Optimasi Gaya Potong, Permukaan dan Laju Pengerjaan Material pada Proses Freis Tegak Baja AISI 1045 dengan Menggunakan Metode Taguchi-Grey Ahmad Nur Shofa 1 *, Bambang Pramujati 1, Bobby O. P. Soepangkat 1 Jurusan Teknik Mesin, Fakultas Teknologi Industri, Institut Teknologi Sepuluh Nopember, Surabaya 1 Email: shofa259@yahoo.com * Abstrak Proses freis tegak merupakan salah satu proses pemesinan yang banyak digunakan untuk awal pembuatan suatu komponen. Gaya, kekasaran permukaan dan laju pengerjaan material () merupakan beberapa karakteristik kualitas yang kritis dari proses freis tegak. Parameter pemesinan proses freis tegak yang meliputi kecepatan, kecepatan makan dan kedalaman memiliki pengaruh terhadap ukuran kualitas tersebut. Oleh karena itu, suatu optimasi untuk mendapatkan gaya dan kekasaran permukaan yang minimum serta yang maksimum perlu dilakukan. Penelitian ini dilakukan dengan melakukan proses freis pada baja AISI 1045. Metode optimasi yang digunakan adalah metode Taguchi yang dikombinasikan dengan Grey Relational Analysis (GRA). Rancangan percobaan yang digunakan adalah matriks ortogonal L 9. Parameter proses yang ditentukan setingnya adalah kecepatan, kecepatan makan dan kedalaman. Parameter-parameter tersebut masing-masing memiliki 3 level. Karakteristik respon yang optimal adalah semakin kecil semakin baik untuk respon gaya dan kekasaran permukaan, dan semakin besar semakin baik untuk. Hasil penelitian menunjukkan bahwa metode ini dapat menurunkan gaya dan kekasaran permukaan serta meningkatkan secara efektif dan efisien. Kata kunci: gaya, grey relational analysis, kekasaran permukaan,, Taguchi 1. Pendahuluan Proses pemotongan logam merupakan salah satu proses penting dalam industri manufaktur, bahkan proses pemesinan telah menjadi inti dari industri manufaktur sejak revolusi industri. Salah satu proses pemesinan yang sering digunakan di industri manufaktur adalah proses freis (milling). Penelitian tentang proses pemotongan logam biasanya difokuskan pada beberapa kualitas yang kritis dari produk, seperti gaya,, kekasaran permukaan dan bentuk geram. Menurut Makmur (2010), gaya yang terlalu besar dan melebihi kekuatan yang dimiliki oleh pahat, akan menyebabkan keretakan/patah pada pahat tersebut. Pahat yang aus akan menimbulkan gesekan yang menyebabkan gaya meningkat, sehingga getaran menjadi lebih besar. Getaran yang besar akan mempengaruhi kualitas produk yang dihasilkan, misalnya kekasaran permukaan menjadi tinggi. Besar kecilnya gaya dipengaruhi oleh parameter pemotongan seperti kecepatan, sudut geram, kedalaman, kecepatan makan dan geometri pahat (Rochim, 1993). Kebutuhan untuk meminimalkan biaya pemesinan menjadi suatu keharusan bagi dunia industri. Salah satu faktor yang dapat menurunkan biaya tersebut adalah dengan meningkatkan (Rochim, 1993). didefinisikan sebagai besarnya volume material yang terbuang per-satuan waktu. yang tinggi dapat diperoleh dengan meningkatkan kedalaman, kecepatan makan dan kecepatan. AISI 1045 adalah baja karbon sedang yang memiliki kekuatan, kekakuan dan ketahanan terhadap aus yang tinggi. Baja ini digunakan di dunia industri secara luas, terutama untuk pembuatan jig, fixture, moldbase dan roda gigi. AISI 1045 juga memiliki sifat weldability dan machinability yang cukup baik, sehingga mudah untuk dilas dan diubah bentuknya dengan menggunakan proses pemesinan (Calik et al., 2008). Studi eksperimen mengenai pengaruh parameter proses freis terhadap karakteristik kualitas yang kritis telah dilakukan oleh Turgut et al. (2011). Penelitian ini dilakukan dengan memvariasikan kecepatan dan kecepatan makan. Hasil penelitiaya menunjukkan bahwa terjadi peningkatan gaya seiring dengan peningkatan kecepatan makan dan kedalaman. permukaan meningkat bila kecepatan makan dan kedalaman ditingkatkan. Zhang (2007) telah melakukan optimasi kekasaran permukaan proses freis muka pada mesin CNC dengan metode Taguchi. Rancangan eksperimen Taguchi merupakan metode yang efektif dan efisien untuk mengoptimasi variabel respon dengan menggunakan eksperimen lebih sedikit dibandingkan dengan factorial design. Penelitian ini dilakukan dengan menggunakan
kecepatan makan, kecepatan spindel dan kedalaman sebagai faktor kendali. Temperatur dan pahat yang berbeda dianggap sebagai faktor noise. Penentuan kombinasi parameter proses yang tepat untuk mencapai respon yang optimum telah menjadi fokus penelitian pada proses pemesinan freis. Dalam hal ini pemilihan metode akan berkaitan langsung dengan kualitas produk yang dihasilkan. Metode Taguchi adalah salah satu metode yang efektif untuk mengendalikan kualitas produk. Metode Taguchi hanya dapat mengoptimasi proses pada satu respon. Oleh karena itu, penelitian ini dilakukan dengan menggunakan metode Taguchi yang dikombinasikan dengan GRA agar dapat mengoptimasi multi respon secara serentak. 2. Metode 2.1 Alat dan Bahan Penelitian 1. Benda Kerja Benda kerja yang digunakan dalam penelitian ini adalah baja AISI 1045 dengan ukuran 32x30x100 mm. Sifat mekanik baja AISI 1045 ditunjukkan pada Tabel 1. Tabel 1: Sifat mekanik baja AISI 1045 (Calik et al.) Properties Nilai Tensile Strength (MPa) 770 Yield strength (MPa) 510 Elastic Modulus (GPa) 210 Elongation (%) 17 Density (Kg/mm 3 ) 7,85x10-6 Hardness (HRc) 58 (HT) 2. Pahat Freis Pahat freis yang digunakan dalam penelitian ini adalah pahat face mill A270.63.R.04-09 yang memiliki diameter 63 mm dengan 4 mata. Mata yang digunakan adalah Kyocera SEKT 1204AFEN-S. 3. Mesin Freis Mesin freis yang digunakan pada penelitian ini adalah mesin freis yang berada di Laboratorium Proses Manufaktur Jurusan Teknik Mesin ITS. Spesifikasinya adalah sebagai berikut: Jenis Mesin : Horizontal-Vertikal Milling Tipe : Krisbow X6328B Daya Motor : 3 HP Putaran spindel : 80-5440 RPM Ukuran meja : 1120 x 260 4. Alat Ukur a. Dinamometer Kistler tipe 9272 digunakan untuk mengukur gaya yang terjadi saat proses pemesinan freis. b. Surface roughness tester Mitutoyo tipe 301 digunakan untuk mengukur kekasaran permukaan benda kerja setelah proses pemesinan. c. Timbangan digital digunakan untuk menimbang berat sebelum dan setelah proses sebagai bahan perhitungan. 2.2 Rancangan Eksperimen Taguchi Eksperimen dilakukan dengan beberapa faktor yang masing-masing memiliki 3 level dan ditunjukkan pada Tabel 2. Gaya, kekasaran permukaan dan menjadi respon dari hasil eksperimen. Tabel 2: Faktor dan Level Eksperimen Level Simbol Faktor Satuan 1 2 3 A m/min 118 193 308 B makan mm/min 42 98 230 C Kedalaman mm 0,5 1,0 1,5 Metode yang digunakan dalam penelitian ini adalah metode Taguchi yang dikombinasikan dengan GRA atau biasa disebut dengan Taguchigrey. Adapun langkah-langkah metode Taguchi grey untuk mengoptimasi proses dengan multirespon adalah sebagai berikut: 1. Menentukan rancangan matriks orthogonal yang digunakan untuk eksperimen. Metode Taguchi diperkenalkan oleh Dr. Genichi Taguchi (1940). Ada dua komponen pada metode Taguchi yaitu matriks ortogonal dan rasio S/N. Matriks ortogonal digunakan untuk menentukan jumlah minimal banyaknya eksperimen. Pemilihan matriks ortogonal yang akan digunakan didasarkan pada jumlah derajat kebebasan. Penentuan derajat bebas dilakukan berdasarkan pada: a. Jumlah faktor yang diamati. b. Jumlah level dari faktor yang diamati. c. Interaksi percobaan yang diinginkan. Pada penelitian ini digunakan matriks ortogonal L 9 (3 3 ) yang memiliki 3 kolom dan 9 baris yang dapat digunakan untuk 3 parameter yang masing-masing memiliki 3 level. 2. Menghitung rasio S/N sesuai dengan karakteristik kualitas dari setiap respon.
Berikut ini adalah persamaan-persamaan untuk menghitung rasio S/N dari 3 karakteristik kualitas (Lin, 2002): a. Semakin kecil semakin baik (smallerthe-better). SS/NN = 10 log yy ii 2 ii=1 (1) b. Tertuju pada nilai tertentu (nominalis-best). SS NN = 10 log (yy ii yy ) 2 ii=1 (2) c. Semakin besar semakin baik (larger the better). SS NN = 10 log 1 yy ii 2 ii=1 (3) 3. Menghitung nilai normalisasi rasio S/N setiap respon. Persamaan untuk melakukan normalisasi rasio S/N adalah sebagai berikut (Lin, 2002): XX ii (kk) = XX ii (kk) min kk XX ii (kk) max kk XX ii (kk) min XX ii (kk) kk (4) 4. Menghitung nilai deviation sequence dan grey relational coefficient (GRC) pada masing-masing respon. Nilai deviation sequence ( 0,ii (kk)) dapat dihitung dengan menggunakan persamaan berikut (Lin, 2002): 0,ii (kk) = XX 0 (kk) XX ii (kk) (5) Nilai GRC dihitung dengan menggunakan persamaan (Lin, 2002): ξ ii (kk) = mmmmmm +ζζ mmmmmm 0,ii (kk)+ζζ mmmmmm (6) 5. Menghitung grey relational grade (GRG). Nilai mean GRG dapat dihitung dengan menggunakan persamaan berikut (Lin, 2002): γγ ii = 1 kk=1 (7) ξ ii (kk) 6. Melakukan analisis variansi (ANAVA) dan memeriksa asumsi residual IIDN (0, σ 2 ). 7. Menentukan kombinasi faktor dan level yang menghasilkan respon yang optimal. 8. Menduga rata-rata GRG pada kondisi seting yang menghasilkan respon optimal. 9. Menghitung interval keyakinan GRG hasil optimasi dan membandingkaya dengan GRG hasil eksperimen konfirmasi. Interval keyakinan (CI) untuk hasil yang dicapai pada kondisi optimum dapat dihitung dengan persamaan: CCCC = μμ ± FF ;1;υυ EE.MMMM EE eeeeee (8) Persen kontribusi digunakan untuk mengindikasikan kekuatan relatif sebuah faktor dan interaksi untuk mengurangi variasi yang terjadi. Perhitungan persen kontribusi pada dasarnya adalah fungsi dari jumlah kuadrat dari masingmasing parameter proses yang signifikan. Komponen-komponen yang dihitung dalam persen kontribusi adalah parameter proses dan error. Jika persen kontribusi error kurang dari lima belas persen, maka tidak ada faktor yang berpengaruh terabaikan. Jika persen kontribusi error lebih dari lima belas persen, maka ada faktor yang berpengaruh terabaikan, sehingga error yang terjadi terlalu besar. Persen kontribusi suatu faktor dihitung dengan menggunakan persamaan (9). Persen kontribusi = SSSS PPPPPPPPPPPPPPPPPP x 100% (9) SSSS TTTTTTTTTT dengan: SS Parameter = SS Parameter (dof x MS E ) (10) 3. Analisis Data dan Pembahasan 3.1 Data Hasil Eskperimen Eksperimen dilakukan dengan mengkombinasikan parameter-parameter proses freis tegak yang diduga memiliki pengaruh terhadap gaya, dan kekasaran permukaan. Parameter-parameter tersebut adalah kecepatan, kecepatan makan dan kedalaman. Eksperimen dilakukan dengan dua kali replikasi. Tabel 3 menunjukkan data hasil eksperimen yang berupa nilai gaya, kekasaran permukaan dan. Eks Tabel 3: Data hasil eksperimen Gaya Potong (N) Permukaan (µm) (mm 3 /detik) 1 41,65 41,99 1,51 1,64 9,67 9,61 2 168,54 158,87 1,61 1,60 45,31 45,45 3 359,90 361,85 1,85 1,67 156,37 163,70 4 91,55 92,46 1,19 1,23 20,03 20,06 5 191,52 190,68 1,15 1,16 67,73 68,14 6 100,40 100,61 1,24 1,29 52,45 52,18 7 106,89 113,75 0,73 0,73 29,76 29,72 8 68,19 66,32 0,80 0,86 22,05 24,33 9 159,10 183,48 0,96 0,93 105,85 107,58 3.2 Optimasi Pada penelitian ini ada 3 jenis respon dengan karakteristik kualitas yang berbeda. Respon pertama dan kedua adalah gaya dan kekasaran permukaan dengan karakteristik smaller the better yang berarti semakin kecil nilainya maka semakin baik kualitasnya. Respon yang ketiga adalah dengan karakteristik larger the better yang berarti semakin besar
nilainya semakin baik kualitasnya. Perhitungan nilai rasio S/N dari ketiga respon dilakukan sesuai dengan persamaan (1) dan persamaan (3). Hasil perhitungan tersebut disajikan pada Tabel 4. Tabel 4: Rasio S/N dari respon Eksp Gaya permukaan 1-32,4269-3,9456 19,6812 2-44,2812-4,1095 33,1373 3-51,1472-4,9267 44,0844 4-39,2763-1,6796 26,0409 5-45,6252-1,2767 36,6420 6-40,0438-2,0418 34,3721 7-40,8528 2,7733 29,4662 8-36,5546 1,6359 27,3056 9-44,6748 0,4761 40,5648 Setelah dilakukan perhitungan rasio S/N, Langkah selanjutnya adalah melakukan normalisasi terhadap nilai rasio S/N yang sudah diperoleh. Perhitungan normalisasi rasio S/N setiap respon dilakukan dengan menggunakan persamaan (4). Hasil normalisasi dari ketiga respon ditunjukkan pada Tabel 5. Eksp Tabel 5: Normalisasi rasio S/N dari respon Gaya permukaan 1 1,0000 0,1274 0,0000 2 0,3668 0,1061 0,5514 3 0,0000 0,0000 1,0000 4 0,6341 0,4217 0,2606 5 0,2950 0,4740 0,6950 6 0,5931 0,3747 0,6020 7 0,5499 1,0000 0,4010 8 0,7795 0,8523 0,3124 9 0,3457 0,7017 0,8558 Perhitungan nilai GRC diawali dengan penentuan nilai deviation sequence 0,ii (kk) dari masing-masing respon yang dihitung dengan menggunakan persamaan (5). Hasil perhitungan GRC dari masing-masing respon untuk setiap kombinasi parameter ditunjukkan pada Tabel 6. Tabel 6: Grey Relational Coefficient dari Respon Eksp Gaya permukaan 7 0,5263 1,0000 0,4549 8 0,6940 0,7719 0,4210 9 0,4332 0,6263 0,7761 Setelah perhitungan GRC dilakukan, langkah selanjutnya adalah perhitungan untuk mendapatkan nilai GRG pada kombinasi parameter. Perhitungan GRG dilakukan dengan menggunakan persamaan (7), dan kesimpulaya ditunjukkan pada Tabel 7. Tabel 7: GRG setiap eksperimen Eksp, GRG Eksp, GRG Eskp, GRG 1 0,5659 4 0,4815 7 0,6604 2 0,4423 5 0,5078 8 0,6290 3 0,5556 6 0,5175 9 0,6119 Nilai GRG yang telah diperoleh, selanjutnya dianalisis menggunakan analisis variansi untuk mengetahui faktor-faktor yang mempunyai pengaruh signifikan terhadap respon. Tabel 8: Analisis variansi GRG Sumber variansi db SS MS F hitung Ket. A 2 0,030303 0,015151 40,43 >2 B 2 0,003141 0,001570 4,19 >2 C 2 0,007408 0,003704 9,89 >2 Error 2 0,000749 0,000375 Total 8 0,041602 Nilai F hitung yang lebih besar dari dua mengindikasikan bahwa faktor tersebut memiliki pengaruh yang signifikan terhadap respon bila ditinjau secara serentak (Park, 1996). Berdasarkan hasil perhitungan analisis variansi pada Tabel 8, dapat diketahui bahwa semua faktor memiliki pengaruh terhadap respon secara serentak, karena nilai F hitung > 2. Pemilihan faktor dan level yang menghasilkan respon yang optimal dapat dilakukan dengan melihat nilai mean terbesar pada level dari setiap faktor. Hasil perhitungan dan grafik mean setiap level dari setiap faktor dapat dilihat pada Tabel 9 dan Gambar 1. Tabel 9: Mean GRG Level Kedalaman makan 1 0,5213 0,5693 0,5708 2 0,5023 0,5264 0,5119 3 0,6338 0,5616 0,5746 Selisih 0,1315 0,0429 0,0627 Rata-rata 0,5524 1 1,0000 0,3643 0,3333 2 0,4412 0,3587 0,5271 3 0,3333 0,3333 1,0000 4 0,5774 0,4637 0,4034 5 0,4149 0,4873 0,6211 6 0,5513 0,4443 0,5568
Mean GRG 0.65 0.6 0.55 0.5 0.45 A1 A2 A3 B1 B2 B3 C1 C2 C3 makan Kedalaman Faktor dan Level Gambar 1. Mean GRG pada setiap faktor dan level Berdasarkan nilai mean GRG pada masingmasing faktor dan level, nilai level untuk kombinasi faktor yang menghasilkan respon yang optimum adalah kecepatan pada level 3 (308 m/min), kecepatan makan pada level 1 (42 mm/min) dan kedalaman pada level 3 (1,5 mm). 3.2 Eksperimen Konfirmasi Setelah memperoleh seting faktor untuk kondisi optimal, Langkah akhir dari optimasi multi respon ini adalah melakukan eksperimen konfirmasi sesuai dengan level dan seting yang didapatkan, yaitu A 3 B 1 C 3. Hasil pengukuran setiap respon pada eksperimen konfirmasi kemudian dilakukan perhitungan rasio S/N untuk masing-masing respon. Perhitungan nilai GRG prediksi dan nilai GRG konfirmasi dilakukan dengan menggunakan persamaan 8. Hasil perhitungan menunjukkan GRG prediksi dengan interval keyakinan 95% adalah 0,6728+0,02785 atau 0,64495 GRG prediksi 0,70065. Hasil perhitungan GRG konfirmasi dengan interval keyakinan 95% adalah 0,6604 + 0,047375 atau 0.613025 GRG konfirmasi 0.707775. Hasil plot interval keyakinan 95% rata-rata GRG optimasi dan eksperimen konfirmasi ditunjukkan pada Gambar 2. dari hasil eksperimen konfirmasi mendekati ratarata hasil prediksi. Hal itu juga dapat dibuktikan dengan interval keyakinan. Hasil yang diperoleh dikatakan valid jika rata-rata interval keyakinan eksperimen konfirmasi berada dalam interval keyakinan prediksi. Berdasarkan Gambar 2, interval keyakinan dari rata-rata konfirmasi (0,6604) berada dalam interval keyakinan hasil prediksi (0,64495 GRG prediksi 0,70065). Oleh karena itu, dapat disimpulkan bahwa seting kombinasi level faktor pada kondisi optimum yang telah didapat adalah valid. 3.3 Pengaruh Parameter terhadap GRG Persentase kontribusi dari faktor dalam mengurangi variansi dari respon-respon secara serentak dapat dihitung dengan persamaan (9). Tabel 10 menunjukkan hasil perhitungan persentase kontribusi dari setiap faktor. Tabel tersebut menunjukkan bahwa faktor kecepatan memiliki kontribusi terbesar, yaitu 71,04%. Faktor kedalaman memiliki kontribusi di urutan kedua, yaitu 16,00%. Faktor kecepatan makan memiliki kontribusi terkecil, yaitu 5,75%. Tabel ini juga menunjukkan bahwa error memberikan kontribusi yang relatif kecil sebesar 7,21%. Hal ini berarti bahwa faktorfaktor atau parameter-parameter pemesinan yang tidak diamati tidak memiliki pengaruh yang signifikan terhadap respon yang diamati. Tabel 10: Persentase Kontribusi faktor Sumber variansi %Kontribusi 71,04 makan 5,75 Kedalaman 16,00 Error 7,21 Total 100,00 GRG 0.80 0.75 0.70 0.65 0.60 0.55 prediksi prediksi 0.6728 0.70065 0.64495 konfirmasi konfirmasi 0.70777 0.66040 0.61302 Gambar 2. Plot interval keyakinan 95% GRG prediksi dan GRG konfirmasi Eksperimen konfirmasi digunakan untuk memverifikasi bahwa nilai rata-rata yang ditaksir untuk faktor dan level yang telah dipilih dari eksperimen adalah valid. Estimasi nilai rata-rata sebenarnya pada kondisi optimum didasarkan pada hasil nilai rata-rata yang diperoleh dari eksperimen. Validasi ditetapkan jika rata-rata 0.80 0.75 0.70 0.65 0.60 0.55 4. Kesimpulan Berdasarkan hasil eksperimen, proses optimasi, analisis dan hasil eksperimen konfirmasi yang telah dilakukan, maka dari penelitian ini dapat diambil kesimpulan sebagai berikut: 1. Kombinasi dari faktor-faktor yang signifikan untuk meminimumkan gaya dan kekasaran permukaan serta memaksimumkan adalah: a. diatur pada 308 m/min. b. makan diatur pada 42 mm/min. c. Kedalaman diatur pada 1,5 mm. 2. Kontribusi faktor-faktor yang signifikan untuk mengurangi total variasi dari respon gaya, kekasaran permukaan dan secara serentak adalah sebagai berikut: a. sebesar 71,04%. b. makan sebesar 5,75%. c. Kedalaman 16,00%.
5. Penghargaan Penulis mengucapkan terima kasih kepada seluruh pihak yang telah banyak membantu atas selesainya makalah ini, terutama kepada Direktorat Jendral Perguruan Tinggi (DIKTI) dan Laboratorium Proses Manufaktur Jurusan Teknik Mesin FTI ITS yang telah membantu menyediakan material dan fasilitas pada penelitian ini. 6. Pustaka Calik, A., O. Sahin, N. Ucar, 2008. Mechanical Properties of Boronized AISI 316, AISI 1040, AISI 1045 and AISI 4140 Steels. Acta Physica Polonica A, 115: p. 694 698. Lin, C.L., J.L. Lin and T.C. Ko, (2002). Optimisation of the EDM Process Based on the Orthogonal Array with Fuzzy Logic and Grey Relational Analysis Method, The International Jurnal of Advanced Manufacturing Technology, 19: p. 271-277. Makmur, H., (2010). Analisa Pengaruh Potong Proses Pembubutan Baja Amutit K 460 Terhadap Umur Pahat HSS. Jurnal Austenit 1 3: p. 8-20. Rochim, T., (1993). Teori dan Teknologi Proses Pemesinan. FTI - ITB, Bandung. Soejanto, I., (2009). Desain Eksperimen dengan Metode Taguchi. Yogyakarta. Turgut, Y., H. Çinici, I. Sahin, T. Findik, (2011). Study of cutting force and surface roughness in milling of Al/Sic metal matrix composites. Scientific Research and Essays 6: p. 2056-2062. Zhang, J.Z., J.C. Chen, E.D. Kirby, (2007). Surface roughness optimization in an endmilling operation using the Taguchi design method. Journal of Materials Processing Technology 184: p. 233 239.