Perpustakaan Digital ITB

Proses penggurdian tulang menghasilkan sinyal torsi yang berubah secara dinamis sepanjang kedalaman penggurdian. Karakteristik tersebut menyebabkan pemodelan torsi tidak cukup direpresentasikan hanya berdasarkan hubungan antara parameter proses pada satu titik pengukuran, tetapi perlu mempertimbangkan struktur sequential data. Penelitian ini bertujuan memodelkan dan memprediksi torsi penggurdian tulang menggunakan pendekatan deep sequential learning serta mengevaluasi kemampuan model dalam melakukan generalisasi pada kondisi kedalaman yang berbeda. Dataset yang digunakan terdiri atas 283.140 baris data dari 198 eksperimen dengan variasi densitas, kecepatan putar, dan laju makan. Kedalaman digunakan sebagai sumbu urutan dalam pemodelan, dengan densitas, kecepatan putar, laju makan, kedalaman, dan gaya aksial sebagai fitur input. Empat arsitektur deep sequential learning, yaitu Recurrent Neural Network (RNN), Long Short-Term Memory (LSTM), Gated Recurrent Unit (GRU), dan Temporal Convolutional Network (TCN), dibangun menggunakan pembentukan sequence berbasis sliding window. Evaluasi dilakukan menggunakan Modified Nested 5-Fold Cross-Validation berbasis eksperimen dengan metrik Mean Absolute Error (MAE), Root Mean Squared Error (RMSE), dan koefisien determinasi (R²). Hasil menunjukkan bahwa pada processed dataset, RNN menghasilkan performa terbaik dengan Test MAE 6,94 N.mm, Test RMSE 10,92 ± 1,96 N.mm, dan R² 0,9971. Pada raw dataset, LSTM memberikan performa terbaik dengan Test MAE 8,14 N.mm, Test RMSE 12,58 ± 2,49 N.mm, dan R² 0,9965. Evaluasi berdasarkan kedalaman menunjukkan bahwa kemampuan generalisasi model berbeda terhadap jarak kedalaman dari rentang data pelatihan. LSTM menghasilkan Test RMSE terendah pada tiga kelompok depth extrapolation awal, sedangkan TCN menghasilkan Test RMSE terendah pada dua kelompok terdalam, termasuk pada kedalaman extrapolation terjauh dengan Test RMSE sebesar 69,13 N.mm. Sebagai pembanding tambahan, Histogram-based Gradient Boosting menghasilkan performa terbaik pada kondisi interpolasi dengan Validation MAE 4,91 N.mm, Validation RMSE 6,83 N.mm, dan R² 0,9989. Hasil tersebut menunjukkan bahwa tidak terdapat satu arsitektur deep sequential learning yang secara konsisten memberikan performa terbaik pada seluruh kondisi pengujian, sehingga pemilihan arsitektur perlu mempertimbangkan karakteristik data dan jenis generalisasi yang diperlukan.