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

  

OPTIMASI PROSES ELECTRICAL DISCHARGE MACHINING SINGKING

MATERIAL AISI 4340 MENGUNAKAN BACK PROPAGATION ARTIFICIAL

NEURAL NETWORK

• –GENETIC ALGORITHM

  1) 2) 2)

Robert Napitupulu , Yuriko Adeputra , Otto Purnawarman

1 Jurusan Teknik Mesin, Politeknik Manufaktur Negeri Bangka Belitung, Kawasan

  

Industri Air Kantung, Sungailiat, 33211

2 Jurusan Teknik Mesin, Politeknik Manufaktur Negeri Bandung, Jl.Kanayakan No.21

  

Dago, Bandung, 40135

E-mail: 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,

  1

  3

  off time and gap voltage are varied. In addition, the L (2 x3 ) orthogonal array was applied

  18

  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 0,0014223, which was reached using 4-8-8- 2, 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

  1

  

3

  digunakan adalah matriks ortogonal L (2 x3 ), karena ada satu parameter proses yang

  18

  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 0,0014223 dari arsitektur jaringan BPANN 4-8-8-2 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: 2477 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 non-

konvensional 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 3-10-10-2, 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 ), sparking frequency (F ) dan gap current (I ) telah dibuktikan berhasil

off s gap

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: 2477

  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

  1

  3 percobaan yang digunakan adalah matriks ortogonal L 18 (2 x3 ), 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

s ebesar 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: 2477

  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

  8 Servo Feed ( s)

  3 Polarity DCEP

  4 Jump Time

  1 Sumber: Manual Book Mesin EDM

  

Tabel 2

Parameter Proses dan Level

Variabel Proses level 1 level 2 level 3

  A Pulse Current Ampere

  4

  6

  12 B On time

  45

  50

  70 s

  C Off time

  8

  15

  30 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: 2477

  PROSIDING Vol. 01, Tahun 2016 ISSN: 2477

  7

  50 6 1,486 5,24

  6

  7

  30

  50 12 1,005 7,28

  7

  8

  7

  70 4 0,831 3,39

  8

  7

  15

  70 6 1,413 4,29

  9

  7

  15

  5

  70 12 1,239 7,09

  15

  1

  7

  8

  45 4 0,997 2,68

  2

  7

  45 6 1,492 3,60

  50 4 0,980 3,54

  3

  7

  30

  45 12 1,163 7,10

  4

  7

  8

  30

  10

  30

  70 4 0,954 4,01

  10

  30

  50 12 1,476 6,15

  16

  10

  8

  17

  50 6 1,579 4,40

  10

  15

  70 6 1,134 5,87

  18

  10

  30

  70 12 1,380 6,28

  15

  15

  10

  12

  8

  45 4 0,849 3,00

  11

  10

  15

  45 6 1,563 4,40

  10

  10

  30

  45 12 1,254 6,20

  13

  10

  8

  50 4 1,199 4,61

  14

  70 12 1,403 6,23

  10

  

Tabel 3

Matriks Ortogonal L 18 dan respon yang dihasilkan.

  6

  8

  50 4 0,996 3,96

  5

  7

  15

  50 6 1,523 5,24

  7

  4

  30

  50 12 1,030 7,33

  7

  7

  8

  70 4 0,835 3,39

  8

  7

  45 12 1,173 6,71

  15

  (A) MRR

  Run Order

  Gap Voltage

  (V) Off

  Time (µs)

  On Time

  (µs) Pulse Current

  (mm3/menit) Kekasaran

  30

  Permukaan (Ra) (µm)

  2

  7

  15

  45 6 1,421 4,15

  3

  7

  7

  70 6 1,443 3,75

  18

  50 12 1,452 6,20

  10

  15

  50 6 1,575 4,51

  15

  10

  30

  16

  50 4 1,193 4,73

  10

  8

  70 4 0,945 3,91

  17

  10

  15

  70 6 1,114 5,87

  14

  8

  9

  11

  7

  30

  70 12 1,202 7,25

  10

  10

  8

  45 4 0,859 3,06

  10

  10

  15

  45 6 1,522 4,47

  12

  10

  30

  45 12 1,247 6,29

  13

  Sumber: Hasil Pengukuran

  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)

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 0.001.

Parameter BP-ANN yang digunakan pada penelitian dapat dilihat pada Tabel 4.

