Perpustakaan Digital ITB

Injection molding (IM) adalah salah satu proses manufaktur kompleks yang dicirikan oleh perilaku nonlinier. Berbeda dengan teknik pemodelan linier klasik seperti regresi sederhana, banyak model pembelajaran mesin memiliki kemampuan untuk menyesuaikan diri dengan perilaku nonlinier dan interaksi antara parameter input dan output. Jaringan Saraf Tiruan (JST), secara khusus, telah menunjukkan kinerja luar biasa dalam masalah yang melibatkan pemodelan nonlinier. Implementasi JST untuk pemodelan prediktif dalam injection molding menghadapi kendala yang signifikan karena volume data pelatihan yang besar diperlukan. Transfer learning (TL) memberikan jawaban yang layak dengan memanfaatkan pengetahuan dari satu dataset untuk meningkatkan kinerja model pada dataset lain. Tujuan dari studi ini adalah memanfaatkan TL untuk meramalkan konsumsi energi dan berat produk dalam injection molding dengan menggunakan JST. Untuk memperoleh statistik konsumsi energi, diperlukan eksperimen langsung. Oleh karena itu, penelitian ini akan menggunakan Desain Eksperimen (DoE) faktorial lengkap untuk memperoleh dataset yang tahan lama dan cocok untuk keperluan pelatihan, validasi, dan pengujian. Dalam hal estimasi berat dan konsumsi energi untuk berbagai material, penelitian telah menunjukkan bahwa penggunaan pendekatan transfer learning secara signifikan mempercepat proses pembelajaran. Bukti empiris telah menunjukkan bahwa penggunaan teknik transfer learning secara signifikan meningkatkan koefisien determinasi (R2) dari model JST, mencapai nilai 98,51% dalam memprediksi berat produk dan 98,87% dalam konsumsi energi. Pembekuan lapisan yang disengaja tampaknya memiliki peran yang lebih penting dalam meningkatkan efisiensi dan akurasi model.