Perpustakaan Digital ITB

Pemesinan merupakan proses yang banyak digunakan karena dapat mencapai toleransi yang cukup ketat. Hasil proses pemesinan dipengaruhi oleh banyak faktor. Salah satu faktor yang cukup penting adalah pemosisian benda kerja. Prinsip pemosisian benda kerja yang umum adalah prinsip 3-2-1. Kesalahan posisi pin dapat mengakibatkan benda kerja proses pemesinan mengalami kesalahan. Proses pemesinan yang paling umum dilakukan adalah proses meratakan benda kerja (facing). Proses ini penting dilakukan karena perumakaan yang diratakan biasanya digunakan sebagai referensi untuk pengerjaan maupun pengukuran fitur lain. Proses facing biasanya dilakukan pada dua sisi benda kerja yang bersebrangan. Kesalahan pada suatu sisi kerja dapat mengakibatkan kesalahan fitur lain. Kesalahan pada proses facing dapat diakibatkan oleh kesalahan posisi tiga pin pada prinsip 3-2-1. Proses pengukuran kesalahan pin biasanya sulit untuk dilakukan secara berkala pada lantai produksi. Kontrol kesalahan yang terjadi biasanya dilakukan menggunakan metode kontrol kualitas secara statistik. Kekurangan metode ini adalah identifikasi akar masalah tidak dapat dianalisis secara detail. Penelitian ini membahas bagaimana mengidentifikasi kesalahan posisi pin berdasarkan nilai pengukuran deviasi benda setelah proses facing menggunakan algoritma neural network dan support vector regression. Proses facing dilakukan pada dua permukaan yang bersebrangan sehingga kesalahan pada permukaan satu akan mempengaruhi hasil permukaan yang lain. Dua proses facing diamati secara terpisah menjadi dua kasus. Kasus pertama adalah memprediksi nilai kesalahan pin berdasarkan nilai deviasi benda pada lima belas titik pengukuran. Kasus kedua adalah memprediksi nilai kesalahan pin berdasarkan nilai deviasi benda pada enam belas titik pengukuran dan kesalahan permukaan satu yang diwakili oleh kesalahan pin pada kasus pertama. Model machine learning dibuat menggunakan program Keras. Proses pembuatan model meliputi pendefinisian objektif, persiapan data, pemilihan parameter, pelatihan model, dan pengujian model. Pemilihan parameter pada algoritma neural network adalah pemilihan jumlah hidden layer, fungsi aktivasi yang digunakan, dan nilai learning rate. Model dua hidden layer dengan fungsi aktivasi ReLU merupakan parameter yang paling baik untuk memprediksi nilai kesalahan pin baik pada kasus 1 maupun kasus 2. Algoritma support vector regression memiliki beberapa parameter yang dapat diatur yaitu kernel, C, dan ?. Kernel Gaussian RBF merupakan kernel yang paling baik untuk kasus 1 maupun kasus 2. Performa model neural network kasus 1 dan model kasus 2 berdasarkan R2 score mencapai 0.960 dan 0.986. Model support vector regression kasus 1 dan kasus model 2 berdasarkan R2 score mencapai 0.9485 dan 0.9921.