Penerapan Machine Learning Dengan Tingkat Akurasi Prediksi Dengan Nilai Mape ≤ 10% Terhadap Prediksi Surface Roughness Pada Mesin 3d Printing

Trahutomo, Dwi Cahyo (2024) Penerapan Machine Learning Dengan Tingkat Akurasi Prediksi Dengan Nilai Mape ≤ 10% Terhadap Prediksi Surface Roughness Pada Mesin 3d Printing. Other thesis, Institut Teknologi Sepuluh Nopember.

Text 2038201075_TUGAS AKHIR D4.pdf - Accepted Version Restricted to Repository staff only until 1 October 2026. Download (3MB) | Request a copy

Abstract

Aditif manufaktur, termasuk teknologi cetak tiga dimensi (3D printing), telah menjadi tonggak penting dalam industri manufaktur kontemporer. Prinsip inti dari aditif manufaktur adalah metode pembangunan objek fisik yang berlandaskan pada pembentukan lapisan demi lapisan berdasarkan rancangan digital yang telah terlebih dahulu dibuat. Fused Deposition Modeling (FDM) merupakan salah satu teknik manufaktur aditif yang sering digunakan karena efektivitas biayanya, fleksibilitas, dan mudah dalam menjalankan alatnya. Tetapi walaupun FDM ini banyak yang menggunakan masih ada masalah terkait dengan hasil kekasaran permukaan (surface roughness). Parameter proses pencetakan sangat mempengaruhi tingkat kekasaran permukaan. Oleh karena pada penelitian ini dibuat model machine learning untuk memprediksi hasil kekasaran permukaan yang dihasilkan, sebagai upaya mengurangi masalah yang mungkin terjadi. Dalam penelitian ini penulis membuat model machine learning dengan tingkat akurasi prediksi yang memiliki nilai MAPE ≤ 10% terhadap kekasaran permukaan hasil pencetakan pada mesin 3D printing. Pada penelitian ini menggunakan 324 data yang didapat dari secondary data. Data ini memiliki variasi parameter layer height, printing speed, temperatur ekstruder, serta gertaran dari tiga sumbu Metode machine learning yang digunakan adalah analisis regresi berganda dengan algoritma linear regression, decision tree, xgboost, random forest. digunakan juga hyperparameter tuning dengan metode grid search.
===========================================
Additive manufacturing, including three-dimensional printing (3D printing) technology, has become an important milestone in the contemporary manufacturing industry. The core principle of additive manufacturing is a method of building physical objects based on layer-by-layer formation based on a pre-made digital design. Fused Deposition Modeling (FDM) is one of the most frequently used additive manufacturing techniques due to its costeffectiveness, flexibility, and ease of tooling. But even though FDM is widely used, there are still problems related to the results of surface roughness. The molding process parameters greatly affect the surface roughness level. Therefore, in this study, a machine learning model was created to predict the results of the resulting surface roughness, in an effort to reduce problems that might occur. In this study, the authors created a machine learning model with a prediction accuracy level that has a MAPE value of ≤ 10% on the surface roughness of the printing results on a 3D printing machine. This research uses 324 data obtained from secondary data. This data has variations in the parameters of layer height, printing speed, extruder temperature, and vibration of the three axes. The machine learning method used is multiple regression analysis with linear regression algorithms, decision tree, xgboost, random forest. hyperparameter tuning is also used with the grid search method.

Item Type:	Thesis (Other)
Uncontrolled Keywords:	Machine Learning, Hyperparameter Tuning, 3D Print, Manufaktur Aditif, Kekasaran Permukaan. ============= Machine Learning, Hyperparameter Tuning, 3D Print, Additive Manufacturing, Surface Roughness
Subjects:	T Technology > T Technology (General) T Technology > T Technology (General) > T57.5 Data Processing T Technology > TS Manufactures
Divisions:	Faculty of Vocational Faculty of Vocational > Mechanical Industrial Engineering (D4)
Depositing User:	Dwi Cahyo Trahutomo
Date Deposited:	03 Aug 2024 07:21
Last Modified:	03 Aug 2024 07:21
URI:	http://repository.its.ac.id/id/eprint/111722

Actions (login required)

View Item