Analisa Sifat Mekanik Cuzn35 Dengan Perlakuan Panas Menggunakan Machine Learning & Optimasi Taguchi

Sylvano, Ananda (2022) Analisa Sifat Mekanik Cuzn35 Dengan Perlakuan Panas Menggunakan Machine Learning & Optimasi Taguchi. Masters thesis, Institut Teknologi Sepuluh Nopember.

Text 02511950012001-Master_Thesis.pdf Restricted to Repository staff only Download (2MB)

Abstract

Penelitian ini bertujuan untuk menganalisis parameter yang optimal pada
pengaruh temperatur pemanasan, holding time, dan media pendingin terhadap
kekuatan tarik dan kekerasan material yellow brass sebagai alternatif material
selongsong peluru pengganti CuZn30. Optimasi Taguchi dan Machine Learning
dilakukan untuk mengevaluasi beberapa faktor dengan jumlah tes yang minimum
dengan menggunakan tata letak eksperimen orthogonal array. Parameter proses
yang akan di optimasi adalah media pendingin furnace, air, dan udara. Temperatur
pemanasan 300, 400, dan 500oC, dan holding time 60, 90, dan 120 menit. Hasil
dari metode Taguchi menunjukkan parameter yang paling berpengaruh terhadap
nilai dari kekerasan dan kekuatan tarik adalah temperatur pemanasan dengan
persentase kontribusi yang diperoleh sebesar 85,8278 % terhadap kekerasan dan
99,115 % terhadap kekuatan tarik. Pada hasil machine learning, Validasi model
XGBoost menunjukan nilai MAE, RMSE, dan R square berturut turut 6,12; 8.23;
0.43 untuk variabel respon kekerasan. Pada variabel respon kekuatan tarik
menunjukan nilai 4,81; 7,76; dan 0.49. Metrik dari validasi menunjukan sampel
kecil menggunakan desain taguchi dapat menghasilkan model yang cukup baik
untuk memprediksi respon.

-----------------------------------------------------------------------------------------

This study aims to analyze the optimal parameters on the effect of heating
temperature, holding time, and cooling medium on the tensile strength and hardness of
yellow brass material as an alternative to CuZn30 replacement bullet casing material.
Taguchi optimization and machine learning were carried out to evaluate several factors
with a minimum number of tests using an orthogonal array experimental layout. The
process parameters that will be optimized are furnace cooling media, water, and air.
Heating temperatures are 300, 400, and 500oC, and holding times are 60, 90, and 120
minutes. The results of the Taguchi method show that the parameter that has the most
influence on the value of hardness and tensile strength is the heating temperature with
a percentage of contribution of 85.8278% to hardness and 99.115% to tensile strength.
On the machine learning results, the XG Boost model validation showed the MAE,
RMSE, and R square values respectively 6.12; 8.23; 0.43 for the hardness response
variable. The tensile strength response variable showed a value of 4.81; 7.76; and 0.49.
Metrics from the validation showed a small sample using the Taguchi design can
produce a model that is good enough to predict response.

Item Type:	Thesis (Masters)
Uncontrolled Keywords:	Annealing, Tensile Strength, Hardness, Machine Learning, Taguchi.
Subjects:	T Technology > TN Mining engineering. Metallurgy > TN752.I5 Steel--Heat treatment
Divisions:	Faculty of Industrial Technology and Systems Engineering (INDSYS) > Material & Metallurgical Engineering > 27101-(S2) Master Thesis
Depositing User:	magang .
Date Deposited:	31 Aug 2026 07:52
Last Modified:	31 Aug 2026 07:52
URI:	http://repository.its.ac.id/id/eprint/144429

Actions (login required)

View Item