POLITEKNOSAINS VOL. X NO. 1 Maret 2011 P
POLITEKNOSAINS VOL. X NO. 1
Maret 2011
PREDIKSI KEKASARAN PERMUKAAN BAJA ST 40 BERBASIS
MODEL ANALISIS REGRESI GANDA PADA PERMESINAN CNC
FRAIS
Herman Saputro
Pendidikan Teknik Mesin, FKIP, Universitas Sebelas Maret Surakarta
Kampus UNS Pabelan Jl.Ahmad Yani 200 Pabelan, SKH, Tlp/Fax 0271
718419
Sunaryo
Politeknik Pratama Mulia, Surakarta
Jl. Haryo Panular No 18a Surakarta 57149, Tlp 0271712637
The advancement in automation and accuracy of machine tool
made it possible to produce high quality industrial products. One of the
main perceptions of quality in mechanical products is its physical
appearance. One of the most important factors in physical appearance is
the surface roughness. Number of research publications addressed this
issue of surface roughness measurement and analyses. This research
focuses on study and analyses of surface quality improvement in milling
operation of low carbon steel (St 40). These metals are selected as they
are most widely used in education as well as in industry. This research
paper develops an empirical model for surface roughness (Ra) prediction
in milling using St 40. The impact of cutting speed, feed, depth of cut, and
dry cutting condition are studied on surface roughness.
The result produced using Regression Analyses (RA) give a good
prediction of surface roughness when compare with actual surface
roughness. The equation to prediction of surface roughness in dry
condition is Y = 3.0581 - 0.00007 n - 9.4333 Vf - 0.4956 a. By using
Multiple Regression Method equation, the average percentage deviation
of the testing set was 5.955% for training data set.
Keywords: surface roughness (SR), regression analyses (RA), speed, feed,
depth of cut, dry and material St 40.
Prediksi Kekasaran. . .
121
POLITEKNOSAINS VOL. X NO. 1
PENDAHULUAN
Upaya penelitian dibidang
operasi mesin perkakas telah
dimulai pada awal abad 19 oleh
F.W. Taylor yang melakukan
eksperimen selama 26 tahun
dengan
lebih
dari
30.000
eksperimen dan menghasilkan 400
ton geram (Benardos, P.G., dan GC. Vosniakos: 2003). Tujuan utama
Taylor adalah menghasilkan solusi
sederhana
atas
permasalahan
intrisik dalam menentukan kondisi
pemotongan yang aman dan
efisien. Taylor percaya bahwa
solusi tersebut secara empiris dapat
diselesaikan kurang dari setengah
menit oleh mekanik yang handal
lewat
pengalaman
mereka.
Masalahnya adalah bahwa para
mekanik
tersebut
meskipun
sanggup
bekerja
dengan
memuaskan
namun
kesulitan
menularkan pengetahuannya secara
sistematis dan kuantitatif kepada
orang lain.
Dasar dari setiap pekerjaan
mesin mempunyai persyaratan
kualitas permukaan dan kekasaran
permukaan yang berbeda-beda,
tergantung dari fungsinya. Kualitas
permukaan hasil penyekrapan rata
dapat dilihat dari kekasaran
permukaannya.
Makin
halus
permukaannya, makin baik pula
kualitasnya,
sehingga
cukup
beralasan juga apabila kekasaran
Prediksi Kekasaran. . .
Maret 2011
permukaan hasil frais diperhatikan
dan
dicari
solusi
untuk
mendapatkan
yang
sehalus
mungkin. Ada beberapa faktor
yang mempengaruhi kekasaran
permukaan pada pengerjaan logam
dengan pemakanan, kondisi mesin,
bahan benda kerja, bentuk ujung
pahat mata potong, pendinginan
dan operator.
Pada mesin CNC frais
untuk
mendapatkan tingkat kekasaran
yang sesuai permintaan gambar
kerja tidak dapat dilakukan dengan
jalan mencoba-coba dengan cara
memperbesar dan memperkecil
kecepatan
spindel
mesin,
kecepatan makan ( feed rate ) dan
kedalaman pemakanan (dept of cut
) karena besar dan kecilnya
kecepatan spindel mesin dan
kedalaman pemakanan harus di
inputkan dalam bentuk program.
Tingkat
kekasaran
permukaan hasil proses CNC frais
dan
keausan
pahat
dapat
dipengaruhi oleh dua faktor atau
variabel yaitu: 1) Variabel yang
masuk dalam program seperti:
kecepatan makan (vf), kecepatan
spindel
(n)
dan
kedalaman
pemotongan (a), dan 2) Variabel
yang tidak masuk dalam program
seperti: geometri pahat, jumlah
mata sayat pahat, bahan pahat dan
bahan
benda
kerja.
Untuk
mendapatkan
kekasaran
yang
122
POLITEKNOSAINS VOL. X NO. 1
dikehendaki sampai saat ini belum
ada
pedoman
parameter
pemotongan yang dapat digunakan
sebagai acuan.
Bertolak dari permasalahan
diatas maka, diperlukan penelitian
yang dapat menghasilkan suatu
model matematik yang mampu
memprediksi tingkat kekasaran
permukaan benda hasil proses CNC
frais dan pemodelan laju keausan
pahat. Sehingga mempermudah
programmer dan operator mesin
CNC
dalam
menentukan
parameter-parameter
yang
diperlukan untuk memproduksi
benda kerja yang sesuai dengan
spesifikasi
yang
dibutuhkan
gambar kerja dan juga untuk
mempermudah dalam perencanaan
biaya produksi dengan mesin CNC
frais.
LANDASAN TEORI
Kekasaran Permukaan
Permukaan adalah batas
yang memisahkan antara benda
padat dengan sekelilingnya. Jika
ditinjau dengan skala kecil pada
dasarnya konfigurasi permukaan
merupakan suatu karakteristik
geometri golongan mikrogeometri.
Sementara itu yang tergolong
makrogeometri adalah permukaan
secara keseluruhan yang membuat
bentuk atau rupa yang spesifik
misalnya permukaan poros, lubang,
Prediksi Kekasaran. . .
Maret 2011
sisi dan lain-lain yang tercakup
pada elemen geometri ukuran,
bentuk, dan posisi (Chang – Xue:
2002).
Kekasaran permukaan (surface
roughness) dibedakan menjadi dua,
yaitu:
1. Ideal surface roughness
Ideal surface roughness adalah
kekasaran ideal (terbaik) yang
bisa dicapai dalam suatu proses
permesinan dengan kondisi
ideal.
2. Natural surface roughness
Natural surface roughness
adalah kekasaran alamiah yang
terbentuk dalam proses
permesinan karena adanya
berbagai faktor yang
mempengaruhi proses
permesinan tersebut.
Faktor-faktor yang
mempengaruhi kekasaran ideal
diantaranya:
a. Getaran yang terjadi pada mesin.
b. Ketidaktepatan gerakan bagianbagian mesin.
c. Ketidakteraturan feed
mechanism.
d. Adanya cacat pada material
e. Gesekan antara chip dan
material.
123
POLITEKNOSAINS VOL. X NO. 1
Maret 2011
4. Kekasaran rata-rata kuadratik
(root mean square height), Rq
(µm) adalah akar bagi jarak
kuadrat rata-rata antara profil
terukur dengan profil tengah.
Gambar 1 Posisi profil referensi,
profil tengah dan profil alas
terhadap profil terukur untuk satu
panjang sampel.
Berdasarkan
profil-profil
yang diterangkan diatas, dapat
didefinisikan beberapa parameter
permukaan,
yaitu
yang
berhubungan dengan dimensi pada
arah tegak dan arah memanjang.
Untuk dimensi arah tegak dikenal
beberapa parameter yaitu:
1. Kekasaran total (peak to valley
height/total height), Rt (µm)
adalah jarak antara profil
referensi dengan profil alas.
2. Kekasaran perataan (depth of
surface smoothness/peak to
mean line), Rp (µm) adalah jarak
rata-rata antara profil referensi
dengan profil terukur.
3. Kekasaran rata-rata aritmetik
(mean roughness index/center
line average ,CLA), Ra (µm)
adalah harga rata-rata aritmetik
dibagi harga absolutnya jarak
antara profil terukur dengan
profil tengah.
Prediksi Kekasaran. . .
5. Kekasaran total rata-rata, Rz
(µm) merupakan jarak rata-rata
profil alas ke profil terukur pada
lima puncak tertinggi dikurangi
jarak rata-rata profil alas ke
profil terukur pada lima lembah
terendah.
Dari
bermacam-macam
parameter permukaan yang ada,
parameter Ra relatif lebih banyak
digunakan
untuk
mengidentifikasikan
permukaan.
Parameter Ra cocok apabila
digunakan
untuk
memeriksa
kualitas permukaan komponen
mesin yang telah dilakukan proses
pemesinan dalam jumlah yang
banyak dengan suatu proses
permesinan
tertentu
[4].
Dibandingkan dengan parameter
lain, harga Ra lebih sensitif
terhadap
perubahan
atau
penyimpangan yang terjadi pada
proses
permesinan.
Dengan
124
POLITEKNOSAINS VOL. X NO. 1
demikian pencegahan dapat dengan
cepat dilakukan jika ada tandatanda
bahwa
ada
kenaikan
kekasarannya (misalnya dengan
mengganti perkakas potong atau
cara yang lain).
