Optimasi Kekuatan Tarik Dan Impak Material Biokomposit Pada Proses Mesin Cetak Sistem Injeksi Menggunakan Metode Backpropagation Neural Network (Bpnn) Dan Genetic Algorithm (Ga)

Salamoni, Thenny Daus (2017) Optimasi Kekuatan Tarik Dan Impak Material Biokomposit Pada Proses Mesin Cetak Sistem Injeksi Menggunakan Metode Backpropagation Neural Network (Bpnn) Dan Genetic Algorithm (Ga). Masters thesis, Institut Teknologi Sepuluh Nopember Surabaya.

This is the latest version of this item.

[img] Text
2114201010 - Master_Thesis.pdf
Restricted to Repository staff only

Download (4MB)

Abstract

Polimer matrix composite (PMC) yang digunakan saat ini umumnya terbuat dari serat sintetis yang harganya mahal dan tidak ramah lingkungan. Penggunaan serat sintetis dapat diganti dengan serat alami, yang lebih ramah lingkungan dengan harga yang lebih murah. Bahan serat alami yang digunakan dalam penelitian ini terbuat dari sekam (RH), dengan ukuran partikel adalah 500 μm (mesh 35). Dalam proses pembuatan PMC, sekam padi dicampur dengan polypropylene (PP) dan maleic anhydride polypropylene (MAPP) dengan komposisi 10 wt% RH, 85 wt% PP dan 5 wt% MAPP. Material PMC dengan menggunakan serat alam disebut material biokomposit. Hasil dari pencampuran PMC dengan serat alam yang berbentuk pelet kemudian dilakukan proses injeksi menggunakan mesin cetak sistem injeksi. Hasil cetakkan berupa spesimen uji tarik berdasarkan standar pengujian ASTM D 638-03 tipe V dan spesimen uji impak berdasarkan standar pengujian ASTM D 256-04. Penelitian dilakukan dengan mengoptimasi kekuatan tarik dan impak material biokomposit pada proses mesin cetak sistem injeksi. Parameter proses yang divariasi, yaitu barrel temperature, injection pressure, holding pressure, injection velocity yang masing-masing memiliki 3 (tiga) level. Rancangan percobaan yang digunakan adalah metode Taguchi dengan matriks ortogonal yang dipilih L27(34). Metode pelatihan backpropagation neural network (BPNN) digunakan untuk mengenali pola hubungan antara parameter proses dengan parameter respon, sedangkan metode optimasi genetic algorithm (GA) untuk menentukan seting variasi parameter proses yang dapat mengoptimalkan kekuatan tarik dan impak. Hasil pelatihan BPNN memiliki arsitektur jaringan 4-9-9-2 yang terdiri dari 4 input layer, 2 hidden layer dengan 9 buah neuron, dan 2 neuron pada output layer. Fungsi aktivasi yang digunakan adalah “tansig” dan fungsi pelatihan adalah “trainrp”. Optimasi dengan GA menghasilkan kombinasi variable parameter proses barrel temperature 217 0C, injection pressure 55 Bar, holding pressure 41 Bar dan injection velocity 65 mm/det. Hasil validasi secara statistik dengan menggunakan one sample T test menunjukkan nilai rata-rata kekuatan tarik dan kekuatan impak hasil eksperimen konfirmasi sama dengan nilai kekuatan tarik dan impak hasil prediksi optimasi. =================================================================== Polymer matrix composite (PMC) generally used nowadays, was made of synthetic fibers. This material is expensive and not environmentally friendly. The usage of synthetic fibers in this material can be substituted with a natural fiber, which is more environmentally friendly with a cheaper price. Natural fiber material that used in this study was made from a rice husk (RH), with particle size is 500 μm (35 mesh). During PMC making process, rice husk was mixed with polypropylene (PP) and maleic anhydride polypropylene (MAPP) with a composition of 10 wt% RH, 85 wt% PP and 5 wt% MAPP. A combination of PMC and natural fibers is named by bio composite materials. The mixing process between PMC materials and natural fibers will produce a pelletized bio composite material. Furthermore, this bio composite material then made into a tensile test specimen and impact test specimen using an injection molding machine. This research was conducted to find the proper combination of process parameters which have the optimum tensile strength and impact strength for bio composite materials. Process parameter i.e. barrel temperature, injection pressure, holding pressure and injection velocity, have three level parameters. The experimental design used was Taguchi L27(34), with 2 replications. Backpropagation neural network (BPNN) method was used to recognize the relation between process parameters and response parameters, while genetic algorithm (GA) method was used to determine the best combination of a process parameter that can optimize tensile and impact strength. BPNN have a 4-9-9-2 network architecture, which consists of 4 input layers, 2 hidden layers with 9 neurons, and 2 neurons in the output layer. The activation function used is "tansig" and the training function is "trainrp". The combination of parameter process that can be optimized the responses value from GA method is barrel temperature 2170C, injection pressure 55 Bar, holding pressure 41 Bar and injection velocity 65 mm/s. The result of one sample T test shows that the average value of tensile strength and impact strength of experimental confirmation results is similar to the predicted result obtained from BPNN.

Item Type: Thesis (Masters)
Uncontrolled Keywords: process parameters, injection molding, Taguchi, BPNN-GA, tensile strength, impact strength.
Subjects: T Technology > TJ Mechanical engineering and machinery
T Technology > TS Manufactures
Divisions: Faculty of Industrial Technology > Mechanical Engineering > (S2) Master Theses
Depositing User: Salamoni Thenny Daus
Date Deposited: 14 Dec 2017 06:59
Last Modified: 14 Dec 2017 06:59
URI: http://repository.its.ac.id/id/eprint/47344

Available Versions of this Item

Actions (login required)

View Item View Item