Optimasi Parameter Pemesinan Pada Mesin Sekrap Model L-450 Menggunakan Algoritma Genetika

 1  48  105

dokumen informasi

OPTIMASI PARAMETER PEMESINAN PADA MESIN SEKRAP MODEL L-450 MENGGUNAKAN ALGORITMA GENETIKA SKRIPSI Skripsi Yang Diajukan Untuk Melengkapi Syarat Memperoleh Gelar Sarjana Teknik RAMADHAN NIM. 080401058 DEPARTEMEN TEKNIK MESIN FAKULTAS TEKNIK UNIVERSITAS SUMATERA UTARA MEDAN 2013 i Universitas Sumatera Utara ii Universitas Sumatera Utara iii Universitas Sumatera Utara iv Universitas Sumatera Utara v Universitas Sumatera Utara vi Universitas Sumatera Utara vii Universitas Sumatera Utara viii Universitas Sumatera Utara ix Universitas Sumatera Utara KATA PENGANTAR Puji syukur penulis panjatkan kehadiran Tuhan Yang Maha Esa karena atas rahmat dan karunia-Nya lah penulis akhirnya dapat menyelesaikan skripsi ini dengan judul “OPTIMASI PARAMETER PEMESINAN PADA MESIN SEKRAP MENGGUNAKAN ALGORITMA GENETIKA ”. Skripsi ini disusun untuk memenuhi syarat menyelesaikan pendidikan Strata-1 (S1) pada Departemen Teknik Mesin Sub Bidang Konversi Energi, Fakultas Teknik, Universitas Sumatera Utara. Dalam menyelesaikan skripsi ini tidak sedikit kesulitan yang dihadapi penulis, namun berkat dorongan, semangat, doa dan bantuan baik materiil, moril, maupun spirit dari berbagai pihak akhirnya kesulitan itu dapat teratasi. Untuk itu sebagai manusia yang harus tahu berterima kasih, degan penuh ketulusan hati penulis mengucapkan terima kasih kepada : 1. Bapak Ir. Alfian Hamsi, M.Sc selaku dosen pembimbing, yang dengan penuh kesabaran telah memberikan bimbingan dan motivasi kepada penulis. 2. Bapak Dr. Eng. Himsar Ambarita, ST., MT. dan Bapak Tulus Burhanuddin Sitorus ST., MT selaku dosen pembanding I dan II yang telah memberikan masukan dan saran dalam menyelesaikan skripsi ini. 3. Bapak Dr. Ing. Ir Ikhwansyah Isranuri selaku Ketua Departemen Teknik Mesin Universitas Sumatera Utara. 4. Bapak Ir. M. Syahril Gultom MT. Selaku Sekretaris Departemen Teknik Mesin Universitas Sumatera Utara. 5. Kedua orang tua penulis, Idham dan Lamiyem yang tidak pernah purusputusnya memberikan dukungan, doa serta kasih sayangnya yang tak terhingga kepada penulis. 6. Seluruh staf pengajar dan staf tata usaha Departemen Teknik Mesin yang telah membimbing serta membantu segala keperluan penulis selama penulis kuliah. 7. Bapak Ir. Tugiman MT. selaku dosen wali. 8. Seluruh saudara penulis, Marwan, Lia, Irfan Sugiarto, M. Adil Khairi yang saling membantu demi mencapai cita-cita. i Universitas Sumatera Utara 9. Rekan-rekan satu tim kerja, Ficky Hamdhani, Gio Saputra, Rudi Martin dan Roby Mulyadi yang telah meluangkan waktunya untuk memberikan saran dan kritik. 10. Rekan-rekan di Laboratorium Menggambar Mesin / CAD yaitu Putra Setiawan, Munawir Rosyadi Siregar, Syahrul Ramadhan, Zuhdi Mahendra, Tri Septian Marsah, Juliono, Zulvia Chara Nosa Ginting. 11. Seluruh rekan mahasiswa angkatan 2008 khususnya Zulfadhli, Putra Setiawan, Rahman dan Indra Rukamana yang telah bersama-sama melewati masa kerja praktek di PT. Perkebunan Nusantara III – PKS Rambutan. 12. Teman-teman dari HORAS TEAM seperti Munawir R. Siregar, Rio Arinedo Sembiring, Sepvinolist T. Pardede, Fernando B. Siagian, Irham Fadillah, Ekawira Napitupulu, Hotlan Nababan, Ary Fadila, Sony A. Sembiring, Robertus Simanungkalit, Zulfadhli, Putra Setiawan, dan Nehemia Sembiring, 13. Teman-Teman geng kerupuk apem yaitu, Ikram, Syahrul Ramadhan, Fahrul Rozzy, Felix Asade, Maraghi Muttaqin, Gio sahputra dan Harry Pramana. 