Angka kekasaran ini telah
diklasifikasikan menjadi 12 angka
kelas kekasaran seperti terlihat
pada Tabel 1 Angka kekasaran
(ISO number) ini dimaksudkan
untuk menghindari kemungkinan
terjadinya kesalahan interpretasi
atas satuan harga kekasaran. Jadi
spesifikasi mengenai kekasaran
dapat dituliskan langsung dengan
menyatakan harga Ra-nya ataupun
dengan menggunakan angka kelas
kekasaran ISO.
Tabel 1 Angka Kekasaran (ISO
Roughness Number)
Maret 2011
Harga
kekasaran,
Ra (µm)
50
25
12,5
6,3
3,2
1,6
0,8
0,4
0,2
0,1
0,005
Angka
kelas
kekasaran
N12
N11
N10
N9
N8
N7
N6
N5
N4
N3
N2
Panjang
sampel
(mm)
0,025
N1
0,08
8
2,5
0,8
0,25
Beberapa penelitian tentang
kekasaran yang pernah dilakukan
telah disarikan (Feng, C-X., Wang,
J., and Wang, J-S.: 2001) pada
table 2 berikut ini:
Tabel 2. Faktor-faktor yang berpengaruh terhadap kekasaran permukaan
dari beberapa penelitian-penelitian.
No
Peneliti
1
Kamakar (1970)
2
Bhattacharya(1971
3
4
5
6
Material
Steel C-45
Plain carbon
steel
Rasch Rolstadas(1971) Carbon steel
Selvam
and Steel
Radhakrishnan (1973)
Lumbert and Taraman Steel
SAE
(1974)
1018
Boothroyd and Knight Mild steel
Prediksi Kekasaran. . .
Faktor yang berpengaruh
Cuting speed, feed rate, dept of cut
Cuting speed, feed rate, nose radius, work piece
hardenesss
Cuting speed, feed rate
Cuting speed, built up edge, work piece strain
hardeness
Cuting speed, feed rate, dept of cut
Cuting speed, feed rate
125
POLITEKNOSAINS VOL. X NO. 1
7
8
9
10
11
(1989)
Sundarman
and Steel
Lambert (1981)
Miller et al. (1983)
Alloy,
cast
iron
Lambert (1983)
Steel D6AC
Selvan(1975)
Steel
Petrpoulos91974)
Steel
Dari Table 2. diatas secara
global berdasarkan hasil penelitian
dapat dikelompokan menjadi dua
kelompok yaitu 1). Penelitian yang
menghasilkan kesimpulan bahwa
cutting speed merupakan factor
yang tidak berpengaruh signifikan
terhadap kekasaran permukaan,
yaitu penelitian yang dilakukan
oleh: Bhattacharya et al. (1970),
Sudarman dan lambert (1979),
Grieve et. al. (1968), Dickinson
(1986), dan Fischer dan Elrod
(1971). 2). Penelitian
yang
menghasilkan kesimpulan bahwa
cutting speed merupakan factor
yang
berpengaruh
signifikan
terhadap kekasaran permukaan,
yaitu penelitian yang dilakukan
oleh: Chandiramani dan Cook
(1964), Shaw (1966), Boothroy dan
Knight (1989), Miller et al. (1983),
Feng dan Wang (2001) dan Feng
(2001).
M. Brezocnik, M. Kovacic
dan M. Fisko, melakukan studi
tentang prediksi dari kekasaran
permukaan dengan menggunkan
genetic programming. Hasil dari
penelitian ini menyatakan: 1).
Prediksi Kekasaran. . .
Maret 2011
Cuting speed, feed rate, nose radius, dept of cut
Cuting speed, feed rate, tool condition, cutting
fluid
Cuting speed, feed rate, nose radius
Vibration, chatter
Tool wear, surface rougness distribution
Prediksi kekasaran permukaan
dengan
genetic
programming
mempunyai keakuratan yang tinggi.
2). Feed mempunyai pengaruh
yang besar terhadap kakasaran
permukaan.
Strategi untuk memprediksi
kekasaran permukaan terutama
pada proses surface finish dapat
dibangun atas 4 metode yaitu: 1)
multiple regretion, 2) mathematical
modeling based on the physics of
the process, 3) Fuzzy set based
technique dan 4) neural network
modeling (Fischer, H. L. and Elrod,
J. T.: 1971).
Analisis Regresi Ganda
Analisa
statistik
dengan
menggunakan model Multiple
regression linier digunakan untuk
memprediksikan faktor-faktor yang
mempengaruhi tingkat kekasaran
permukaan. Model regresi linier
berasumsi bahwa ada hubungan
linier antara variabel dependen,
yaitu tingkat kekasaran permukaan
dan tiap prediktor, yaitu faktor
kecepatan pemakanan, kecepatan
putaran dan kedalaman pemakanan.
126
POLITEKNOSAINS VOL. X NO. 1
Maret 2011
Hubungan tersebut digambarkan
dengan
persamaan
Walpole
berikut:
absolut suatu faktor, semakin besar
pula kontribusinya terhadap model
PENELITIAN
yˆ = b + b x + ... + b x +METODE
e
1. Eksperimen
0
1
1
k
k
di mana:
yˆ adalah nilai variabel
dependen
k
menunjukkan
jumlah
prediktor
bi adalah nilai koefisien ke-i,
i = 0,…k
xi adalah nilai prediktor ke-i
e adalah nilai kesalahan
model regresi
Regresi linier menunjukkan
model
yang
representatif
berdasarkan nilai koefisien korelasi
(R). Nilai R mengindikasikan
adanya hubungan linier yang kuat
antara tiap faktor dengan tingkat
kekasaran permukaan. Penentuan
faktor yang signifikan sebagai
prediktor
variabel
dependen
didasarkan pada nilai significance
level yang kurang dari 0,05 dan
tingkat kontribusi faktor tersebut
ditentukan
berdasarkan
nilai
standardized coefficient. Semakin
besar nilai standardized coefficient
Prediksi Kekasaran. . .
Pada
penelitian
ini
menggunakan material baja ST 40
dengan nilai kekerasan 44,70 HRA
(142,50
BHN).
Bahan
ini
digunakan karena bahan ini banyak
digunakan pada bengkel-bengkel
CNC di kota solo. Sedangkan
peralatan
dan
perlengkapan
pengujian yang digunakan seperti
yang terlihat pada Tabel 1berikut
ini:
Tabel 3 Perlengkapan pengujian
ALAT
TIPE/MEREK
Pahat
TAEGUTEC
XOMT
060204
TT9030
Mesin Frais CNC Mill Master
CNC
ZK 7040 dengan
sistem
kontrol
SIEMENS 802S
Alat
Uji Mitutoyo Surftest SJKekasaran
201P
Roughness
Tester
127
POLITEKNOSAINS VOL. X NO. 1
Maret 2011
Tabel 4 Variabel penelitian
Parameter
Kecepatan spindel (rpm)
Kecepatan pemakanan
(mm/rev)
Kedalaman pemakanan
(mm)
Kondisi Pemotongan
Level
1
2
(Rendah) (Sedang)
500
1500
3
(Tinggi)
2500
0,07
0,12
0,17
0,5
1
1,5
Hasil
Penelitian
Kekasaran
permukaan
Dry / kering
HASIL DAN PEMBAHASAN
Tabel 5 Nilai kekasaran permukaan hasil penelitian acak sempurna pada
permesinan CNC frais tanpa pendingin (kering)
Kecepatan Kecepatan Kedalaman
Percobaan pemotongan pemakanan pemakanan
(Rpm)
(mm/rev)
(mm)
1
500
0.07
0.5
2
500
0.07
1
3
500
0.07
1.5
4
500
0.12
0.5
5
500
0.12
1
6
500
0.12
1.5
7
500
0.17
0.5
8
500
0.17
1
9
500
0.17
1.5
10
1500
0.07
0.5
11
1500
0.07
1
12
1500
0.07
1.5
13
1500
0.12
0.5
14
1500
0.12
1
15
1500
0.12
1.5
16
1500
0.17
0.5
17
1500
0.17
1
18
1500
0.17
1.5
19
2500
0.07
0.5
20
2500
0.07
1
21
2500
0.07
1.5
Prediksi Kekasaran. . .
Kondisi
pemotongan
pemakanan
kering
kering
kering
kering
kering
kering
kering
kering
kering
kering
kering
kering
kering
kering
kering
kering
kering
kering
kering
kering
kering
Kekasaran
Rata-Rata
(µm)
2.33
1.82
1.60
1.62
1.36
1.18
1.15
0.93
0.75
2.08
1.78
1.56
1.53
1.30
0.73
0.99
0.88
0.70
1.92
1.76
1.54
128
POLITEKNOSAINS VOL. X NO. 1
22
23
24
25
26
27
2500
2500
2500
2500
2500
2500
0.12
0.12
0.12
0.17
0.17
0.17
Maret 2011
0.5
1
1.5
0.5
1
1.5
kering
kering
kering
kering
kering
kering
1.48
1.27
0.99
1.10
0.75
0.67
Hasil uji regresi linier ganda pada kondisi pemotongan kering
Tabel 6 Output analisis regresi ganda permesinan frais tanpa pendingin
dengan SPSS 12
Model Summary
Adjusted Std. Error of
Model
R
R Square R Square the Estimate
1
.978(a)
.956
.950
.10175
a Predictors: (Constant), Kedalaman pemakanan, Kedalaman pemakanan,
Rpm
ANOVA(b)
Sum of
Model
Squares
df
Mean Square
F
Sig.
