Amarta, Zain (2018) Optimasi Multi Respon Proses Vulkanisasi Sol Karet dengan Metode Backpropagation Neural Network-Genetic Algorithm (BPNN-GA) (Studi Kasus di CV. XYZ Sidoarjo). Masters thesis, Institut Teknologi Sepuluh Nopember.
Preview |
Text
09211650013014-Master_Thesis.pdf - Accepted Version Download (3MB) | Preview |
Abstract
CV. XYZ Sidoarjo adalah perusahaan yang bergerak di bidang industri barang jadi karet dan memproduksi sol karet yang digunakan sebagai bahan utama pembuatan sepatu atau sandal. Kualitas produk menjadi prioritas utama bagi CV. XYZ Sidoarjo. Salah satu tahapan proses produksi yang berpengaruh langsung terhadap kualitas sol karet adalah proses vulkanisasi. Sol karet memiliki dua critical to quality (CTQ), yaitu kekuatan tarik dan perpanjangan putus. Karakteristik spesifikasi dari kekuatan tarik dan perpanjangan putus pada sol karet adalah semakin tinggi semakin baik atau higher is better. Selama ini kedua CTQ dari sol karet masih banyak yang belum memenuhi spesifikasi. Hal tersebut menyebabkan banyaknya produk cacat. Agar kedua CTQ dari sol karet dapat memenuhi spesifikasi, maka dilakukan suatu penelitian tentang pengaturan parameter proses vulkanisasi.
Metode optimasi multi respon yang digunakan pada penelitian ini adalah metode backpropagation neural network (BPNN) yang dipadu dengan metode genetic algorithm (GA). Eksperimen dilakukan dengan memvariasikan ketiga parameter proses vulkanisasi yang masing-masing memiliki tiga level. Suhu cetakan divariasikan sebesar 140oC, 155oC dan 170oC. Tekanan cetakan divariasikan sebesar 70 bar, 80 bar dan 90 bar. Waktu tahan divariasikan sebesar 2 menit, 3 menit dan 4 menit. Rancangan eksperimen menggunakan rancangan acak lengkap (RAL) faktorial 3 x 3 x 3 dengan replikasi 3 kali. Parameter respon yang diamati adalah kekuatan tarik dan perpanjangan putus yang diukur dengan menggunakan mesin Zwick/Roell Z005. Penelitian ini juga menghitung penurunan biaya kerugian antara proses awal dengan proses yang telah dilakukan optimasi. Penurunan biaya kerugian dihitung dengan menggunakan Taguchi loss function.
Pengembangan jaringan BPNN menghasilkan arsitektur jaringan yaitu 3 neuron pada input layer, 16 neuron pada hidden layer dan 2 neuron pada output layer. Pengaturan level-level dari parameter proses vulkanisasi yang dapat memaksimalkan kekuatan tarik dan perpanjangan putus adalah suhu cetakan sebesar 145 oC, tekanan cetakan sebesar 84 bar dan waktu tahan sebesar 4 menit. Penurunan biaya kerugian yang terjadi adalah sebesar Rp 238,55/unit atau 27,30%.
=========================================================
CV. XYZ Sidoarjo is a rubber sole manufacturer that focuses on product quality. Vulcanization process is one of rubber sole manufacturing process that affects the product quality. Tensile strength and elongation at break are some responses that used to evaluate the performance of vulcanization process. The quality characteristics of these responses are “higher-is-better”. The aim of this research is to identify the combination of process parameters for achieving maximum responses in vulcanization process of rubber sole. The optimization was conducted by using the combination of backpropagation neural network (BPNN) method and genetic algorithm (GA) method. The three important process parameters such as molding temperature, molding pressure, and holding time were used as input parameters. All the process parameters were set at three different levels. Hence, a 3 x 3 x 3 full factorial was used as design experiments. The experiments were replicated three times. The architecture of developed BPNN had 3 neurons on input layer, 16 neurons on hidden layer, and 2 neurons on output layer. The maximum tensile strength and elongation at break could be obtained by using molding temperature, molding pressure, and holding time of 145 oC, 84 bar, and 4 minutes respectively. The total reducing loss cost of the process using optimal setting levels was Rp. 238.55/unit or 27.30%.
| Item Type: | Thesis (Masters) |
|---|---|
| Uncontrolled Keywords: | Sol Karet, proses vulkanisasi, backpropagation neural network, genetic algorithm |
| Subjects: | Q Science |
| Divisions: | Faculty of Business and Management Technology > Management Technology > 61101-(S2) Master Thesis |
| Depositing User: | Zain Amarta |
| Date Deposited: | 24 Jun 2021 01:13 |
| Last Modified: | 24 Jun 2021 01:13 |
| URI: | http://repository.its.ac.id/id/eprint/54955 |
Actions (login required)
 |
View Item |