14. Teman-Teman lain yaitu, Daniansyah, Ismail Husin Tanjung, Aldiansyah Leo, Maujan yudika, Royyan Nst, Sahir B. Rangkuti, Parulian Siahaan, Ferdinan Lubis, Joshua Surbakti, Daniel Ortega panjaitan, Indra Gunawan Purba, Fransiscus Sitompul, rekan-rekan mahasiswa 2008 yang tidak mungkin disebutkan satu-persatu, para abang senior dan adik-adik junior semua yang telah mendukung dan memberi semangat kepada penulis. Penulis menyadari bahwa masih banyak kesalahan dan kekeliruan dalam penulisan skripsi ini. Oleh karena itu penulis akan sangat berterima kasih dan dengan senang hati menerima saran dan kritik yang membangun demi tercapainya tulisan yang lebih baik. Akhir kata penulis berharap semoga tulisan ini dapat memberi manfaat kepada pembaca. Terima kasih. Medan, Mei 2013 Ramadhan ii Universitas Sumatera Utara ABSTRAK Algoritma genetika merupakan suatu metode pencarian yang sangat efektif untuk menyelesaikan permasalahan optimasi pada dunia industri atau manufaktur yang memiliki permasalahan–permasalahan kompleks secara lebih mudah dan lebih akurat. Metode pencarian ini didasarkan oleh mekanisme evolusi. Evolusi akan mengakibatkan perubahan yang terus–menerus untuk menuju suatu kesempurnaan atau keseimbangan. Fungsi optimasi pada pengujian ini dibuat dari persamaan waktu permesinan dimana parameter yang digunakan adalah kecepatan potong dengan ambang batas antara 24 m/min sampai dengan 30 m/menit dan gerak makan berkisar antara 0,1 mm sampai dengan 0,5 mm. Proses optimasi dimulai dari membangkitkan populasi awal secara acak kemudian dilakukan seleksi dengan metode roda roulette lalu proses genetika yaitu rekombinasi (crossover) dan mutasi, selanjutnya dievaluasi nilai fitness dari individu baru. Parameter terbaik ditentukan oleh nilai fitness terkecil karena fungsi optimasinya diturunkan dari waktu permesinan sehingga akan diperoleh nilai yang paling optimal dengan kecepatan potong 29,1026 m/menit, gerak makan 0,4556 mm dan waktu pemotongan 0,1885 min. Kata kunci : Algoritma genetika, optimasi, pemesinan iii Universitas Sumatera Utara ABSTRACT Genetic algorithm is a method of search that very efective to solve the problems of optimation in the world of industries or manufactures are possess any complex of problems be more easily and accurate. This method of search based on the mechanism of evolution. Evolution will effected the change continiously to aim a perfect or balance. The function of optimation at these trials are made from equality of time of machinery where the parameters be used are velocity of slice with range between 24 m/min up to 30 m/menit and eat moving with range between 0,1 mm up to 0,5 mm. The Process of optimation began from awaken of first population randomly then do selection with method of wheel of roulette then the process of genetic that is recombination (crossover) and mutation, furthermore evaluated the value of fitness from new individual. The best of parameter a given by the value of least fitness because the function of that optimation generate from time of machinery so that will obtainable the best optimal of values with velocity of slice 29,1026 m/menit, eat moving 0,4556 mm and time of slicing 0,1885 min. Keyword : Genetic Algorithm, optimation, machinery iv Universitas Sumatera Utara DAFTAR ISI KATA PENGANTAR . i ABSTRAK. iii ABSTRACT . iv DAFTAR ISI . v DAFTAR TABEL. viii DAFTAR GAMBAR . iv DAFTAR SIMBOL . xii BAB I PENDAHULUAN . 1 1.1 Latar Belakang . 1.2 Tujuan Penelitian . 1.3 Batasan Masalah . 1.4 Manfaat Penelitian . 1.5 Sistematika Penulisan . 1 2 2 2 3 BAB II TINJAUAN PUSTAKA . 4 2.1 Pemotongan Logam . 