1
Regression
5.198
3
1.733
167.344
.000(a)
Residual
.238
23
.010
Total
5.436
26
a Predictors: (Constant), Kedalaman pemakanan, Kedalaman pemakanan,
Rpm
b Dependent Variable: Kekasaran (Ra)
Model
1 (Constant)
Rpm
Kedalaman pemakanan
Kedalaman pemakanan
Coefficients(a)
Unstandardized
Standardized
Coefficients
Coefficients
B
Std. Error
Beta
3.058
.085
.000
.000
-.127
-9.433
.480
-.858
-.496
.048
-.451
Persamaan garis regresi ini
merupakan inti dari penelitian ini,
yang kemudian akan digunakan
Prediksi Kekasaran. . .
t
Sig.
B
Std. Error
35.813
.000
-2.919
.008
-19.667
.000
-10.331
.000
sebagai model matematik yang
dapat
digunakan
untuk
memprediksi kekasaran permukaan
129
POLITEKNOSAINS VOL. X NO. 1
yang dihasilkan oleh variasi rpm,
kecepatan
pemakanan
dan
kedalaman
pemakanan
pada
permesinan CNC frais tanpa
pendingin.
Berdasarkan output
SPSS tabel 6 coeficients B, yang
digunakan
untuk
membuat
persamaan garis regresi adalah
besaran koefisien beta. Dengan
demikian persamaan garis regresi
ganda dapat dinyatakan sebagai
berikut:
Ra = 3.058 – 0.000 n - 9.433
Vf – 0.496 a
Dimana Y = kekasaran permukaan
(µm)
n = kecepatan spindel (rpm)
Vf= kecepatan pemakanan
(mm/rev)
a
=
Kedalaman
pemotongan (mm)
Pada persamaan diatas
masih terdapat kelemahan yaitu
karena keterbatasan software SPSS
Tabel 7
Maret 2011
maka seolah-olah rpm tidak
mempunyai pengaruh terhadap
kekasaran permukaan sehingga
untuk mengetahui pengaruh rpm
terhadap
kekasaran
dilakukan
perhitungan
manual
sebagai
pembanding perhitungan dengan
SPSS. Dari perhitungan manual
diperoleh persamaan garis regresi
ganda sebagai berikut:
Y = 3.0581 - 0.00007 n - 9.4333 Vf
- 0.4956 a
Persamaan garis regresi
tersebut selanjutnya divalidasi
dengan hasil Percobaan untuk
mengetahui
berapa
rata-rata
persentase deviasi yang terjadi. Jika
persentase deviasi kecil maka
persamaan garis regresi dapat
digunakan
sebagai
model
matematik untuk memprediksi
kekasaran hasil permesinan CNC
frais tanpa pendingin. Adapun hasil
validasi dapat dilihat pada tabel 7
Hasil validasi antara harga kekasaran permukaan hasil Percobaan
dengan hasil prediksi berdasar persamaan garis regresi pada pemesian
CNC frais tanpa pendingin.
Prediksi Kekasaran. . .
130
POLITEKNOSAINS VOL. X NO. 1
Maret 2011
Percobaan
Y = 3.05811115 - 0.000070X1 -9.4333X2 0.4956X3
Rata-rata
Presentase
Prediksi Percobaan
Deviasi
(%)
3.0581 -0.00007(X1) -9.433(X2) -0.4956 (X3)
1
3.0581
-0.0350
-0.6603
-0.2478
2.12
2.33
9.227
2
3.0581
-0.0350
-0.6603
-0.4956
1.87
1.82
2.595
3
3.0581
-0.0350
-0.6603
-0.7433
1.62
1.6
1.215
4
3.0581
-0.0350
-1.1320
-0.2478
1.64
1.62
1.440
5
3.0581
-0.0350
-1.1320
-0.4956
1.40
1.36
2.614
6
3.0581
-0.0350
-1.1320
-0.7433
1.15
1.18
2.731
7
3.0581
-0.0350
-1.6037
-0.2478
1.17
1.15
1.884
8
3.0581
-0.0350
-1.6037
-0.4956
0.92
0.93
0.657
9
3.0581
-0.0350
-1.6037
-0.7433
0.68
0.75
9.852
10
3.0581
-0.1050
-0.6603
-0.2478
2.05
2.08
1.683
11
3.0581
-0.1050
-0.6603
-0.4956
1.80
1.78
0.968
12
3.0581
-0.1050
-0.6603
-0.7433
1.55
1.58
1.934
13
3.0581
-0.1050
-1.1320
-0.2478
1.57
1.53
2.832
14
3.0581
-0.1050
-1.1320
-0.4956
1.33
1.3
1.966
15
3.0581
-0.1050
-1.1320
-0.7433
1.08
0.73
47.641
16
3.0581
-0.1050
-1.6037
-0.2478
1.10
0.99
11.279
Prediksi Kekasaran. . .
131
POLITEKNOSAINS VOL. X NO. 1
Maret 2011
Percobaan
Y = 3.05811115 - 0.000070X1 -9.4333X2 0.4956X3
Rata-rata
Presentase
Prediksi Percobaan
Deviasi
(%)
3.0581 -0.00007(X1) -9.433(X2) -0.4956 (X3)
17
3.0581
-0.1050
-1.6037
-0.4956
0.85
0.88
2.967
18
3.0581
-0.1050
-1.6037
-0.7433
0.61
0.7
13.413
19
3.0581
-0.1750
-0.6603
-0.2478
1.98
1.92
2.865
20
3.0581
-0.1750
-0.6603
-0.4956
1.73
1.76
1.862
21
3.0581
-0.1750
-0.6603
-0.7433
1.48
1.54
3.932
22
3.0581
-0.1750
-1.1320
-0.2478
1.50
1.48
1.577
23
3.0581
-0.1750
-1.1320
-0.4956
1.26
1.27
1.137
24
3.0581
-0.1750
-1.1320
-0.7433
1.01
0.99
1.796
25
3.0581
-0.1750
-1.6037
-0.2478
1.03
1.1
6.212
26
3.0581
-0.1750
-1.6037
-0.4956
0.78
0.75
4.519
27
3.0581
-0.1750
-1.6037
-0.7433
0.54
0.67
19.983
Rata-rata Presentase Deviasi (%)
Dari
tabel
7
dapat
digambarkan grafik hubungan
antara kekasaran permukaan (Ra)
prediksi
dengan
kekasaran
permukaan
(Ra)
eksperimen
Prediksi Kekasaran. . .
5.955
permesinan CNC frais tanpa
pendingin (gambar 2 dan 3).
132
POLITEKNOSAINS VOL. X NO. 1
Gambar 2 Grafik hubungan Ra
prediksi dan Ra eksperimen
disetiap
percobaan
pada
permesinan CNC frais dengan
kondisi pemotongan kering
Gambar 3
Grafik
hubungan
antara Ra prediksi dengan Ra
eksperimen pada permesinan CNC
frais dengan kondisi pemotongan
kering
Pembahasan hasil analisis data
pada permesinan CNC frais pada
kondisi pemotongan kering
Dari hasil analisis data
didapatkan bahwa data hasil
Prediksi Kekasaran. . .
Maret 2011
pengukuran kekasaran permukaan
pada permesinan CNC frais tanpa
pendingin memenuhi prasyarat
untuk dilakukan analisis data
dengan menggunakan metode
regresi linier ganda. Dari uji
linearitas dapat disimpulkan bahwa
data permesinan frais tanpa
pendingin memiliki model regresi
berbentuk linear, sehingga analisis
regresi
linear
ganda
dapat
digunakan dalam menganalisis data
tersebut.
Dari hasil analisis regresi
linier ganda dihasilkan persamaan
garis regresi yang merupakan inti
dari penelitian ini, yang kemudian
akan digunakan sebagai model
matematik untuk memprediksi
kekasaran
permukaan
yang
dihasilkan oleh variasi rpm,
kecepatan
pemakanan
dan
kedalaman
pemakanan
pada
permesinan CNC frais tanpa
pendingin. Persamaan garis regresi
yang sekaligus model matematik
yang digunakan untuk memprediksi
kekasaran permukaan adalah : Y =
3.0581 - 0.00007 n - 9.4333 Vf 0.4956 a
Hasil
validitasi
model
persamaan
matematik
yang
dihasilkan dari analisis regresi
linier
ganda
dangan
hasil
Percobaan
diperoleh
rata-rata
persentase deviasi sebesar 5.955%.
Rata-rata persentase deviasi sebesar
5.955 % tersebut masih bisa
133
POLITEKNOSAINS VOL. X NO. 1
diterima, karena dari beberapa
penelitian sejenis yang pernah
dilakukan bahwa angka rata-rata
persentase deviasi sebesar 9.71 %
[3] dan 26 % [28] masih bisa di
terima.
Dari gambar 1 dan 2 grafik
hubungan antara Ra prediksi
dengan Ra Percobaan pada
permesinan CNC frais tanpa
pendingin juga memperlihatkan
bahwa
penyimpangan
antara
a. Pada Kecepatan
Gambar 3
Maret 2011
prediksi dan Percobaan sangat kecil
sekali. Sehingga model matematik
Y = 3.0581 - 0.00007 n - 9.4333 Vf
- 0.4956 a dapat digunakan untuk
memprediksi kekasaran permukaan
pada permesinan CNC frais tanpa
pendingin.
Dari
data
kekasaran
permukaan pada proses permesinan
CNC frais tanpa pendingin dapat
dideskripsikan seperti pada gambar
3 dibawah ini:
b. Pada Kecepatan pemakanan
c. Pada Kecepatan
Hubungan antara kecepatan spindel, kecepatan pemakanan dan
kedalaman pemotongan terhadap kekasaran permukaan pada
kondisi pemotongan kering.
Pada gambar 3 nilai
kekasaran permukaan terkecil pada
permesinan frais tanpa pendingin
adalah 0.67 µm terjadi pada
parameter pemotongan: rpm =
2500, kecepatan pemakanan = 0.17
Prediksi Kekasaran. . .
mm/rev dan kedalaman pemakanan
t = 1.5 mm. Sedangkan kekasaran
terbesar pada permesinan frais
tanpa pendingin adalah 2.33 µm
terjadi
pada
parameter
pemotongan: rpm = 500, kecepatan
134
POLITEKNOSAINS VOL. X NO. 1
pemakanan = 0.07 mm/rev dan
kedalaman pemakanan = 0.5 mm.
Dari grafik pada gambar 4.7
dapat dijelaskan bahwa pada
permesinan CNC frais tanpa
pendingin didapatkan hasil:
1. Seiring bertambahnya kecepatan
spindel (rpm semakin besar)
kekasaran hasil permesinan
miling semakain turun atau
halus, hal ini karena dengan
semakin besar kecepatan spindel
maka gesekan yang terjadi
antara permukaan benda kerja
dan pahat akan lebih cepat
sehingga permukaannya akan
menjadi lebih halus dan sesuai
dengan hipotesis.
2. Seiring dengan bertambanya
kecepatan pemakanan kekasaran
permukaan
hasil
proses
permesinan CNC frais semakin
turun atau halus. Fenomena ini
berlawanan dengan teori dan
hipotesis, karena pada proses
permesinan apabila kedalaman
pemakanan naik maka harga
kekasarannya juga ikut naik. Hal
ini dikarenakan pada proses
permesinan dengan kedalaman
pemakanan
tinggi
akan
menyebabkan
kenaikan
temperatur yang pada akhirnya
akan menyebabkan pelunakan
pada pahat maupun benda kerja
(Gandjar Kiswanto: 2005) .
Kenaikan
temperatur
ini
disebabkan oleh bertambanya
Prediksi Kekasaran. . .
Maret 2011
luasan penampang bidang geser
dan proses permesinan yang
tanpa pendingin. Pada meterial
St 40
seiring bertambahnya
kedalaman
pemakanan,
kekerasan
material
justru
menurun (Rusnaldy dan Budi
Setiyana:
2006).
Dengan
melunaknya material akibat
temperatur
tersebut
maka,
seiring
dengan
naiknya
kedalaman pemakanan akan
dihasilkan kekasaran permukaan
yang semakin menurun.
3. Seiring
dengan
bertambah
kedalaman
penyayatan
kekasaran
permukaan
juga
semakin menurun atau halus.
Fenomena ini juga bertentangan
dengan hipotesis dan teori. Hal
ini dikarenakan semakin dalam
penyayatan maka semakin besar
gaya gesek antara pahat dengan
benda kerja yang mengakibatkan
naiknya temperatur. Naikanya
temperatur
tersebut
menyebabkan pelunakan pada
material
St
40
sehingga
menyebabkan pada kedalaman
1.5 mm kekasaran permukaan
paling halus.
KESIMPULAN DAN SARAN
Kesimpulan
1. Persamaan garis regresi yang
sekaligus model matematik
yang
digunakan
untuk
memprediksi
kekasaran
135
POLITEKNOSAINS VOL. X NO. 1
2.
permukaan adalah :
Y =
3.0581 - 0.00007 n - 9.4333 Vf
- 0.4956 a
kekasaran permukaan terkecil
pada permesinan frais tanpa
pendingin adalah 0.67 µm
terjadi
pada
parameter
pemotongan: rpm = 2500,
kecepatan pemakanan = 0.17
mm/rev
dan
kedalaman
pemakanan t = 1.5 mm.
Sedangkan kekasaran terbesar
pada permesinan frais tanpa
pendingin adalah 2.33 µm
terjadi
pada
parameter
pemotongan: rpm = 500,
kecepatan pemakanan = 0.07
mm/rev
dan
kedalaman
pemakanan = 0.5 mm.
Saran
1. Penelitian
tentang
proses
pemesinan, merupakan topik
yang sangat luas, sehingga
masih
banyak
diperlukan
penelitian-penelitian lanjutan
untuk mendalami parameterparameter permesinan yang
lain.
2. Pada penelitian ini hanya
terbatas 3 level disetiap faktor,
sehingga hasil pemodelan
matematik yang didapatkan
memiliki keterbatasan hanya
cocok untuk mesin, material,
pahat serta level-level yang ada
pada penelitian ini.
Prediksi Kekasaran. . .
Maret 2011
DAFTAR PUSTAKA
Benardos,
P.G.,
dan
G-C.
Vosniakos. (2003), Predicting
Surface
Roughness
In
Machining:
A
Review,
International
Journal
Of
Machine
Tools
And
Manufacture 43. 833-844.
Bhattacharya, A., Faria-Gonzalez,
R., and Ham, I. (1970),
Regression
analysis
for
predicting surface finish and its
application in the determination
of
optimum
machining
conditions. ASME Journal of
Engineering for Industry, 4, 71171
Boothroyd, G. and Knight, W. A.
(1989),
Fundamentals
of
Machining and Machine Tool.
Marcel Dekker, New York.
Chang – Xue. (2002), Surface
Raoughness
Predictive
Modeling: Neural Networks
versus Regression. Departemen
of Industrial & Manufacturing
Engineering,
College
of
Engineering and Technology
Bradley University : Illinois
USA.
Chandiramani, K. L., and Cook, N.
H. (1964), Investigation on the
nature of surface finish and its
variation with cutting speed.
Journal of Engineering for
Industry, Series B, 134-140.
Dickinson, G. R. (1968), A survey
of factors affecting surface
136
POLITEKNOSAINS VOL. X NO. 1
finish.
Proceedings
of
Conference on Properties and
Metrology of Surfaces, Part 3K,
135-147.
Feng, C-X., Wang, J., and Wang, JS. (2001), An optimization
model for concurrent selection
of tolerances and suppliers.
Computers
and
Industrial
Engineering, 40, 15-33.
Fischer, H. L. and Elrod, J. T.
(1971), Surface finish as a
function of tool geometry and
feed: a theoretical approach.
Microtechnic, No. 25, 175-178.
Grieve, D. J., Kaliszer, H., and
Rowe, G. W. (1968), The effects
of cutting conditions on bearing
area parameters. Proceedings of
9th International Machine Tool
Design
and
Research
Conference, U.K., September,
Vol. 2, 989-1004.
Jerard, R.B., et al., 2001, Online
Optimization
of
Cutting
Conditions for NC Machining,
2001
NSF
Design,
Manufacturing and Industrial
Innovation
Research
Conference, January 7-10 2001,
Tampa, Florida
Muin, Syamsir. 1986. Dasar-dasar
Perencanaan Perkakas. Jakarta :
Rajawali Mas
M. Brezocnik, M. Kovacic dan M.
Ficko. (2004), Prediction of
Surface Roughness with Genetic
Programming.
Journal
of
Prediksi Kekasaran. . .
Maret 2011
Material
Processing
Technology.
Mike. S. Lou (1998), Surface
Roughness for CNC End –
Bubut; Journal of Tecnology.
Kaohsiung Taiwan: Cheng Shiu
College of Tecnology
Nieman, G. 1992. Elemen Mesin I.
Jakarta : Pradya Paramita
Kalpakjian, S, Schmid. (1992),
Manufakturing Engineering and
Technology
2nd
Edition,
Addison-Wesley
Publishing,
USA.
Ming-Yung Wang dan Hung-Yen
Chang. (2003),. Experimental
Study of Surface Roughness in Slot
End Milling AL2014-T6.
International Journal of Machine
Tools & Manufacture 44 (2004),
51-57.
M. Mehrban, et al.. (2008),.
Modelling of Tool Life in
Turning
Process
Using
Experimental
Method.
International Journal of material
forming. Springer Paris.
Ogo, Emmanuel et al. (2007),
Performance Evaluation of
Cutting Fluids Developed from
Fixed Oils. Leonardo Electronic
Journal of Practices and
Technologies. Issue 10, JanuaryJune 2007
P N Rao (2000), CAD/CAM
principles and application. Iowa,
USA : Mc Graw Hill
137
POLITEKNOSAINS VOL. X NO. 1
Rachim, Taufiq.(2001), Spesifikasi,
Metrologi, dan Kontrol Kualitas
Geometrik. Institut Teknologi
Bandung
Rachim, Taufiq.(1982), Teori dan
Teknologi Proses Permesinan.
Institut Teknologi Bandung
Sakir Tasdemir, Suleyman Neseli.
(2008), Prediction Of Surface
Roughness Using Artificial
Neural Network In Lathe,
International Conference On
Computer
System
An
Thecnology – CompSys Tech
2008
Kalpakjian, S, Schmid. (1992),
Manufakturing Engineering and
Technology
2nd
Edition,
Addison-Wesley
Publishing,
USA.
Prediksi Kekasaran. . .
Maret 2011
Shaw, M. S., (1966), Study of
machined surface. Proceedings,
OECD Conference, September.
Sundaram, R. M. and Lambert, B.
K. (1981), Mathematical models
to predict surface finish in fine
turning of steel, Parts I and II,
International
Journal
of
Production Research, 19, 547564.
Taegutec (2008),. Taegu Turn
Insert Master. Korea
Troy S. Vom Braucke. (2004),
Establishment of a Database for
Tool Life Performance. School
of engeering and science,
Swinburne
university
of
technology: Australia.
138
Maret 2011
PREDIKSI KEKASARAN PERMUKAAN BAJA ST 40 BERBASIS
MODEL ANALISIS REGRESI GANDA PADA PERMESINAN CNC
FRAIS
Herman Saputro
Pendidikan Teknik Mesin, FKIP, Universitas Sebelas Maret Surakarta
Kampus UNS Pabelan Jl.Ahmad Yani 200 Pabelan, SKH, Tlp/Fax 0271
718419
Sunaryo
Politeknik Pratama Mulia, Surakarta
Jl. Haryo Panular No 18a Surakarta 57149, Tlp 0271712637
The advancement in automation and accuracy of machine tool
made it possible to produce high quality industrial products. One of the
main perceptions of quality in mechanical products is its physical
appearance. One of the most important factors in physical appearance is
the surface roughness. Number of research publications addressed this
issue of surface roughness measurement and analyses. This research
focuses on study and analyses of surface quality improvement in milling
operation of low carbon steel (St 40). These metals are selected as they
are most widely used in education as well as in industry. This research
paper develops an empirical model for surface roughness (Ra) prediction
in milling using St 40. The impact of cutting speed, feed, depth of cut, and
dry cutting condition are studied on surface roughness.
The result produced using Regression Analyses (RA) give a good
prediction of surface roughness when compare with actual surface
roughness. The equation to prediction of surface roughness in dry
condition is Y = 3.0581 - 0.00007 n - 9.4333 Vf - 0.4956 a. By using
Multiple Regression Method equation, the average percentage deviation
of the testing set was 5.955% for training data set.
Keywords: surface roughness (SR), regression analyses (RA), speed, feed,
depth of cut, dry and material St 40.
Prediksi Kekasaran. . .
121
POLITEKNOSAINS VOL. X NO. 1
PENDAHULUAN
Upaya penelitian dibidang
operasi mesin perkakas telah
dimulai pada awal abad 19 oleh
F.W. Taylor yang melakukan
eksperimen selama 26 tahun
dengan
lebih
dari
30.000
eksperimen dan menghasilkan 400
ton geram (Benardos, P.G., dan GC. Vosniakos: 2003). Tujuan utama
Taylor adalah menghasilkan solusi
sederhana
atas
permasalahan
intrisik dalam menentukan kondisi
pemotongan yang aman dan
efisien. Taylor percaya bahwa
solusi tersebut secara empiris dapat
diselesaikan kurang dari setengah
menit oleh mekanik yang handal
lewat
pengalaman
mereka.
Masalahnya adalah bahwa para
mekanik
tersebut
meskipun
sanggup
bekerja
dengan
memuaskan
namun
kesulitan
menularkan pengetahuannya secara
sistematis dan kuantitatif kepada
orang lain.
Dasar dari setiap pekerjaan
mesin mempunyai persyaratan
kualitas permukaan dan kekasaran
permukaan yang berbeda-beda,
tergantung dari fungsinya. Kualitas
permukaan hasil penyekrapan rata
dapat dilihat dari kekasaran
permukaannya.
Makin
halus
permukaannya, makin baik pula
kualitasnya,
sehingga
cukup
beralasan juga apabila kekasaran
Prediksi Kekasaran. . .
Maret 2011
permukaan hasil frais diperhatikan
dan
dicari
solusi
untuk
mendapatkan
yang
sehalus
mungkin. Ada beberapa faktor
yang mempengaruhi kekasaran
permukaan pada pengerjaan logam
dengan pemakanan, kondisi mesin,
bahan benda kerja, bentuk ujung
pahat mata potong, pendinginan
dan operator.
Pada mesin CNC frais
untuk
mendapatkan tingkat kekasaran
yang sesuai permintaan gambar
kerja tidak dapat dilakukan dengan
jalan mencoba-coba dengan cara
memperbesar dan memperkecil
kecepatan
spindel
mesin,
kecepatan makan ( feed rate ) dan
kedalaman pemakanan (dept of cut
) karena besar dan kecilnya
kecepatan spindel mesin dan
kedalaman pemakanan harus di
inputkan dalam bentuk program.
Tingkat
kekasaran
permukaan hasil proses CNC frais
dan
keausan
pahat
dapat
dipengaruhi oleh dua faktor atau
variabel yaitu: 1) Variabel yang
masuk dalam program seperti:
kecepatan makan (vf), kecepatan
spindel
(n)
dan
kedalaman
pemotongan (a), dan 2) Variabel
yang tidak masuk dalam program
seperti: geometri pahat, jumlah
mata sayat pahat, bahan pahat dan
bahan
benda
kerja.
Untuk
mendapatkan
kekasaran
yang
122
POLITEKNOSAINS VOL. X NO. 1
dikehendaki sampai saat ini belum
ada
pedoman
parameter
pemotongan yang dapat digunakan
sebagai acuan.
Bertolak dari permasalahan
diatas maka, diperlukan penelitian
yang dapat menghasilkan suatu
model matematik yang mampu
memprediksi tingkat kekasaran
permukaan benda hasil proses CNC
frais dan pemodelan laju keausan
pahat. Sehingga mempermudah
programmer dan operator mesin
CNC
dalam
menentukan
parameter-parameter
yang
diperlukan untuk memproduksi
benda kerja yang sesuai dengan
spesifikasi
yang
dibutuhkan
gambar kerja dan juga untuk
mempermudah dalam perencanaan
biaya produksi dengan mesin CNC
frais.
LANDASAN TEORI
Kekasaran Permukaan
Permukaan adalah batas
yang memisahkan antara benda
padat dengan sekelilingnya. Jika
ditinjau dengan skala kecil pada
dasarnya konfigurasi permukaan
merupakan suatu karakteristik
geometri golongan mikrogeometri.
Sementara itu yang tergolong
makrogeometri adalah permukaan
secara keseluruhan yang membuat
bentuk atau rupa yang spesifik
misalnya permukaan poros, lubang,
Prediksi Kekasaran. . .
Maret 2011
sisi dan lain-lain yang tercakup
pada elemen geometri ukuran,
bentuk, dan posisi (Chang – Xue:
2002).
Kekasaran permukaan (surface
roughness) dibedakan menjadi dua,
yaitu:
1. Ideal surface roughness
Ideal surface roughness adalah
kekasaran ideal (terbaik) yang
bisa dicapai dalam suatu proses
permesinan dengan kondisi
ideal.
2. Natural surface roughness
Natural surface roughness
adalah kekasaran alamiah yang
terbentuk dalam proses
permesinan karena adanya
berbagai faktor yang
mempengaruhi proses
permesinan tersebut.
Faktor-faktor yang
mempengaruhi kekasaran ideal
diantaranya:
a. Getaran yang terjadi pada mesin.
b. Ketidaktepatan gerakan bagianbagian mesin.
c. Ketidakteraturan feed
mechanism.
d. Adanya cacat pada material
e. Gesekan antara chip dan
material.
123
POLITEKNOSAINS VOL. X NO. 1
Maret 2011
4. Kekasaran rata-rata kuadratik
(root mean square height), Rq
(µm) adalah akar bagi jarak
kuadrat rata-rata antara profil
terukur dengan profil tengah.
Gambar 1 Posisi profil referensi,
profil tengah dan profil alas
terhadap profil terukur untuk satu
panjang sampel.
Berdasarkan
profil-profil
yang diterangkan diatas, dapat
didefinisikan beberapa parameter
permukaan,
yaitu
yang
berhubungan dengan dimensi pada
arah tegak dan arah memanjang.
Untuk dimensi arah tegak dikenal
beberapa parameter yaitu:
1. Kekasaran total (peak to valley
height/total height), Rt (µm)
adalah jarak antara profil
referensi dengan profil alas.
2. Kekasaran perataan (depth of
surface smoothness/peak to
mean line), Rp (µm) adalah jarak
rata-rata antara profil referensi
dengan profil terukur.
3. Kekasaran rata-rata aritmetik
(mean roughness index/center
line average ,CLA), Ra (µm)
adalah harga rata-rata aritmetik
dibagi harga absolutnya jarak
antara profil terukur dengan
profil tengah.
Prediksi Kekasaran. . .
5. Kekasaran total rata-rata, Rz
(µm) merupakan jarak rata-rata
profil alas ke profil terukur pada
lima puncak tertinggi dikurangi
jarak rata-rata profil alas ke
profil terukur pada lima lembah
terendah.
Dari
bermacam-macam
parameter permukaan yang ada,
parameter Ra relatif lebih banyak
digunakan
untuk
mengidentifikasikan
permukaan.
Parameter Ra cocok apabila
digunakan
untuk
memeriksa
kualitas permukaan komponen
mesin yang telah dilakukan proses
pemesinan dalam jumlah yang
banyak dengan suatu proses
permesinan
tertentu
[4].
Dibandingkan dengan parameter
lain, harga Ra lebih sensitif
terhadap
perubahan
atau
penyimpangan yang terjadi pada
proses
permesinan.
Dengan
124
POLITEKNOSAINS VOL. X NO. 1
demikian pencegahan dapat dengan
cepat dilakukan jika ada tandatanda
bahwa
ada
kenaikan
kekasarannya (misalnya dengan
mengganti perkakas potong atau
cara yang lain).
Angka kekasaran ini telah
diklasifikasikan menjadi 12 angka
kelas kekasaran seperti terlihat
pada Tabel 1 Angka kekasaran
(ISO number) ini dimaksudkan
untuk menghindari kemungkinan
terjadinya kesalahan interpretasi
atas satuan harga kekasaran. Jadi
spesifikasi mengenai kekasaran
dapat dituliskan langsung dengan
menyatakan harga Ra-nya ataupun
dengan menggunakan angka kelas
kekasaran ISO.
Tabel 1 Angka Kekasaran (ISO
Roughness Number)
Maret 2011
Harga
kekasaran,
Ra (µm)
50
25
12,5
6,3
3,2
1,6
0,8
0,4
0,2
0,1
0,005
Angka
kelas
kekasaran
N12
N11
N10
N9
N8
N7
N6
N5
N4
N3
N2
Panjang
sampel
(mm)
0,025
N1
0,08
8
2,5
0,8
0,25
Beberapa penelitian tentang
kekasaran yang pernah dilakukan
telah disarikan (Feng, C-X., Wang,
J., and Wang, J-S.: 2001) pada
table 2 berikut ini:
Tabel 2. Faktor-faktor yang berpengaruh terhadap kekasaran permukaan
dari beberapa penelitian-penelitian.
No
Peneliti
1
Kamakar (1970)
2
Bhattacharya(1971
3
4
5
6
Material
Steel C-45
Plain carbon
steel
Rasch Rolstadas(1971) Carbon steel
Selvam
and Steel
Radhakrishnan (1973)
Lumbert and Taraman Steel
SAE
(1974)
1018
Boothroyd and Knight Mild steel
Prediksi Kekasaran. . .
Faktor yang berpengaruh
Cuting speed, feed rate, dept of cut
Cuting speed, feed rate, nose radius, work piece
hardenesss
Cuting speed, feed rate
Cuting speed, built up edge, work piece strain
hardeness
Cuting speed, feed rate, dept of cut
Cuting speed, feed rate
125
POLITEKNOSAINS VOL. X NO. 1
7
8
9
10
11
(1989)
Sundarman
and Steel
Lambert (1981)
Miller et al. (1983)
Alloy,
cast
iron
Lambert (1983)
Steel D6AC
Selvan(1975)
Steel
Petrpoulos91974)
Steel
Dari Table 2. diatas secara
global berdasarkan hasil penelitian
dapat dikelompokan menjadi dua
kelompok yaitu 1). Penelitian yang
menghasilkan kesimpulan bahwa
cutting speed merupakan factor
yang tidak berpengaruh signifikan
terhadap kekasaran permukaan,
yaitu penelitian yang dilakukan
oleh: Bhattacharya et al. (1970),
Sudarman dan lambert (1979),
Grieve et. al. (1968), Dickinson
(1986), dan Fischer dan Elrod
(1971). 2). Penelitian
yang
menghasilkan kesimpulan bahwa
cutting speed merupakan factor
yang
berpengaruh
signifikan
terhadap kekasaran permukaan,
yaitu penelitian yang dilakukan
oleh: Chandiramani dan Cook
(1964), Shaw (1966), Boothroy dan
Knight (1989), Miller et al. (1983),
Feng dan Wang (2001) dan Feng
(2001).
M. Brezocnik, M. Kovacic
dan M. Fisko, melakukan studi
tentang prediksi dari kekasaran
permukaan dengan menggunkan
genetic programming. Hasil dari
penelitian ini menyatakan: 1).
Prediksi Kekasaran. . .
Maret 2011
Cuting speed, feed rate, nose radius, dept of cut
Cuting speed, feed rate, tool condition, cutting
fluid
Cuting speed, feed rate, nose radius
Vibration, chatter
Tool wear, surface rougness distribution
Prediksi kekasaran permukaan
dengan
genetic
programming
mempunyai keakuratan yang tinggi.
2). Feed mempunyai pengaruh
yang besar terhadap kakasaran
permukaan.
Strategi untuk memprediksi
kekasaran permukaan terutama
pada proses surface finish dapat
dibangun atas 4 metode yaitu: 1)
multiple regretion, 2) mathematical
modeling based on the physics of
the process, 3) Fuzzy set based
technique dan 4) neural network
modeling (Fischer, H. L. and Elrod,
J. T.: 1971).
Analisis Regresi Ganda
Analisa
statistik
dengan
menggunakan model Multiple
regression linier digunakan untuk
memprediksikan faktor-faktor yang
mempengaruhi tingkat kekasaran
permukaan. Model regresi linier
berasumsi bahwa ada hubungan
linier antara variabel dependen,
yaitu tingkat kekasaran permukaan
dan tiap prediktor, yaitu faktor
kecepatan pemakanan, kecepatan
putaran dan kedalaman pemakanan.
126
POLITEKNOSAINS VOL. X NO. 1
Maret 2011
Hubungan tersebut digambarkan
dengan
persamaan
Walpole
berikut:
absolut suatu faktor, semakin besar
pula kontribusinya terhadap model
PENELITIAN
yˆ = b + b x + ... + b x +METODE
e
1. Eksperimen
0
1
1
k
k
di mana:
yˆ adalah nilai variabel
dependen
k
menunjukkan
jumlah
prediktor
bi adalah nilai koefisien ke-i,
i = 0,…k
xi adalah nilai prediktor ke-i
e adalah nilai kesalahan
model regresi
Regresi linier menunjukkan
model
yang
representatif
berdasarkan nilai koefisien korelasi
(R). Nilai R mengindikasikan
adanya hubungan linier yang kuat
antara tiap faktor dengan tingkat
kekasaran permukaan. Penentuan
faktor yang signifikan sebagai
prediktor
variabel
dependen
didasarkan pada nilai significance
level yang kurang dari 0,05 dan
tingkat kontribusi faktor tersebut
ditentukan
berdasarkan
nilai
standardized coefficient. Semakin
besar nilai standardized coefficient
Prediksi Kekasaran. . .
Pada
penelitian
ini
menggunakan material baja ST 40
dengan nilai kekerasan 44,70 HRA
(142,50
BHN).
Bahan
ini
digunakan karena bahan ini banyak
digunakan pada bengkel-bengkel
CNC di kota solo. Sedangkan
peralatan
dan
perlengkapan
pengujian yang digunakan seperti
yang terlihat pada Tabel 1berikut
ini:
Tabel 3 Perlengkapan pengujian
ALAT
TIPE/MEREK
Pahat
TAEGUTEC
XOMT
060204
TT9030
Mesin Frais CNC Mill Master
CNC
ZK 7040 dengan
sistem
kontrol
SIEMENS 802S
Alat
Uji Mitutoyo Surftest SJKekasaran
201P
Roughness
Tester
127
POLITEKNOSAINS VOL. X NO. 1
Maret 2011
Tabel 4 Variabel penelitian
Parameter
Kecepatan spindel (rpm)
Kecepatan pemakanan
(mm/rev)
Kedalaman pemakanan
(mm)
Kondisi Pemotongan
Level
1
2
(Rendah) (Sedang)
500
1500
3
(Tinggi)
2500
0,07
0,12
0,17
0,5
1
1,5
Hasil
Penelitian
Kekasaran
permukaan
Dry / kering
HASIL DAN PEMBAHASAN
Tabel 5 Nilai kekasaran permukaan hasil penelitian acak sempurna pada
permesinan CNC frais tanpa pendingin (kering)
Kecepatan Kecepatan Kedalaman
Percobaan pemotongan pemakanan pemakanan
(Rpm)
(mm/rev)
(mm)
1
500
0.07
0.5
2
500
0.07
1
3
500
0.07
1.5
4
500
0.12
0.5
5
500
0.12
1
6
500
0.12
1.5
7
500
0.17
0.5
8
500
0.17
1
9
500
0.17
1.5
10
1500
0.07
0.5
11
1500
0.07
1
12
1500
0.07
1.5
13
1500
0.12
0.5
14
1500
0.12
1
15
1500
0.12
1.5
16
1500
0.17
0.5
17
1500
0.17
1
18
1500
0.17
1.5
19
2500
0.07
0.5
20
2500
0.07
1
21
2500
0.07
1.5
Prediksi Kekasaran. . .
Kondisi
pemotongan
pemakanan
kering
kering
kering
kering
kering
kering
kering
kering
kering
kering
kering
kering
kering
kering
kering
kering
kering
kering
kering
kering
kering
Kekasaran
Rata-Rata
(µm)
2.33
1.82
1.60
1.62
1.36
1.18
1.15
0.93
0.75
2.08
1.78
1.56
1.53
1.30
0.73
0.99
0.88
0.70
1.92
1.76
1.54
128
POLITEKNOSAINS VOL. X NO. 1
22
23
24
25
26
27
2500
2500
2500
2500
2500
2500
0.12
0.12
0.12
0.17
0.17
0.17
Maret 2011
0.5
1
1.5
0.5
1
1.5
kering
kering
kering
kering
kering
kering
1.48
1.27
0.99
1.10
0.75
0.67
Hasil uji regresi linier ganda pada kondisi pemotongan kering
Tabel 6 Output analisis regresi ganda permesinan frais tanpa pendingin
dengan SPSS 12
Model Summary
Adjusted Std. Error of
Model
R
R Square R Square the Estimate
1
.978(a)
.956
.950
.10175
a Predictors: (Constant), Kedalaman pemakanan, Kedalaman pemakanan,
Rpm
ANOVA(b)
Sum of
Model
Squares
df
Mean Square
F
Sig.
1
Regression
5.198
3
1.733
167.344
.000(a)
Residual
.238
23
.010
Total
5.436
26
a Predictors: (Constant), Kedalaman pemakanan, Kedalaman pemakanan,
Rpm
b Dependent Variable: Kekasaran (Ra)
Model
1 (Constant)
Rpm
Kedalaman pemakanan
Kedalaman pemakanan
Coefficients(a)
Unstandardized
Standardized
Coefficients
Coefficients
B
Std. Error
Beta
3.058
.085
.000
.000
-.127
-9.433
.480
-.858
-.496
.048
-.451
Persamaan garis regresi ini
merupakan inti dari penelitian ini,
yang kemudian akan digunakan
Prediksi Kekasaran. . .
t
Sig.
B
Std. Error
35.813
.000
-2.919
.008
-19.667
.000
-10.331
.000
sebagai model matematik yang
dapat
digunakan
untuk
memprediksi kekasaran permukaan
129
POLITEKNOSAINS VOL. X NO. 1
yang dihasilkan oleh variasi rpm,
kecepatan
pemakanan
dan
kedalaman
pemakanan
pada
permesinan CNC frais tanpa
pendingin.
Berdasarkan output
SPSS tabel 6 coeficients B, yang
digunakan
untuk
membuat
persamaan garis regresi adalah
besaran koefisien beta. Dengan
demikian persamaan garis regresi
ganda dapat dinyatakan sebagai
berikut:
Ra = 3.058 – 0.000 n - 9.433
Vf – 0.496 a
Dimana Y = kekasaran permukaan
(µm)
n = kecepatan spindel (rpm)
Vf= kecepatan pemakanan
(mm/rev)
a
=
Kedalaman
pemotongan (mm)
Pada persamaan diatas
masih terdapat kelemahan yaitu
karena keterbatasan software SPSS
Tabel 7
Maret 2011
maka seolah-olah rpm tidak
mempunyai pengaruh terhadap
kekasaran permukaan sehingga
untuk mengetahui pengaruh rpm
terhadap
kekasaran
dilakukan
perhitungan
manual
sebagai
pembanding perhitungan dengan
SPSS. Dari perhitungan manual
diperoleh persamaan garis regresi
ganda sebagai berikut:
Y = 3.0581 - 0.00007 n - 9.4333 Vf
- 0.4956 a
Persamaan garis regresi
tersebut selanjutnya divalidasi
dengan hasil Percobaan untuk
mengetahui
berapa
rata-rata
persentase deviasi yang terjadi. Jika
persentase deviasi kecil maka
persamaan garis regresi dapat
digunakan
sebagai
model
matematik untuk memprediksi
kekasaran hasil permesinan CNC
frais tanpa pendingin. Adapun hasil
validasi dapat dilihat pada tabel 7
Hasil validasi antara harga kekasaran permukaan hasil Percobaan
dengan hasil prediksi berdasar persamaan garis regresi pada pemesian
CNC frais tanpa pendingin.
Prediksi Kekasaran. . .
130
POLITEKNOSAINS VOL. X NO. 1
Maret 2011
Percobaan
Y = 3.05811115 - 0.000070X1 -9.4333X2 0.4956X3
Rata-rata
Presentase
Prediksi Percobaan
Deviasi
(%)
3.0581 -0.00007(X1) -9.433(X2) -0.4956 (X3)
1
3.0581
-0.0350
-0.6603
-0.2478
2.12
2.33
9.227
2
3.0581
-0.0350
-0.6603
-0.4956
1.87
1.82
2.595
3
3.0581
-0.0350
-0.6603
-0.7433
1.62
1.6
1.215
4
3.0581
-0.0350
-1.1320
-0.2478
1.64
1.62
1.440
5
3.0581
-0.0350
-1.1320
-0.4956
1.40
1.36
2.614
6
3.0581
-0.0350
-1.1320
-0.7433
1.15
1.18
2.731
7
3.0581
-0.0350
-1.6037
-0.2478
1.17
1.15
1.884
8
3.0581
-0.0350
-1.6037
-0.4956
0.92
0.93
0.657
9
3.0581
-0.0350
-1.6037
-0.7433
0.68
0.75
9.852
10
3.0581
-0.1050
-0.6603
-0.2478
2.05
2.08
1.683
11
3.0581
-0.1050
-0.6603
-0.4956
1.80
1.78
0.968
12
3.0581
-0.1050
-0.6603
-0.7433
1.55
1.58
1.934
13
3.0581
-0.1050
-1.1320
-0.2478
1.57
1.53
2.832
14
3.0581
-0.1050
-1.1320
-0.4956
1.33
1.3
1.966
15
3.0581
-0.1050
-1.1320
-0.7433
1.08
0.73
47.641
16
3.0581
-0.1050
-1.6037
-0.2478
1.10
0.99
11.279
Prediksi Kekasaran. . .
131
POLITEKNOSAINS VOL. X NO. 1
Maret 2011
Percobaan
Y = 3.05811115 - 0.000070X1 -9.4333X2 0.4956X3
Rata-rata
Presentase
Prediksi Percobaan
Deviasi
(%)
3.0581 -0.00007(X1) -9.433(X2) -0.4956 (X3)
17
3.0581
-0.1050
-1.6037
-0.4956
0.85
0.88
2.967
18
3.0581
-0.1050
-1.6037
-0.7433
0.61
0.7
13.413
19
3.0581
-0.1750
-0.6603
-0.2478
1.98
1.92
2.865
20
3.0581
-0.1750
-0.6603
-0.4956
1.73
1.76
1.862
21
3.0581
-0.1750
-0.6603
-0.7433
1.48
1.54
3.932
22
3.0581
-0.1750
-1.1320
-0.2478
1.50
1.48
1.577
23
3.0581
-0.1750
-1.1320
-0.4956
1.26
1.27
1.137
24
3.0581
-0.1750
-1.1320
-0.7433
1.01
0.99
1.796
25
3.0581
-0.1750
-1.6037
-0.2478
1.03
1.1
6.212
26
3.0581
-0.1750
-1.6037
-0.4956
0.78
0.75
4.519
27
3.0581
-0.1750
-1.6037
-0.7433
0.54
0.67
19.983
Rata-rata Presentase Deviasi (%)
Dari
tabel
7
dapat
digambarkan grafik hubungan
antara kekasaran permukaan (Ra)
prediksi
dengan
kekasaran
permukaan
(Ra)
eksperimen
Prediksi Kekasaran. . .
5.955
permesinan CNC frais tanpa
pendingin (gambar 2 dan 3).
132
POLITEKNOSAINS VOL. X NO. 1
Gambar 2 Grafik hubungan Ra
prediksi dan Ra eksperimen
disetiap
percobaan
pada
permesinan CNC frais dengan
kondisi pemotongan kering
Gambar 3
Grafik
hubungan
antara Ra prediksi dengan Ra
eksperimen pada permesinan CNC
frais dengan kondisi pemotongan
kering
Pembahasan hasil analisis data
pada permesinan CNC frais pada
kondisi pemotongan kering
Dari hasil analisis data
didapatkan bahwa data hasil
Prediksi Kekasaran. . .
Maret 2011
pengukuran kekasaran permukaan
pada permesinan CNC frais tanpa
pendingin memenuhi prasyarat
untuk dilakukan analisis data
dengan menggunakan metode
regresi linier ganda. Dari uji
linearitas dapat disimpulkan bahwa
data permesinan frais tanpa
pendingin memiliki model regresi
berbentuk linear, sehingga analisis
regresi
linear
ganda
dapat
digunakan dalam menganalisis data
tersebut.
Dari hasil analisis regresi
linier ganda dihasilkan persamaan
garis regresi yang merupakan inti
dari penelitian ini, yang kemudian
akan digunakan sebagai model
matematik untuk memprediksi
kekasaran
permukaan
yang
dihasilkan oleh variasi rpm,
kecepatan
pemakanan
dan
kedalaman
pemakanan
pada
permesinan CNC frais tanpa
pendingin. Persamaan garis regresi
yang sekaligus model matematik
yang digunakan untuk memprediksi
kekasaran permukaan adalah : Y =
3.0581 - 0.00007 n - 9.4333 Vf 0.4956 a
Hasil
validitasi
model
persamaan
matematik
yang
dihasilkan dari analisis regresi
linier
ganda
dangan
hasil
Percobaan
diperoleh
rata-rata
persentase deviasi sebesar 5.955%.
Rata-rata persentase deviasi sebesar
5.955 % tersebut masih bisa
133
POLITEKNOSAINS VOL. X NO. 1
diterima, karena dari beberapa
penelitian sejenis yang pernah
dilakukan bahwa angka rata-rata
persentase deviasi sebesar 9.71 %
[3] dan 26 % [28] masih bisa di
terima.
Dari gambar 1 dan 2 grafik
hubungan antara Ra prediksi
dengan Ra Percobaan pada
permesinan CNC frais tanpa
pendingin juga memperlihatkan
bahwa
penyimpangan
antara
a. Pada Kecepatan
Gambar 3
Maret 2011
prediksi dan Percobaan sangat kecil
sekali. Sehingga model matematik
Y = 3.0581 - 0.00007 n - 9.4333 Vf
- 0.4956 a dapat digunakan untuk
memprediksi kekasaran permukaan
pada permesinan CNC frais tanpa
pendingin.
Dari
data
kekasaran
permukaan pada proses permesinan
CNC frais tanpa pendingin dapat
dideskripsikan seperti pada gambar
3 dibawah ini:
b. Pada Kecepatan pemakanan
c. Pada Kecepatan
Hubungan antara kecepatan spindel, kecepatan pemakanan dan
kedalaman pemotongan terhadap kekasaran permukaan pada
kondisi pemotongan kering.
Pada gambar 3 nilai
kekasaran permukaan terkecil pada
permesinan frais tanpa pendingin
adalah 0.67 µm terjadi pada
parameter pemotongan: rpm =
2500, kecepatan pemakanan = 0.17
Prediksi Kekasaran. . .
mm/rev dan kedalaman pemakanan
t = 1.5 mm. Sedangkan kekasaran
terbesar pada permesinan frais
tanpa pendingin adalah 2.33 µm
terjadi
pada
parameter
pemotongan: rpm = 500, kecepatan
134
POLITEKNOSAINS VOL. X NO. 1
pemakanan = 0.07 mm/rev dan
kedalaman pemakanan = 0.5 mm.
Dari grafik pada gambar 4.7
dapat dijelaskan bahwa pada
permesinan CNC frais tanpa
pendingin didapatkan hasil:
1. Seiring bertambahnya kecepatan
spindel (rpm semakin besar)
kekasaran hasil permesinan
miling semakain turun atau
halus, hal ini karena dengan
semakin besar kecepatan spindel
maka gesekan yang terjadi
antara permukaan benda kerja
dan pahat akan lebih cepat
sehingga permukaannya akan
menjadi lebih halus dan sesuai
dengan hipotesis.
2. Seiring dengan bertambanya
kecepatan pemakanan kekasaran
permukaan
hasil
proses
permesinan CNC frais semakin
turun atau halus. Fenomena ini
berlawanan dengan teori dan
hipotesis, karena pada proses
permesinan apabila kedalaman
pemakanan naik maka harga
kekasarannya juga ikut naik. Hal
ini dikarenakan pada proses
permesinan dengan kedalaman
pemakanan
tinggi
akan
menyebabkan
kenaikan
temperatur yang pada akhirnya
akan menyebabkan pelunakan
pada pahat maupun benda kerja
(Gandjar Kiswanto: 2005) .
Kenaikan
temperatur
ini
disebabkan oleh bertambanya
Prediksi Kekasaran. . .
Maret 2011
luasan penampang bidang geser
dan proses permesinan yang
tanpa pendingin. Pada meterial
St 40
seiring bertambahnya
kedalaman
pemakanan,
kekerasan
material
justru
menurun (Rusnaldy dan Budi
Setiyana:
2006).
Dengan
melunaknya material akibat
temperatur
tersebut
maka,
seiring
dengan
naiknya
kedalaman pemakanan akan
dihasilkan kekasaran permukaan
yang semakin menurun.
3. Seiring
dengan
bertambah
kedalaman
penyayatan
kekasaran
permukaan
juga
semakin menurun atau halus.
Fenomena ini juga bertentangan
dengan hipotesis dan teori. Hal
ini dikarenakan semakin dalam
penyayatan maka semakin besar
gaya gesek antara pahat dengan
benda kerja yang mengakibatkan
naiknya temperatur. Naikanya
temperatur
tersebut
menyebabkan pelunakan pada
material
St
40
sehingga
menyebabkan pada kedalaman
1.5 mm kekasaran permukaan
paling halus.
KESIMPULAN DAN SARAN
Kesimpulan
1. Persamaan garis regresi yang
sekaligus model matematik
yang
digunakan
untuk
memprediksi
kekasaran
135
POLITEKNOSAINS VOL. X NO. 1
2.
permukaan adalah :
Y =
3.0581 - 0.00007 n - 9.4333 Vf
- 0.4956 a
kekasaran permukaan terkecil
pada permesinan frais tanpa
pendingin adalah 0.67 µm
terjadi
pada
parameter
pemotongan: rpm = 2500,
kecepatan pemakanan = 0.17
mm/rev
dan
kedalaman
pemakanan t = 1.5 mm.
Sedangkan kekasaran terbesar
pada permesinan frais tanpa
pendingin adalah 2.33 µm
terjadi
pada
parameter
pemotongan: rpm = 500,
kecepatan pemakanan = 0.07
mm/rev
dan
kedalaman
pemakanan = 0.5 mm.
Saran
1. Penelitian
tentang
proses
pemesinan, merupakan topik
yang sangat luas, sehingga
masih
banyak
diperlukan
penelitian-penelitian lanjutan
untuk mendalami parameterparameter permesinan yang
lain.
2. Pada penelitian ini hanya
terbatas 3 level disetiap faktor,
sehingga hasil pemodelan
matematik yang didapatkan
memiliki keterbatasan hanya
cocok untuk mesin, material,
pahat serta level-level yang ada
pada penelitian ini.
Prediksi Kekasaran. . .
Maret 2011
DAFTAR PUSTAKA
Benardos,
P.G.,
dan
G-C.
Vosniakos. (2003), Predicting
Surface
Roughness
In
Machining:
A
Review,
International
Journal
Of
Machine
Tools
And
Manufacture 43. 833-844.
Bhattacharya, A., Faria-Gonzalez,
R., and Ham, I. (1970),
Regression
analysis
for
predicting surface finish and its
application in the determination
of
optimum
machining
conditions. ASME Journal of
Engineering for Industry, 4, 71171
Boothroyd, G. and Knight, W. A.
(1989),
Fundamentals
of
Machining and Machine Tool.
Marcel Dekker, New York.
Chang – Xue. (2002), Surface
Raoughness
Predictive
Modeling: Neural Networks
versus Regression. Departemen
of Industrial & Manufacturing
Engineering,
College
of
Engineering and Technology
Bradley University : Illinois
USA.
Chandiramani, K. L., and Cook, N.
H. (1964), Investigation on the
nature of surface finish and its
variation with cutting speed.
Journal of Engineering for
Industry, Series B, 134-140.
Dickinson, G. R. (1968), A survey
of factors affecting surface
136
POLITEKNOSAINS VOL. X NO. 1
finish.
Proceedings
of
Conference on Properties and
Metrology of Surfaces, Part 3K,
135-147.
Feng, C-X., Wang, J., and Wang, JS. (2001), An optimization
model for concurrent selection
of tolerances and suppliers.
Computers
and
Industrial
Engineering, 40, 15-33.
Fischer, H. L. and Elrod, J. T.
(1971), Surface finish as a
function of tool geometry and
feed: a theoretical approach.
Microtechnic, No. 25, 175-178.
Grieve, D. J., Kaliszer, H., and
Rowe, G. W. (1968), The effects
of cutting conditions on bearing
area parameters. Proceedings of
9th International Machine Tool
Design
and
Research
Conference, U.K., September,
Vol. 2, 989-1004.
Jerard, R.B., et al., 2001, Online
Optimization
of
Cutting
Conditions for NC Machining,
2001
NSF
Design,
Manufacturing and Industrial
Innovation
Research
Conference, January 7-10 2001,
Tampa, Florida
Muin, Syamsir. 1986. Dasar-dasar
Perencanaan Perkakas. Jakarta :
Rajawali Mas
M. Brezocnik, M. Kovacic dan M.
Ficko. (2004), Prediction of
Surface Roughness with Genetic
Programming.
Journal
of
Prediksi Kekasaran. . .
Maret 2011
Material
Processing
Technology.
Mike. S. Lou (1998), Surface
Roughness for CNC End –
Bubut; Journal of Tecnology.
Kaohsiung Taiwan: Cheng Shiu
College of Tecnology
Nieman, G. 1992. Elemen Mesin I.
Jakarta : Pradya Paramita
Kalpakjian, S, Schmid. (1992),
Manufakturing Engineering and
Technology
2nd
Edition,
Addison-Wesley
Publishing,
USA.
Ming-Yung Wang dan Hung-Yen
Chang. (2003),. Experimental
Study of Surface Roughness in Slot
End Milling AL2014-T6.
International Journal of Machine
Tools & Manufacture 44 (2004),
51-57.
M. Mehrban, et al.. (2008),.
Modelling of Tool Life in
Turning
Process
Using
Experimental
Method.
International Journal of material
forming. Springer Paris.
Ogo, Emmanuel et al. (2007),
Performance Evaluation of
Cutting Fluids Developed from
Fixed Oils. Leonardo Electronic
Journal of Practices and
Technologies. Issue 10, JanuaryJune 2007
P N Rao (2000), CAD/CAM
principles and application. Iowa,
USA : Mc Graw Hill
137
POLITEKNOSAINS VOL. X NO. 1
Rachim, Taufiq.(2001), Spesifikasi,
Metrologi, dan Kontrol Kualitas
Geometrik. Institut Teknologi
Bandung
Rachim, Taufiq.(1982), Teori dan
Teknologi Proses Permesinan.
Institut Teknologi Bandung
Sakir Tasdemir, Suleyman Neseli.
(2008), Prediction Of Surface
Roughness Using Artificial
Neural Network In Lathe,
International Conference On
Computer
System
An
Thecnology – CompSys Tech
2008
Kalpakjian, S, Schmid. (1992),
Manufakturing Engineering and
Technology
2nd
Edition,
Addison-Wesley
Publishing,
USA.
Prediksi Kekasaran. . .
Maret 2011
Shaw, M. S., (1966), Study of
machined surface. Proceedings,
OECD Conference, September.
Sundaram, R. M. and Lambert, B.
K. (1981), Mathematical models
to predict surface finish in fine
turning of steel, Parts I and II,
International
Journal
of
Production Research, 19, 547564.
Taegutec (2008),. Taegu Turn
Insert Master. Korea
Troy S. Vom Braucke. (2004),
Establishment of a Database for
Tool Life Performance. School
of engeering and science,
Swinburne
university
of
technology: Australia.
138