OPTIMASI PROSES ELECTRICAL DISCHARGE MACHINING SINGKING MATERIAL AISI 4340 MENGUNAKAN BACK PROPAGATION ARTIFICIAL NEURAL NETWORK GENETIC ALGORITHM

Transkripsi

1 OPTIMASI PROSES ELECTRICAL DISCHARGE MACHINING SINGKING MATERIAL AISI 4340 MENGUNAKAN BACK PROPAGATION ARTIFICIAL NEURAL NETWORK GENETIC ALGORITHM Robert Napitupulu 1), Yuriko Adeputra 2), Otto Purnawarman 2) 1 Jurusan Teknik Mesin, Politeknik Manufaktur Negeri Bangka Belitung, Kawasan Industri Air Kantung, Sungailiat, Jurusan Teknik Mesin, Politeknik Manufaktur Negeri Bandung, Jl.Kanayakan No.21 Dago, Bandung, rnapitupulu77@gmail.com Abstract High material removal rate (MRR) and low surface roughness are targets, which want to be reached by manufacturing process using EDM sinking. The slowest MRR will give good surface roughness. However, it makes process get slower and increase production cost. To solve this problem, the setting of process parameter, which gives maximum MRR and minimum surface roughness, is required. An experiment in EDM sinking has been done using AISI 4340 and copper electrodes. Process parameters such as pulse current, on time, off time and gap voltage are varied. In addition, the L 18 (2 1 x3 3 ) orthogonal array was applied because one of process parameters has two levels while the others have three levels. In this experiment, two replications were conducted to deal with the uncertainty. Based on the experiment results, back propagation artificial neural network (BPANN) was developed. Then, the process parameter setting, which gives the maximum MRR and the minimum surface roughness, was determined by genetic algorithm (GA). It was shown in this research that the smallest MSE of BPANN was 0, , which was reached using , i.e., 4 inputs, 2 hidden layers with 8 neurons in each hidden layer, and 2 outputs. It was used logsig as activation function and trainlm as training type in the BPANN. By applying BPANN above, the parameters setting, which gives the maximum combination of MRR and the minimum surface roughness simultaneously is 12 Ampere of pulse current, on time 53 µs, off time 10 µs and gap voltage 9 V. Moreover, the MRR and surface roughness results are 1,709 mm3/min and 3,42 µm. Keywords: BPANN, genetic algorithm (GA), MRR, surface roughness. Abstrak Material removal rate (MRR) yang tinggi dan kekasaran permukaan yang rendah merupakan sasaran yang ingin dicapai pada proses pengerjaan benda kerja dengan menggunakan EDM (electrical discharge machining) sinking. MRR yang selambat mungkin, akan menghasilkan kekasaran permukaan yang baik. Tetapi proses yang lambat akan berpengaruh terhadap waktu pengerjaan produk, serta akan meningkatkan biaya produksi. Untuk mengatasi hal tersebut, maka diperlukan seting parameter proses yang menghasilkan MRR yang maksimal dan kekasaran permukaan benda kerja yang minimal. Suatu penelitian dilakukan dengan menggunakan baja AISI 4340 dan elektroda tembaga (copper) pada proses EDM sinking. Parameter-parameter proses yang akan divariasikan adalah pulse current, on time, off time dan gap voltage. Rancangan percobaan yang digunakan adalah matriks ortogonal L 18 (2 1 x3 3 ), karena ada satu parameter proses yang memiliki dua level dan ada tiga parameter proses yang memiliki tiga level. Pengulangan dilakukan sebanyak dua kali. Data hasil penelitian akan dipilih untuk dijadikan sebagai data input dalam pengembangan Back Propagation Artificial Neural Network (BPANN). Selanjutnya, optimasi karakteristik multi respon dilakukan dengan menggunakan metode Genetic Algorithm (GA). Hasil penelitian menunjukkan bahwa MSE terkecil sebesar 0, dari arsitektur jaringan BPANN yang terdiri dari 4 input, 2 buah hidden layer dengan 8 buah neuron pada masing-masing hidden layer, dan 2 buah output. Fungsi PROSIDING Vol. 01, Tahun 2016 ISSN:

