang paling berpengaruh terhadap kekerasan benda kerja 3D. Model terbaik yang dikembangkan menggunakan Gradient Boosting memiliki nilai R² sebesar 0,87, menunjukkan akurasi prediksi yang tinggi. Hyperparameter tuning tidak memberikan peningkatan yang signifikan dalam pengolahan data dengan nilai yang kurang dari atau sama dengan 0,87. Temuan ini menunjukkan potensi penggunaan hypertuning dalam machine learning untuk meningkatkan kualitas cetakan 3D.
=====================================================================================================================
Additive manufacturing technologies, such as 3D printing, play an important role in various industrial applications. The quality and capability of 3D printed prototypes are greatly influenced by the hardness of the material used. This study aims to evaluate the effect of nozzle temperature, print speed, and layer height parameters on the hardness of 3D printed PLA+ material. Hardness testing was conducted using a Shore D Durometer according to ASTM D2240 standard. The collected data was analyzed using machine learning techniques, including regression models and hypertuning, to obtain more accurate predictions. Experiments were conducted using a Creality Ender 3 V3 KE 3D printer and ADXL335 Accelerometer sensors to measure vibrations in the X, Y, and Z axes during the printing process. The parameter variations used include layer height from 0.1 mm to 0.3 mm, print speed from 85 mm/s to 110 mm/s, and nozzle temperature from 210°C to 230°C. Vibration data was analyzed using FFT to obtain vibration frequency values, and hardness values were measured at five predetermined points. The results show that layer height is the most influential parameter on the hardness of 3D workpieces. The best model developed using Gradient Boosting has an R² value of 0.87, indicating high prediction accuracy. Hyperparameter tuning did not provide significant improvement in data processing with values less than or equal to 0.87. These findings demonstrate the potential of using hyperparameter tuning in machine learning to improve the quality of 3D prints.

Item Type:	Thesis (Other)
Uncontrolled Keywords:	Manufaktur Aditif, Kekerasan, Machine Learning, Regresi, Hypertuning Additive Manufacturing, Hardness, Machine learning, Regression, Hypertuning
Subjects:	T Technology > T Technology (General) > T57.5 Data Processing
Divisions:	Faculty of Vocational > Mechanical Industrial Engineering (D4)
Depositing User:	Fakhrizal Kresna Quszanah
Date Deposited:	08 Aug 2024 02:13
Last Modified:	08 Aug 2024 02:13
URI:	http://repository.its.ac.id/id/eprint/111807

Actions (login required)

View Item