  

Tabel 4

Parameter BP-ANN yang divariasikan

Hidden Layer Jumlah Fungsi Fungsi training

  Neuron Aktivasi

  1

  6 Logsig Trainlm

  2

  8 Tansig Trainrp

  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

  Gap Off On Pulse Kekasaran Run

  MRR Voltage Time Time Current Permukaan

  Order (mm3/menit)

  (V) (µs) (µs) (A) (Ra) (µm) 0,100 0,100 0,100 0,100 0,7354 0,174

  1 0,100 0,355 0,100 0,300 0,2691 0,352

  2 0,100 0,900 0,100 0,900 0,5340 0,792

  3 0,100 0,100 0,260 0,100 0,7230 0,320

  4 PROSIDING Vol. 01, Tahun 2016 ISSN: 2477 PROSIDING Vol. 01, Tahun 2016 ISSN: 2477 Run

  Order Gap

  9 0,100 0,900 0,900 0,900 0,4636 0,857

  2 0,100 0,355 0,100 0,300 0,1932 0,258

  3 0,100 0,900 0,100 0,900 0,5445 0,861

  4 0,100 0,100 0,260 0,100 0,7401 0,248

  5 0,100 0,355 0,260 0,300 0,1996 0,539

  6 0,100 0,900 0,260 0,900 0,7140 0,891

  7 0,100 0,100 0,900 0,100 0,9000 0,222

  8 0,100 0,355 0,900 0,300 0,2784 0,377

  10 0,900 0,100 0,100 0,100 0,8803 0,154

  18 0,900 0,900 0,900 0,900 0,2886 0,710

  11 0,900 0,355 0,100 0,300 0,1180 0,396

  12 0,900 0,900 0,100 0,900 0,4473 0,704

  13 0,900 0,100 0,260 0,100 0,5068 0,431

  14 0,900 0,355 0,260 0,300 0,1000 0,395

  15 0,900 0,900 0,260 0,900 0,2106 0,696

  16 0,900 0,100 0,900 0,100 0,7683 0,328

  17 0,900 0,355 0,900 0,300 0,5764 0,648

  18 0,900 0,900 0,900 0,900 0,3131 0,719

  1 0,100 0,100 0,100 0,100 0,7219 0,100

  17 0,900 0,355 0,900 0,300 0,5977 0,648

  Voltage (V)

  6 0,100 0,900 0,260 0,900 0,6868 0,900

  Off Time

  (µs) On

  Time (µs)

  Pulse Current

  (A) MRR

  (mm3/menit) Kekasaran

  Permukaan (Ra) (µm)

  5 0,100 0,355 0,260 0,300 0,1600 0,539

  7 0,100 0,100 0,900 0,100 0,8950 0,221

  16 0,900 0,100 0,900 0,100 0,7784 0,312

  8 0,100 0,355 0,900 0,300 0,2457 0,284

  9 0,100 0,900 0,900 0,900 0,5030 0,885

  10 0,900 0,100 0,100 0,100 0,8695 0,164

  11 0,900 0,355 0,100 0,300 0,1610 0,407

  12 0,900 0,900 0,100 0,900 0,4554 0,720

  13 0,900 0,100 0,260 0,100 0,5133 0,453

  14 0,900 0,355 0,260 0,300 0,1044 0,415

  15 0,900 0,900 0,260 0,900 0,2367 0,705

  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: 2477

  

Tabel 6

Rancangan percobaan BPANN menggunakan full factorial.

  13

  8 1 logsig Trainlm

  10

  8 1 logsig Trainrp

  11

  8 1 tansig Trainlm

  12

  8 1 tansig Trainrp

  8 2 logsig Trainlm

  6 2 tansig Trainrp

  14

  8 2 logsig Trainrp

  15

  8 2 tansig Trainlm

  16

  8 2 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.

  9

  8

  Jaringan ke- Unit

  6 1 logsig Trainrp

  Neuron

  Hidden Layer

  Fungsi Aktivasi

  Fungsi Pelatihan

  1

  6 1 logsig Trainlm

  2

  3

  6 2 tansig Trainlm

  6 1 tansig Trainlm

  4

  6 1 tansig Trainrp

  5

  6 2 logsig Trainlm

  6

  6 2 logsig Trainrp

  7

  

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.

  

Gambar 4. MSE hasil prediksi menggunakan BPANN.

Dari training, testing dan validasi yang telah dilakukan berdasarkan Gambar 5

diperoleh nilai MSE terkecil adalah sebesar 0,0014223 pada jaringan ke-13 dari

arsitektur jaringan 4-8-8-2 fungsi aktivasinya adalah logsig dan jenis training adalah

trainlm. Jaringan 4-8-8-2 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. Parameter-

parameter 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: 2477

  /min) Kekasaran

  10

  Tabel 7 Hasil Optimasi BPANN dan GA

  Seting faktor, kombinasi ke-

  Parameter Proses Respon Gap Voltage

  (V) Off Time

  (µs) On Time (µs) Pulse

  Current (A)

  MRR (mm

  3

  

53

12 1,634 3,24 SIMPULAN Dari hasil penelitian yang telah dilakukan dapat disimpulkan:

  Permukaan (µm) 350 0.754741 0.171635 0.237519 0.886238 0.04102 0.196545

  350 9,45527875 9,96996250 52,73544375 11,93119 1,63422003 3,24116781

  9

• Nilai MSE terkecil sebesar 0,0014223 di peroleh dari training yang menggunakan arsitektur jaringan 4-8-8-2, 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

  PROSIDING Vol. 01, Tahun 2016 ISSN: 2477

  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. 154 –162, 2007.

  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. 298-302, 2011.