2 aktivasinya adalah logsig dan jenis training adalah trainlm. Seting kombinasi parameter yang signifikan untuk meningkatkan MRR dan meminimumkan kekasaran permukaan secara serentak adalah pulse current 12 Ampere, on time 53 µs, off time 10 µs dan gap voltage 9 V. MRR terbesar dan kekasaran permukaan terkecil adalah sebesar 1,709 mm3/min dan 3,42 µm. Kata Kunci: ANN, genetic algorithm (GA), kekasaran permukaan, MRR. PENDAHULUAN Kemajuan teknologi di bidang industri telah berkembang dengan pesatnya. Seiring dengan perkembangan tersebut, untuk memenuhi kebutuhan akan produk yang berkualitas serta memiliki profil dan struktur yang kompleks dengan kepresisian tinggi, memerlukan peningkatan efektifitas dan efisiensi dalam proses manufaktur. Tuntutan terhadap kualitas, seperti misalnya kekasaran permukaan, ketelitian, serta kepresisian geometri, menjadi kendala tersendiri pada proses pemesinan. Untuk mendapatkan kualitas yang diinginkan, kombinasi parameter proses harus ditentukan dengan tepat. Penentuan kombinasi parameter dalam pembuatan produk-produk dengan beberapa target karakteristik kualitas cukup sulit dilakukan, karena kompleksitas yang dimiliki dan harus mengandalkan sejumlah besar rangkaian percobaan. Selain tuntutan terhadap kualitas produk, tuntutan terhadap penggunaan material yang mempunyai kekuatan tinggi juga menjadi perhatian. Oleh karena itu, proses pemesinan non-konvensional dibutuhkan untuk mengatasi kendala-kendala tersebut. Proses pemesinan nonkonvensional yang banyak digunakan adalah electrical discharge machining (EDM). Proses ini telah digunakan secara efektif pada pemesinan material yang keras, benda kerja yang memiliki bentuk-bentuk yang kompleks. Baja AISI 4340 merupakan salah satu jenis baja yang mempunyai konduktifitas tinggi, memiliki ketahanan yang tinggi terhadap keausan, dan memiliki stabilitas yang tinggi dalam pengerasan. Baja ini banyak digunakan untuk pembuatan produk mould dan dies. Proses pemesinan EDM sinking menjadi pilihan yang tepat ketika pembuatan benda kerja dengan proses pemesinan konvensional sulit dilakukan. Jaringan syaraf tiruan (JST) atau artificial neuron network (ANN) adalah sistem pemrosesan informasi yang memiliki karakteristik mirip dengan jaringan syaraf biologi (Jong, 2009). Penelitian yang membahas mengenai penggunaan ANN, khususnya dalam bidang prediksi pada proses EDM, telah beberapa kali dilakukan. Paramater current (A), pulse on time (T on ) dan pulse off time (T off ) telah dibuktikan berpengaruh terhadap MRR dan tool wear, pada penelitian pemodelan EDM dengan menggunakan back propagation neural network (BPNN) dan optimasi multi objek menggunakan genetic algorithm II (Mandal dkk, 2007). Hasil penelitian tersebut menunjukkan bahwa model arsitektur ANN yang paling baik memiliki struktur jaringan , learning rate dan momentum coefficient 0,6, maximum prediction error 9,47 %, minimum prediction error 0,0137 % dan mean prediction error 3,06 %. Penelitian tentang ANN menggunakan parameter pulse on time (T on ), pulse off time (T off ), sparking frequency (F s ) dan gap current (I gap ) telah dibuktikan berhasil memprediksi MRR, pada baja ukuran 17x12x4 cm dengan menggunakan elektroda tembaga (copper) berdiameter 20 mm, dengan menggunakan pendingin BP200 hydrocarbon sebagai cairan dielektrik (Yahya dkk, 2011). Hasil penelitian menunjukkan bahwa model ANN telah berhasil memprediksi MRR dengan akurasi yang sangat tinggi dengan menggunakan arsitektur ANN yang memiliki satu lapisan tersembunyi dengan empat input dan satu output dengan error prediction yang rendah. PROSIDING Vol. 01, Tahun 2016 ISSN:

