Optimasi Gaya Potong Menggunakan Metode Backpropagation Neural Network Artificial Bee Colony Algorithm Dan Differential Evolution Untuk Proses End Milling Pada Inconel 718

Kaffin, Najibul (2022) Optimasi Gaya Potong Menggunakan Metode Backpropagation Neural Network Artificial Bee Colony Algorithm Dan Differential Evolution Untuk Proses End Milling Pada Inconel 718. Other thesis, Institut Teknologi Sepuluh Nopember.

Text 02111740000130-Undergraduate Thesis.pdf Download (3MB)

Abstract

Proses pemesinan merupakan faktor penting dalam pembuatan suatu produk. Salah satu proses pemesinan konvensional yang sering dilakukan yaitu end milling. Proses end milling merupakan proses pemotongan menggunakan end mill dimana permukaan benda kerja tegak lurus terhadap ujung pahat yang berputar. Pada proses end milling, harus memperhatikan gaya potong untuk menghindari defleksi yang mengakibatkan keausan pada pahat. Oleh karena itu perlu dilakukan upaya untuk meningkatkan umur pahat terhadap keausan pada proses end milling dengan cara optimasi terhadap parameter end milling seperti memvariasikan parameter input (kecepatan potong, kecepatan makan, kedalaman potong, dan lebar pemotongan) agar menghasilkan resultan gaya potong yang minimum, sehingga desain proses end milling yang optimal dapat ditentukan. Penelitian ini berdasarkan pada jurnal dengan judul “Prediction of Cutting Force in End Milling of Inconel 718” oleh (Kasim, et al., 2015). Pada penelitian ini digunakan rancangan eksperimen menggunakan 3 variasi kecepatan potong yaitu 100, 120, 140 m/menit, 3 variasi jenis kecepatan makan yaitu 0.1, 0.15, dan 0.2 mm/gigi, 3 variasi kedalaman potong yaitu 0.5, 0.75, dan 1 mm, dan 3 variasi lebar pemotongan yaitu 0.2, 1, dan 1.8 mm. Variasi data diperlukan agar optimasi yang dilakukan menggunakan metode kecerdasan buatan berupa Backpropagation Neural Network (BPNN) sebagai alat untuk memodelkan hubungan antara parameter input (kecepatan potong, kecepatan makan, kedalaman potong, dan lebar pemotongan) dengan parameter output (resultan gaya potong) dapat menghasilkan prediksi yang baik. Prediksi tersebut digunakan untuk mendapatkan parameter output berupa resultan gaya potong paling minimum menggunakan metode optimasi yaitu Artificial Bee Colony Algorithm (ABC) dan Differential Evolution (DE). Berdasarkan hasil prediksi menggunakan metode Backpropagation Neural Network (BPNN) konfigurasi yang menghasilkan kesalahan prediksi paling kecil yaitu BPNN dengan jumlah hidden layer 2, jumlah neuron 10 pada hidden layer pertama dengan fungsi aktivasi tansig, jumlah neuron 10 pada hidden layer kedua dengan fungsi aktivasi tansig dengan nilai MSE sebesar 0.00096269. Sedangkan hasil optimasi metode Artificial Bee Colony (ABC) dan Differential Evolution (DE), parameter yang menghasilkan nilai optimal bernilai sama yaitu kecepatan potong 122 m/min, kecepatan makan 0.12 mm/gigi, kedalaman potong 0.5 mm, dan lebar pemotongan 0.2 mm dengan output resultan gaya potong sebesar 139.9599 N. Hasil optimasi resultan gaya potong menggunakan metode optimasi BPNN-ABC dan BPNN-DE sebesar 139.9599 N, lebih kecil 6.8% dibandingkan dengan penelitian sebelumnya yang menggunakan metode RSM sebesar 150.23 N (Kasim et al,. 2015
==================================================================================================================================
The machining process is an important factor in the manufacture of a product. One of the conventional machining processes that is often carried out is end milling. The end milling process is a cutting process using an end mill where the workpiece surface is perpendicular to the rotating tool tip. In the end milling process, attention must be paid to the cutting force to avoid deflection which results in tool wear. Therefore, it is necessary to make efforts to increase tool life against wear in the end milling process by optimizing the end milling parameters such as varying the input parameters (cutting speed, feeding speed, depth of cut, and cutting width) in order to produce a minimum cutting force resultant, so that the design the optimal end milling process can be determined. This research is based on a journal entitled "Prediction of Cutting Force in End Milling of Inconel 718" by (Kasim, et al., 2015). In this study, an experimental design was used using 3 variations in cutting speed, namely 100, 120, 140 m/min, 3 variations in feeding speed, namely 0.1, 0.15, and 0.2 mm/tooth, 3 variations in depth of cut, namely 0.5, 0.75, and 1 mm, and 3 variations in cutting width, namely 0.2, 1, and 1.8 mm. Variation of data is needed so that optimization carried out using artificial intelligence methods in the form of Backpropagation Neural Network (BPNN) as a tool to model the relationship between input parameters (cutting speed, feeding speed, depth of cut, and cutting width) with output parameters (maximum cutting force) can produce good prediction. The prediction is used to obtain the output parameter in the form of the minimum maximum cutting force using optimization methods, namely Artificial Bee Colony Algorithm (ABC) and Differential Evolution (DE). Based on the prediction results using the Backpropagation Neural Network (BPNN) configuration that produces the smallest prediction error, namely BPNN with the number of hidden layer 2, the number of neurons 10 in the first hidden layer with the TANSIG activation function, the number of 10 neurons in the second hidden layer with the TANSIG activation function with MSE value is 0.00096269. While the results of the optimization of the Artificial Bee Colony (ABC) and Differential Evolution (DE) methods, the parameters that produce the optimal value are the same, namely cutting speed 122 m/min, feeding speed 0.12 mm/tooth, depth of cut 0.5 mm, and cutting width 0.2 mm with the resultant cutting force output is 139.9599 N. The resultant cutting force optimization result using the BPNN-ABC and BPNN-DE optimization methods is 139.9599 N, 6.8% smaller than the previous study using the RSM method of 150.23 N (Kasim et al,. 2015).

Item Type:	Thesis (Other)
Additional Information:	RSM 671.35 Kaf o-1 2022
Uncontrolled Keywords:	End milling, backpropagation neural network, artificial bee colony, differential evolution, resultan gaya potong, End milling, backpropagation neural network, artificial bee colony, cutting force resultant
Subjects:	T Technology > TJ Mechanical engineering and machinery
Divisions:	Faculty of Industrial Technology and Systems Engineering (INDSYS) > Mechanical Engineering > 21201-(S1) Undergraduate Thesis
Depositing User:	Mr. Marsudiyana -
Date Deposited:	24 Feb 2025 07:48
Last Modified:	24 Feb 2025 07:48
URI:	http://repository.its.ac.id/id/eprint/118862

Actions (login required)

View Item