2.2 Pengertian optimasi . 2.2.1 Metode Optimasi . 2.2.2 Metode OptimasiModern . 2.3 Mesin Sekap . 2.3.1 Jenis-Jenis mesin sekrap. 2.3.2 Mekanisme Kerja Mesin Sekrap . 2.3.3 Bagian Utama Mesin Sekrap. 2.3.4 Bentuk Pahat Sekrap . 2.3.5 Sudut Asah pahat. 2.3.6 Jenis Pahat . 4 6 6 6 6 7 9 10 11 12 13 v Universitas Sumatera Utara 2.3.7 Elemen Dasar dan Perencanaan Proses Sekrap . 2.3.8 Proses Sekrap . 2.4 Algoritma Genetika . 2.4.1 Pengenalan Algoritma Genetika. 2.4.2 Aplikasi Algoritma Genetika. 2.4.3 Struktur umum Algoritma Genetika. 2.5 Komponen-Komponen utama Algoritma Genetika . 2.5.1 Teknik Penyandian . 2.5.2 Proses Inisialisasi . 2.5.3 Fungsi Evaluasi . 2.5.4 Seleksi . 2.5.5 Operator Genetika . 2.5.6 Penentuan Parameter . 2.6 Seleksi . 2.6.1 Rank-Based Fitness Assignment. 2.6.2 Seleksi Roda Roulette. 2.6.3 Stochastic universal sampling . 2.6.4 Seleksi Local . 2.6.5 Seleksi Dengan Pemotongan . 2.6.6 Seleksi Dengan Turnamen. 2.7 Rekombinasi. 2.7.1 Rekombinasi Bernilai Real. 2.7.2 Rekombinasi Bernilai Biner (crossover). 2.7.2.1 Crossover satu titik. 2.7.2.2 Crossover dua titik . 2.7.2.3 Crossover banyak titik . 2.7.2.4 Crossover dengan permutasi . 2.8 Mutasi. 2.8.1 Mutasi Bilangan Real . 2.8.2 Mutasi Bilangan Biner. 2.8.3 Mutasi Kromosom Permutasi. 2.9 Siklus Algoritma Genetika. 2.10 Algoritma Genetika Sederhana . 13 15 17 17 18 19 20 20 21 21 21 22 22 23 23 24 25 25 26 27 27 27 27 28 29 29 30 30 31 32 32 32 33 vi Universitas Sumatera Utara 2.11 Algoritma Genetika Dalam Matlab. 45 BAB III METODOLOGI PENELITIAN. 50 3.1 Tempat Penelitian. 3.2 Peralatan pengujian . 3.3 Bahan Pengujian. 3.4 Model Optimasi. 3.5 Prosedur Pengujian . 50 50 52 53 53 BAB IV ANALISA DATA . 55 4.1 Perhitungan Algoritma Genetika Secara Manual . 4.1.1 Fungsi Optimasi . 4.1.2 Penentuan parameter . 4.1.3 Inisialisasi Populasi Awal Secara Acak . 4.1.4 Evaluasi Nilai Fitness . 4.1.5 Seleksi . 4.1.6 Crossover . 4.1.7 Mutasi. 4.1.8 Evaluasi Ulang . 55 55 57 57 61 62 68 71 73 BAB V KESIMPULAN DAN SARAN . 82 5.1 Kesimpulan. 82 5.2 Saran. 82 DAFTAR PUSTAKA . 83 LAMPIRAN vii Universitas Sumatera Utara DAFTAR TABEL Tabel 2.1 Klasifikasi proses pemesinan menurut Jenis gerakan relative pahat perkakas potog terhadap benda kerja. 5 Tabel 2.2 kecepatan potog beberapa logam . 14 Tabel 4.1 kecepatan potog beberapa logam ntuk pahat HSS . 56 Tabel 4.2 Populasi acak awal . 58 Tabel 4.3 Hasil Konversi bilangan biner kebilangan desimal. 59 Tabel 4.4 Konversi bilangan biner menjadi bilangan riil . 61 Tabel 4.5 Nilai fitness dari masing–masing kromosom . 62 Tabel 4.6 Nilai probabilitas seleksi . 64 Tabel 4.7 Nilai probabilitas kumulatif (qk). 65 Tabel 4.8 Kromosom baru. 67 Tabel 4.9 Induk terpilih . 69 Tabel 4.10 Populasi baru . 71 Tabel 4.11 Pemilihan kromosom terpilih . 72 Tabel 4.12 Hasil mutasi. 73 Tabel 4.13 Konversi bilangan biner menjadi bilangan desimal . 74 Tabel 4.14 Konversi bilangan decimal menjadi bilangan riil . 75 Tabel 4.15 Nilaifitness masing–masing kromosom . 76 Tabel 4.16 Hasil akhir setelah mutasi (populasi akhir generasi pertama). 77 Tabel 4.17 Populasi awal generasi kedua. 78 Tabel 4.18 Hasil akhir populasi kedua . 79 Tabel 4.19 Hasil akhir populasi ketiga . 80 viii Universitas Sumatera Utara DAFTAR GAMBAR Gambar 2.1 Mesin sekrap datar atau horizontal (Shaper) . 8 Gambar 2.2 Mesin sekrap vertikal (slotter) . 8 Gambar 2.3 Mesin sekrap planner . 9 Gambar 2.4 Mekanisme mesin sekrap . 9 Gambar2.5 bagian utama mesin sekrap. 10 Gambar2.6 Bentuk pahat sekrap . 12 Gambar2.7 Sudut asah pahat . 12 Gambar 2.8 Jenis bahan pahat . 13 Gambar 2.9 Penyekrapan alur terus luar . 16 Gambar2.10 Representasi string bit dan pohon . 20 Gambar 2.11 Ilustrasi seleksi dengan mesin roulette . 24 Gambar 2.12 Lingkungan linear . 25 Gambar 2.13 Lingkungan linear (full and half cross) . 26 Gambar 2.14 Lingkungan dimensi (full and half star) . 26 Gambar 2.15 Diagram alir proses crossover . 28 Gambar 2.16 Ilustrasi crossover satu titik Utara tiap-tiap segmen individu memiliki ukuran yang sama dengan dengan ukuran fitnessnya. Sebuah bilangan random akan dibangkitkan dan individu yang memiliki segmen dalam kawasan bilangan random tersebut akan diseleksi. Proses ini diulang hingga diperoleh sejumlah individu yang diharapkan. Skema dengan seleksi roda roulette ini adalah berdasarkan fitness scale (skala fitness). Terpilihnya suatu kromosom dalam populasi untuk dapat berkembang biak sebanding dengan fitness-nya. Tradeoff antara eksplorasi dan eksploitasi terjadi jika terdapat satu atau sekelompok kecil kromosom yang mempunyai fitness yang baik, yaitu mengeksplorasi bagian-bagian baru dalam ruang pencarian, atau terus mengeksploitasi informasi yang telah diperoleh.Kecenderungan kromosom yang baik untuk terpelihara terus dapat membawa ke hasil optimum lokal atau konvergensi dini (premature convergence) ke suatu hasil yang bukan optimum global. Namun demikian, jika semua kromosom dalam populasi mempunyai fitness yang hampir sama, maka seleksi ini akan menjadi seleksi yang bersifat acak. 24 Universitas Sumatera Utara Gambar 2.6 Ilustrasi seleksi dengan mesin roulette 3. Stochastic universal sampling Stochastic universal sampling memiliki nilai bias nol dan penyebaran yang minimum. Pada metode ini, individu-individu dipetakan dalam suatu segmen garis secara berurutan sedemikian hingga tiap-tiap segmen individu memiliki ukuran yang sama dengan ukuran fitness-nya seperti halnya pada seleksi roda roulette, dan diberikan sejumlah pointer sebanyak individu yang diseleksi di garis tersebut. Andaikan N adalah jumlah individu, dan posisi pointer pertama diberikan secara acak pada range [1, 1/N]. 4. Seleksi lokal (Local selection) Pada seleksi lokal setiap individu yang berada di dalam constraint tertentu disebut dengan nama lingkungan lokal. Interaksi antar individu hanya dilakukan dalam wilayah tersebut.Lingkungan tersebut ditetapkan sebagai 25 Universitas Sumatera Utara struktur dimana populasi tersebut terdistribusi.Lingkungan tersebut juga dipandang sebagai sekelompok pasangan-pasangan yang potensial.Langkah pertama yang harus dilakukan adalah menyeleksi separuh pertama dari populasi yang berpasangan secara random, kemudian lingkungan baru tersebut diberikan pada setiap individu yang terseleksi. Jarak antara individu dengan struktur tersebut akan sangat menentukan ukuran lingkungan. Individu yang terdapat dalam lingkungan dengan ukuran yang lebih kecil, akan lebih terisolasi dibandingkan dengan individu yang terletak pada lingkungan dengan ukuran yang lebih besar. 5. Seleksi dengan pemotongan (Truncation selection) Seleksi dengan pemotongan ini lebih berkesan sebagai seleksi buatan dan biasanya digunakan oleh populasi yang jumlahnya sangat besar. Pada metode ini, individu-individu yang terbaik saja yang akan diseleksi sebagai induk. Parameter yang digunakan dalam metode ini adalah suatu nilai ambang trunc yang mengindikasikan ukuran populasi yang akan diseleksi sebagai induk yang berkisar antara 50% -10%. Individu-individu yang ada di bawah nilai ambang ini tidak akan menghasilkan keturunan. 6. Seleksi dengan turnamen (Tournament selection) Pada metode seleksi dengan turnamen ini akan ditetapkan suatu nilai tour untuk individu-individu yang dipilh secara acak (random) dari suatu populasi. Individu-indiidu yang terbaik dalam kelompok ini akan diseleksi sebagai induk. Parameter yang digunakan pada metode ini adalah ukuran tour yang bernilai antara 2 sampai N (jumlah individu dalam suatu populasi). 26 Universitas Sumatera Utara Dari berbagai jenis seleksi tersebut, Umumnya jenis seleksi pada roda roulette paling sering digunakan, terkadang juga metode rangking dan turnamen. Yang perlu diperhatikan dalam seleksi adalah prinsip elitism, yang dilakukan dalam sekali seleksi untuk update generasi, biasanya digunakan steady-state update. Jadi tujuan utama dari elitism ini adlah untuk menjaga agar individuindividu yang bernilai fitness tertinggi tidak hilang selama proses evolusi, maka perlu dibuat kopiannya. 2.3.6 Rekombinasi Algoritma genetika merupakan proses pencarian yang heuristic dan acak sehingga penekanan pemilihan operator yang digunakan sangat menentukan keberhasilan algoritma genetika dalam menemukan solusi optimum suatu masalah yang diberikan. Hal yang harus diperhatikan adalah menghindari terjadinya konvergensi prematur, dimana dicapai solusi optimum yang belum waktunya, dalam arti bahwa solusi yang diperoleh adalah hasil optimum lokal. Terdapat dua operator genetika untuk melakukan rekombinasi, yaitu: 1. Rekombinasi bernilai real Terdapat beberapa metode dalam rekombinasi bernilai real, yaitu: (i) Rekombinasi diskrit Rekombinasi diskrit akan menukar nilai variabel antar kromosom induk. Misalkan ada 2 individu dengan 3 variabel, yaitu: Induk 1 : 12 25 5 Induk 2 : 123 4 34 27 Universitas Sumatera Utara Untuk tiap-tiap variabel induk yang menyumbangkan variabelnya ke anak yang dipilih secara random dengan probabilitas yang sama sampel 1 : 2 2 1 sampel 2 : 1 21 Setelah rekombinasi, kromosom-kromosom baru yang terbentuk yaitu : Anak 1 : 123 4 5 Anak 2 : 12 4 5 Rekombinasi diskrit dapat digunakan untuk sembarang variabel (biner, real, atau simbol). (ii) Rekombinasi intermediate (menengah) Rekombinasi intermediate hanya dapat digunakan untuk variabel real (dan variabel yang bukan biner). Anak dihasilkan menurut aturan sebagai berikut : Anak = induk 1 + alpha (induk 2 –induk 1) Dengan alpha adalah faktor skala yang dipilih secara random pada interval [-d, 1+d], biasanya d=0,25. Tiap-tiap variabel pada anak merupakan hasil kombinasi variabel-variabel menurut aturan di atas dengan nilai alpha dipilih ulang untuk tiap variabel. Misalkan ada 2 individu dengan 3 variabel, yaitu: Induk 1 : 12 25 5 Induk 2 : 123 4 34 Misalkan nilai alpha yang terpilih : sampel 1 : 0,5 1,1 -0,1 sampel 2 : 0,1 0,8 0,5 Setelah rekombinasi, kromosom-kromosom baru yang terbentuk adalah : 28 Universitas Sumatera Utara Anak 1 : 67,5 1,9 2,1 Anak 2 : 23,1 8,2 19,5 (iii) Rekombinasi Garis Pada dasarnya rekombinasi garis ini hampir sama dengan rekombinasi menengah, hanya saja nilai alpha untuk semua variabel adalah sama. Misalkan ada 2 kromosom dengan 3 variabel: induk1 : 12 25 5 induk2 : 123 4 34 untuk tiap-tiap variabel induk yang menyumbangkan variabelnya ke anak dipilih secara random dengan probabilitas yang sama sample 1 : 0,5 sample 2 : 0,1 setelah rekombinasi kromosom-kromosom baru yang terbentuk adalah: anak1: 67,5 14,5 19,5 anak2: 23,1 22,9 7,9 2.3.7 Crossover Crossover melibatkan dua induk untuk membentuk kromosom baru.Pindah silang menghasilkan titik baru dalam ruang pencarian untuk siap diuji.Proses crossover dilakukan pada setiap individu dengan probabilitas crossover (Pc) yang ditentukan secara acak dalam rentang (0,1). Secara skematis proses cross-over dapat digambarkan sebagai berikut: 29 Universitas Sumatera Utara Terdapat beberapa metode cross-over, yaitu: (i) Penyilangan satu titik (single-point Crossover) Pada penyilangan satu titik, posisi penyilangan k (k=1,2, ,N-1) dengan panjang kromosom (N) diseleksi secara random. Variabel-variabel ditukar antar kromosom pada titik tersebut untukmenghasilkan anak. Misalkan ada2 kromosom dengan panjang 12 : Induk 1 : 0 1 1 1 0 | 0 1 0 1 1 1 0 Induk 2 : 1 1 0 1 0 | 0 0 0 1 1 0 1 Posisi menyilang yang terpilih acak : misalkan setelah bit ke-5. Setelah dilakukan penyilangan, diperoleh kromosom-kromosom baru: Anak 1 : 0 1 1 1 0 | 0 0 0 1 1 0 1 Anak 2 : 1 1 0 1 0 | 0 1 0 1 1 1 0 (ii) Penyilangan dua titik (two-point Crossover) Penyilangan ini menentukan dua titik secara acak sebagai batas untuk menukar 2 kromosom induk yang berada diantaranya untuk menghasilkan 2 individu yang baru. Misalkan ada 2 kromosom dengan panjang kromosom 10 Induk 1 : 110 │ 000 │ 1100 Induk 2 : 100 │ 100 │ 1011 Posisi menyilang yang terpilih acak : misalkan setelah bit ke-3 dan ke-6, maka setelah dilakukan penyilangan diperoleh kromosom baru : Anak 1 : 110 │ 100 │ 1100 Anak 2 : 100 │ 000 │ 1011 (iii) Penyilangan banyak titik (multi-point Crossover) 30 Universitas Sumatera Utara Pada penyilangan ini, jumlah titik posisi penyilangan, (k=1,2, ,N1,i=1,2, ,m) dengan panjang kromosom (N) diseleksi secara random dan tidak diperbolehkan ada posisi yang sama, serta diurutkan naik. Variabel-variabel ditukar antar kromosom pada titik tersebut untuk menghasilkan anak. Misalkan ada 2 kromosom dengan panjang 12 : Induk 1 : 011100101110 Induk 2 : 110100001101 Posisi penyilangan yang terpilih adalah setelah bit ke- 2, 6, dan 10. Setelah penyilangan, diperoleh kromosom-kromosom baru : anak 1 : 01 │ 0100 │ 1011 │01 anak 2 : 11 │ 1100 │ 0011 │10 (iv) Penyilangan seragam (uniform Crossover) Pada penyilangan seragam, setiap lokasi memiliki potensi sebagai tempat penyilangan. Sebuah mask penyilangan dibuat sepanjang panjang kromosom secara random yang menunjukan 1.8172 36.4279 0.3032 0.8687 70 42.7201 0.2548 0.8814 37.3268 0.3677 0.699 71 42.7201 0.2548 0.8814 37.3268 0.3677 0.699 72 42.7201 0.2548 0.8814 41.2117 0.3778 0.6162 73 34.8256 0.2935 0.9387 41.2117 0.3778 0.6162 74 34.8256 0.2935 0.9387 41.2117 0.3778 0.6162 75 34.8256 0.2935 0.9387 41.2117 0.3778 0.6162 76 34.8256 0.2935 0.9387 41.8505 0.4 0.5731 77 34.8256 0.2935 0.9387 41.8505 0.4 0.5731 78 35.5778 0.1484 1.8172 40.4888 0.3032 0.7815 79 35.5778 0.1484 1.8172 40.4888 0.3032 0.7815 80 35.5778 0.1484 1.8172 40.4888 0.3032 0.7815 81 25.8256 0.1677 2.2153 31.2117 0.3668 0.838 82 25.8256 0.1677 2.2153 31.2117 0.3668 0.838 83 30.6536 0.3323 0.9419 31.2117 0.3668 0.838 84 30.6536 0.3323 0.9419 31.2117 0.3668 0.838 85 30.6536 0.3323 0.9419 30.2117 0.4 0.7939 86 37.2096 0.1774 1.4535 30.2117 0.4 0.7939 87 37.2096 0.1774 1.4535 30.2117 0.4 0.7939 88 37.2096 0.1774 1.4535 43.7632 0.4 0.5481 89 37.2096 0.1774 1.4535 43.7632 0.4 0.5481 90 37.2096 0.1774 1.4535 43.7632 0.4 0.5481 91 28.5778 0.1548 2.1688 38.2676 0.3 0.8357 92 28.5778 0.1548 2.1688 38.2676 0.3 0.8357 93 28.5778 0.1548 2.1688 29.8845 0.3778 0.8498 80 Universitas Sumatera Utara FITNESS 94 37.2096 0.1118 2.3063 29.8845 0.3778 95 25.8256 0.1677 2.2153 41.9632 0.3765 96 25.8256 0.1677 2.2153 41.9632 0.3765 97 25.8256 0.1677 2.2153 41.9632 0.3765 98 35.5778 0.1484 1.8172 37.3268 0.3677 99 35.5778 0.1484 1.8172 37.3268 0.3677 100 35.5778 0.1484 1.8172 41.7821 0.4 0.8498 0.6073 0.6073 0.6073 0.699 0.699 0.5731 Hasil Algoritma Genetika fitness tertinggi fitness terendah 3 2.5 2 1.5 1 0.5 0 1 4 7 10 13 16 19 22 25 28 31 34 37 40 43 46 49 52 55 58 61 64 67 70 73 76 79 82 85 88 91 94 97 100 GENERASI Gambar 4.1 Grafik hasil algoritma genetika Dari tabel dan grafik di atas terlihat bahwa generasi ke-16, ke-17, ke-18 dan ke-19 memiliki fitness tertinggi yaitu 2.5592 dan generasi ke-27 dan ke-28 memiliki fitness terendah yaitu 0.5532 Untuk optimasi ini fitness terpilih adalah yang paling besar dikarenakan perbandingan kecepatan potong (V) dengan gerak makan (f) yang sesuai dengan kriteria pemesinan yang diinginkan sehingga didapat hasil pemesinan adalah sebagai berikut : Kecepatan potong (V) = 37.4888 m/min Gerak makan (f) = 0,1 rev/min 81 Universitas Sumatera Utara 4.2 Optimasi Proses Pemesinan Untuk mencari waktu pemotongan (tc) dengan persamaan (2.6) dari algoritma genetika adalah sebagai berikut : Waktu pemesinan (tc) = 2.5592 menit 4.2.1 Komponen Waktu Produksi Untuk waktu produksi dapat dinyatakan dengan rumus sebagai berikut ( Taufiq Rochim, 1993 ) : = + + + + + + .(4.7) Dimana : tm = tLW = tAT = tRT = tUW = ts/nt = tc = td = Waktu pemesinan perproduk (min/produk) Waktu pemasangan benda kerja (min/produk) Waktu penyiapan ; yaitu waktu yang di perlukan untuk membawa/menggerakan pahat dari posisi mula sampai pada posisi siap memotong (min/produk) Waktu pengakhiran ; yaitu waktu yang diperlukan untuk membawa/menggerakan pahat kembali ke posisi mula (min/produk) Waktu pengambilan produk (min/produk) Bagian dari waktu penyiapan mesin beserta perlengkapannya yang dibagi rata untuk sejumlah produk yang direncanakan untuk dibuat saat itu (min/produk) Waktu pemotongan (min) Waktu penggantian atau pemasangan pahat (min) 82 Universitas Sumatera Utara T = Umur pahat (min) Waktu yang didapat dari pengujian adalah sebagai berikut : tLW = 0.02 min/produk tAT = 0.08 min/produk tRT = 0.05 min/produk tUW = 0.06 min/produk ts/nt = Waktu penyiapan mesin dan peralatan sekitar 20 min dan jumlah produk yang dikerjakan adalah 7 buah maka, ts/nt = 20/7 = 2.85 min/produk tc = 2.5592 min td = Karena pahat diasah terlebih dahulu sebelum digunakan maka waktu penggantian pahat adalah = 15 min T = 32 min (didapat dari pengujian) Sehingga didapat hasil sebagai berikut : = . + . + . + . + . +. + ( . ) Waktu pemesinan perproduk (tm) = 6.81 min/produk 4.2.2 Komponen Ongkos Produksi Untuk kos total perproduk dapat dinyatakan dengan rumus sebagai berikut ( Taufiq Rochim, 1993 ) : = + + + + + .(4.6) 83 Universitas Sumatera Utara Dimana : Cu = Ongkos total perproduk (Rp/produk) CMo = Ongkos material (Rp/produk) CMi = Ongkos tak langsung (Rp/produk) Cplan = Ongkos persiapan produksi/Perencanaan produksi (Rp/produk) Cr = Ongkos penyiapan dan peralatan (Rp/produk) Cm = Ongkos pemesinan (Rp/produk) Ce = Harga Pahat (Rp/produk) tc = Waktu pemesinan (min) T = Umur pahat (min) = 32 min (didapat dari pengujian) Ongkos yang didapat dari pengujian adalah sebagai berikut : CMo = Rp. 28.500 CMi = Rp. 0 ( Ongkos tidak langsung sudah termasuk kedalam ongkos material) Cplan = Rp. 4.000 Cr = Rp. 0 ( Peralatan sudah tersedia di laboratorium) Cm = Rp. 10.000 Ce = Rp. 26.000 Sehingga didapat hasil sebagai berikut : = . + + . + + . + . ( , ) Kos total perproduk (Cu) = Rp.44.578 = Rp 45.000/produk 84 Universitas Sumatera Utara BAB V KESIMPULAN DAN SARAN 5.1 Kesimpulan Adapun kesimpulan yang dihasilkan dari penelitian ini adalah : 1. Parameter yang optimal untuk pemesinan dari pengujian algoritma genetika adalah : Gerak makan (f) : 0,1 mm/rev Kecepatan potong (v) : 37.4888 m/min 2. Fitness terbaik dari optimasi adalah 2.5592 dengan nilai X1 = 37.4888 dan X2 = 0,1 3. Hasil optimasi terbaik dari pemesinan adalah : Waktu pemesinan perproduk (tm) : 6.81 min/produk Kos total perproduk (Cu) : Rp. 45.000/produk 4. Penggunaan algoritma genetika pada optimasi pemesinan kurang efektif, karena menggunakan prinsip random sehingga hasil yang didapat bukan optimal tetapi masih memenuhi kriteria optimasi 5.2 Saran Adapun saran yang diberikan adalah sebagai berikut. 1. Untuk penelitian selanjutnya, sebaiknya faktor operator lebih diperhatikan karena mesin bubut manual tergantung dari cara kerja operator. 2. Pada penelitian berikutnya, pahat yang digunakan diganti dengan pahat jenis karbida agar pemesinan lebih produktif 3. Untuk penelitian berikutnya, sebaiknya ditambah elitms dalam pengerjaan algoritma agar hasil yang didapat lebih baik lagi 4. Untuk penelitian selanjutnya, pengerjaan algoritma genetika dibantu dengan bahasa program yang lain seperti fotran 85 Universitas Sumatera Utara DAFTAR PUSTAKA [1] Achmad Wilbolo. 2011. Optimasi Parameter Pemotongan Mesin Bubut CNC Terhadap Kekerasan Permukaan Dengan Geometri Pahat yang Dilengkapi Chip Breaker (Jurnal Rekayasa Mesin Vol.2 No. 1 Tahun 2011 : hal. 55-63). Malang: Program Magister dan Doktor JurusanTeknik Mesin Universitas Brawijaya [2] Ir. Alfian Hamsi, M.Sc. 2004. Menejemen Pemeliharaan Pabrik. Medan : Jurusan Teknik Mesin Fakultas Teknik Unversitas Sumatera Utara [3] Alex Julius Chaidir. 2010 .Analisa Peluang. Jakarta : Fakultas Teknik Universitas Indonesia [4] Widarto, dkk. 2008. Teknik Pemesinan. Departemen Pendidikan Nasional: Jakarta [5] Paryanto,M.Pd. Mesin Perkakas dan Jenis – Jenisnya. Jurusan Pendidikan Teknik Mesin Fakultas Teknik Univesitas Negri Yogyakarta [6] Paryanto,M.Pd. Proses Pembubutan Logam. Jurusan Pendidikan Teknik Mesin Fakultas Teknik Univesitas Negri Yogyakarta [7] Taufiq Rochim. 1993. Teori & Teknologi Proses Pemesinan. Laboratorium Teknik Produksi dan Metrologi Industri Jurusan Mesin Fakultas Industri Institut Teknologi Bandung: Bandung [8] Ismail Hidayat “ Parameter Proses Permesinan Mesin Bubut http://www.ismailhidayat.com/2012/01/parameter-proses-permesinan-mesin-bubut.html [9] Muhammad Mey Ade Ansyori. Laporan Praktikum Permesinan. Universitas Jember [10] Fadlisyah. 2009. Algoritma Genetik. Graha Ilmu: Yogyakarta [11] T. Sutojo, S.Si., M.Kom, dkk. 2011. Kecerdasan Buatan. ANDI : Yogyakarta [12] Ahmad Riyad Firdaus. Algoritma Genetika. Politeknik Batam: Batam [13] Budi Sentosa. 2008. Matlab untuk Statistika dan Teknik Optimasi. Graha Ilmu: Yogyakarta viii Universitas Sumatera Utara [14] Prabowo Pudjo Widodo, Rahmadya Trias Handayanto. 2012. Penerapan Soft Computing dengan MATLAB. Rekayasa Sains : Bandung [15] Sri Mulyono, SE, Msc. 1999. Operation Research. Fakultas Ekonomi Universitas Indonesia: Jakarta [16] Narotama “ Machinability and Surface Finishing “ http://dosen.narotama.ac.id/wp-content/uploads/2013/01/MACHINABILITY-DANSURFACE-FINISHING.doc. viii Universitas Sumatera Utara Lampiran 1. Standar ISO untuk pengkodean pemegang pahat sisipan/ tool holders. ix Universitas Sumatera Utara
Optimasi Parameter Pemesinan Pada Mesin Sekrap Model L-450 Menggunakan Algoritma Genetika Optimasi Parameter Pemesinan Pada Mesin Sekrap Model L 450 Menggunakan Algoritma Genetika

Penulis

Bergabung : 2016-09-17

Dokumen serupa

1 / 105

Optimasi Parameter Pemesinan Pada Mesin Sekrap Model L-450 Menggunakan Algoritma Genetika

Bebas