3 Berdasarkan evaluasi dari penelitian-penelitian yang ada, hasil dari peramalan dengan menggunakan metoda ANN dapat mendekati hasil dari percobaan. Hasil tersebut dapat mewakili hasil percobaan yang sesungguhnya dengan tingkat kesalahan yang kecil. Peramalan tersebut dapat menghemat waktu dan biaya penelitian serta hasilnya bisa dioptimasi. METODE PENELITIAN Pada penelitian ini dilakukan penerapan BPANN dalam memprediksi MRR dan kekasaran permukaan baja AISI 4340 pada proses EDM sinking. Parameter proses yang digunakan adalah pulse current, on time, off time, dan gap voltage. Rancangan percobaan yang digunakan adalah matriks ortogonal L 18 (2 1 x3 3 ), karena ada satu parameter proses yang memiliki satu level dan ada tiga parameter proses yang memiliki tiga level. Pengulangan dilakukan sebanyak dua kali. Data hasil penelitian akan dipilih untuk dijadikan sebagai data input dalam pengembangan BPANN. Parameter yang divariasikan dalam pemodelan BPANN adalah jumlah neuron, jumlah hidden layer, fungsi aktivasi dan fungsi training. Respon yang diamati adalah Mean Square Error (MSE) dengan nilai MSE yang sangat kecil. HASIL DAN PEMBAHASAN A. Bahan yang digunakan Material yang digunakan adalah baja AISI 4340 dengan diameter 25 mm, tebal 12 mm. Elektroda yang digunakan adalah tembaga dengan dimensi 15 x 15 mm. Bentuk dan dimensi dari benda kerja dan elektroda yang digunakan (Gambar 1). Mesin EDM yang digunakan pada penelitian ini adalah Dong Yang, model CH 300 A (Gambar 2). Peralatan ukur yang digunakan adalah neraca digital explorer EX6202 versi 1.03/1.03 dengan kecermatan 0.01gram. Pengukuran kekasaran permukaan pada penelitian ini dilakukan dengan menggunakan Mitutoyo surftest 301 yang memiliki kecermatan sebesar 0,1 μm. Gambar 1. Bentuk, ukuran benda kerja dan elektroda yang digunakan. Gambar 2. Mesin EDM Sinking Dong Yang, model CH 300 A PROSIDING Vol. 01, Tahun 2016 ISSN:

4 B. Seting Parameter Proses Penentuan seting parameter proses pada mesin EDM sinking dilakukan berdasarkan EDM sinking manual book. Ada dua macam seting parameter proses yang digunakan, yaitu parameter konstan dan parameter proses yang dapat diubah. Seting parameter proses untuk elektroda copper dan benda kerja baja AISI 4340 dilakukan satu kali untuk seluruh rangkaian penelitian. Seting parameter konstan (Tabel 1) dan Seting parameter proses (Tabel 2). Tabel 1 Parameter Konstan No Variabel Proses Konstan Jenis/Nilai 1 Hours Voltage 2 2 Servo Feed ( s) 8 3 Polarity DCEP 4 Jump 1 Sumber: Manual Book Mesin EDM Tabel 2 Parameter Proses dan Level Variabel Proses level 1 level 2 level 3 A Pulse Current Ampere B On time s C Off time s D Gap voltage Volt 7-10 C. Pemilihan Matriks Ortogonal Derajat kebebasan pada matriks ortogonal harus bernilai sama atau lebih besar daripada total derajat kebebasan faktor dan level yang telah ditetapkan. Berdasarkan banyaknya parameter proses dan jumlah level yang ditunjukkan pada Tabel 2, maka dilakukan perhitungan derajat kebebasan untuk menentukan matriks ortogonal yang digunakan. Replikasi dilakukan sebanyak dua kali untuk mengatasi variabel gangguan (noise) yang terjadi selama proses pemotongan berlangsung. Rancangan ekperimen berupa matriks orthogonal L 18 dan hasil respon yang diperoleh (Tabel 3). D. Pengembangan BPANN Dalam pengembangan BPANN, data hasil eksperimen dijadikan input (parameter) dan output (respon) untuk membuat model dengan menggunakan BPANN. Secara umum, ada lima tahapan dalam pengembangan BPANN, yaitu: mengumpulkan data, melakukan pre-processing (normalisasi) terhadap data, membuat arsitektur jaringan (input, hidden dan output), melakukan training, testing dan validasi, serta melakukan post-processing terhadap data hasil prediksi. Pada umumnya data yang digunakan untuk training adalah 70%, untuk validasi adalah 15 % dan untuk testing adalah 15 % juga. Perangkat lunak yang digunakan untuk mengembangkan BPANN adalah MATLAB seri R2010a. PROSIDING Vol. 01, Tahun 2016 ISSN:

5 Tabel 3 Matriks Ortogonal L 18 dan respon yang dihasilkan. Run Order Gap Voltage (V) Off On Pulse Current (A) MRR (mm3/menit) Kekasaran Permukaan (Ra) (µm) ,985 3, ,421 4, ,173 6, ,996 3, ,523 5, ,030 7, ,835 3, ,443 3, ,202 7, ,859 3, ,522 4, ,247 6, ,193 4, ,575 4, ,452 6, ,945 3, ,114 5, ,403 6, ,997 2, ,492 3, ,163 7, ,980 3, ,486 5, ,005 7, ,831 3, ,413 4, ,239 7, ,849 3, ,563 4, ,254 6, ,199 4, ,579 4, ,476 6, ,954 4, ,134 5, ,380 6,28 Sumber: Hasil Pengukuran PROSIDING Vol. 01, Tahun 2016 ISSN:

6 1) Pre-processing: Pre-processing (normalisasi) dilakukan untuk mengubah data input (parameter) dan output (respon) hasil ekperimen menjadi bilangan antara 0,1 0,9 dengan menggunakan rumus 1. (1) 2) Arsitektur Jaringan: Arsitektur Jaringan terdiri dari neuron-neuron dalam dalam jaringan syaraf membentuk suatu struktur tertentu. Dalam penelitian ini, parameter yang divariasikan dalam BP-ANN adalah jumlah hidden layer, jumlah neuron dalam setiap hidden layer, fungsi aktifasi, dan fungsi trainning. Semua kombinasi menggunakan learning rate sebesar 0.01 dan performance goal sebesar Parameter BP-ANN yang digunakan pada penelitian dapat dilihat pada Tabel 4. Hidden Layer Tabel 4 Parameter BP-ANN yang divariasikan Jumlah Neuron Fungsi Aktivasi 1 6 Logsig Trainlm 2 8 Tansig Trainrp Fungsi training 3) Fungsi Aktivasi: Fungsi aktivasi yang digunakan pada back propagation harus memenuhi beberapa syarat, yaitu kontinyu, terdiferensial dengan mudah, dan merupakan fungsi yang tidak turun. Salah satu fungsi yang memenuhi ketiga syarat tersebut sehingga sering dipakai adalah fungsi sigmoid biner yang memiliki range (0,1). Perumusan dari fungsi tersebut adalah sebagai berikut (Jong, 2009): (2) 4) Fungsi Training: Proses training dilakukan sampai kesalahan (error) melampaui ambang batas training (threshold), atau sampai pada titik yang telah ditentukan. Inisialisasi dilakukan dengan cara pemberian bobot dan bias dengan harga bilangan acak yang cukup kecil. Pada saat harga error lebih kecil dari harga error yang ditentukan, maka proses pembelajaran dihentikan. Fungsi training yang digunakan dalam penelitian ini adalah Levenberg-Marquardt backpropagation (trainlm) dan Resilient backpropagation (trainrp). D. Normalisasi Data Parameter dan Respon Tabel 5 memperlihatkan data hasil normalisasi dari parameter dan respon yang dihitung dengan menggunakan rumus 1. Data hasil normalisasi ini kemudian menjadi input dan ouput dalam pembuatan model dengan menggunakan back propagation artificial neural network (BP-ANN). Tabel 5 Normalisasi Data Parameter dan Respon Run Order Gap Voltage (V) Off On Pulse Current (A) MRR (mm3/menit) Kekasaran Permukaan (Ra) (µm) 1 0,100 0,100 0,100 0,100 0,7354 0, ,100 0,355 0,100 0,300 0,2691 0, ,100 0,900 0,100 0,900 0,5340 0, ,100 0,100 0,260 0,100 0,7230 0,320 PROSIDING Vol. 01, Tahun 2016 ISSN:

7 Run Order Gap Voltage (V) Off On Pulse Current (A) MRR (mm3/menit) Kekasaran Permukaan (Ra) (µm) 5 0,100 0,355 0,260 0,300 0,1600 0, ,100 0,900 0,260 0,900 0,6868 0, ,100 0,100 0,900 0,100 0,8950 0, ,100 0,355 0,900 0,300 0,2457 0, ,100 0,900 0,900 0,900 0,5030 0, ,900 0,100 0,100 0,100 0,8695 0, ,900 0,355 0,100 0,300 0,1610 0, ,900 0,900 0,100 0,900 0,4554 0, ,900 0,100 0,260 0,100 0,5133 0, ,900 0,355 0,260 0,300 0,1044 0, ,900 0,900 0,260 0,900 0,2367 0, ,900 0,100 0,900 0,100 0,7784 0, ,900 0,355 0,900 0,300 0,5977 0, ,900 0,900 0,900 0,900 0,2886 0, ,100 0,100 0,100 0,100 0,7219 0, ,100 0,355 0,100 0,300 0,1932 0, ,100 0,900 0,100 0,900 0,5445 0, ,100 0,100 0,260 0,100 0,7401 0, ,100 0,355 0,260 0,300 0,1996 0, ,100 0,900 0,260 0,900 0,7140 0, ,100 0,100 0,900 0,100 0,9000 0, ,100 0,355 0,900 0,300 0,2784 0, ,100 0,900 0,900 0,900 0,4636 0, ,900 0,100 0,100 0,100 0,8803 0, ,900 0,355 0,100 0,300 0,1180 0, ,900 0,900 0,100 0,900 0,4473 0, ,900 0,100 0,260 0,100 0,5068 0, ,900 0,355 0,260 0,300 0,1000 0, ,900 0,900 0,260 0,900 0,2106 0, ,900 0,100 0,900 0,100 0,7683 0, ,900 0,355 0,900 0,300 0,5764 0, ,900 0,900 0,900 0,900 0,3131 0,719 Setelah data dinormalisasi, maka dibuatlah rancangan percobaan untuk memilih jaringan mana yang menghasilkan model dengan mean square error (MSE) terkecil. Tabel 6 menunjukkan rancangan percobaan dengan menggunakan full factorial. PROSIDING Vol. 01, Tahun 2016 ISSN:

8 Tabel 6 Rancangan percobaan BPANN menggunakan full factorial. Jaringan ke- Unit Neuron Hidden Layer Fungsi Aktivasi Fungsi Pelatihan logsig Trainlm logsig Trainrp tansig Trainlm tansig Trainrp logsig Trainlm logsig Trainrp tansig Trainlm tansig Trainrp logsig Trainlm logsig Trainrp tansig Trainlm tansig Trainrp logsig Trainlm logsig Trainrp tansig Trainlm tansig Trainrp Berdasarkan Tabel 6, rancangan percobaan BPANN yang dibuat pada jaringan ke-1 memiliki 6 unit neuron, sebuah hidden layer, fungsi aktivasi berupa logsig dan output berupa purelin serta fungsi training menggunakan Levenberg-Marquardt backpropagation (trainlm). Gambar 3 menunjukkan hasil rancangan BPANN dan MSE yang dihasilkan. Gambar 3. Rancangan BP-ANN dan MSE yang dihasilkan Hasil pelatihan BPANN secara keseluruhan dari jaringan yang dikembangkan dan menghasilkan nilai MSE ditunjukkan pada Gambar 4. PROSIDING Vol. 01, Tahun 2016 ISSN:

9 Gambar 4. MSE hasil prediksi menggunakan BPANN. Dari training, testing dan validasi yang telah dilakukan berdasarkan Gambar 5 diperoleh nilai MSE terkecil adalah sebesar 0, pada jaringan ke-13 dari arsitektur jaringan fungsi aktivasinya adalah logsig dan jenis training adalah trainlm. Jaringan memiliki arti bahwa jaringan mempunyai 4 input layer, 2 buah hidden layer dengan 8 buah neuron pada masing-masing hidden layer, dan 2 output layer. E. Penentuan Parameter GA Setelah proses pengembangan BPANN selesai dan didapatkan arsitektur jaringan yang menghasilkan MSE terkecil, langkah berikutnya adalah penentuan parameter GA yang akan digunakan dalam perangkat lunak MATLAB seri R2010a. Parameterparameter yang digunakan dalam GA adalah: Population size = 500, Cross over = 0.6, Generation = 60, Mutation = 0.05, Initial = [0;1]. F. Optimasi BPANN-GA Setelah proses penetapan parameter GA, langkah selanjutnya adalah melakukan optimasi BPANN yang digabungkan dengan GA. Optimasi dilakukan untuk memperoleh nilai MRR yang maksimum dan nilai kekasaran permukaan yang minimum. Langkah-langkah proses optimasi BPANN-GA yaitu: Pemilihan nilai rata-rata terkecil dari kedua respon. Berdasarkan data pada Tabel 5, diperoleh nilai rata-rata terkecil pada seting kombinasi ke-13 dan untuk MRR dan kekasaran permukaan adalah 0,1932 dan 0,258. Maka nilai rata-rata terkecil dari kedua respon tersebut adalah 0,2255. Memasukkan nilai rata-rata terkecil yang diperoleh sebesar 0,2255 tersebut kedalam program BPANN-GA di perangkat lunak MATLAB. Program akan berhenti, apabila jumlah generasi atau iterasi maksimum telah tercapai dan jika nilai fitness terbaik minimal telah tercapai. Berdasarkan langkah-langkah diatas, hasil optimasi BPANN dan GA diperoleh pada seting faktor kombinasi ke-350, dimana hasil rata-rata MRR dan kekasaran permukaan adalah 0,1187 lebih kecil dari hasil rata-rata MRR dan kekasaran permukaan pada eksperimen awal sebesar 0,2255. Tabel 7 menunjukkan hasil optimasi BPANN dan GA untuk seting masing-masing parameter proses dan respon yang dihasilkan. PROSIDING Vol. 01, Tahun 2016 ISSN:

10 Seting faktor, kombinasi ke- Gap Voltage (V) Tabel 7 Hasil Optimasi BPANN dan GA Parameter Proses Off On Pulse Current (A) MRR (mm 3 /min) Respon Kekasaran Permukaan (µm) , , , , , , ,634 3,24 SIMPULAN Dari hasil penelitian yang telah dilakukan dapat disimpulkan: Nilai MSE terkecil sebesar 0, di peroleh dari training yang menggunakan arsitektur jaringan , yang terdiri dari: 4 input layer, 2 buah hidden layer dengan 8 buah neuron pada hidden layer, 2 output layer, fungsi aktivasi berupa logsig, dan jenis training berupa trainlm. Seting kombinasi faktor-faktor yang signifikan untuk memaksimalkan MRR dan meminimalkan kekasaran permukaan secara serentak adalah sebagai berikut: gap voltage pada 9 V, on time pada 53 µs, off time pada 10 µs, pulse current pada 12 A. MRR terbesar dan kekasaran permukaan terkecil adalah sebesar 1,634 mm3/min dan 3,24 µm. DAFTAR PUSTAKA Jong, J.S.(1998). Jaringan Syaraf Tiruan dan Pemrogramannya Menggunakan Matlab. 2nd edition. C.V. Andi. Yogyakarta. Mandal, D., Pal, S.K dan Saha, P., Modeling of Electrical Discharge Machining Process using Back Propagation Neural Network and Multi-Objective Optimizationusing non-dominating Sorting Genetic Algorithm-II, Journal of Materials Processing Technology, Vol.186, hal , Yahya, A., Andromeda, T., Baharom, A., Rahim, A.A dan Mahmud, N., Material Removal Rate Prediction of Electrical Discharge Machining Process Using Artificial Neural Network, Journal of Mechanics Engineering and Automation, Vol.1, hal , PROSIDING Vol. 01, Tahun 2016 ISSN: