Hasil Pencarian  ::  Simpan CSV :: Kembali

"ABSTRAKWeld bead atau manik las adalah hasil yang diproleh dari proses penyambungan (pengelasan) dua bahan atau lebih yang didasarkan pada prinsip-prinsip proses difusi (fusion welding), sehingga terjadi penyatuan bagian bahan yang disambung. Lebar manik las merupakan indikator utama yang menentukan keberhasilan pengelasan karena terkait dengan desain pengelasan yang telah ditetapkan oleh welding engineer sebelumnya. Dalam penelitian ini menggunakan mesin las TIG (Tungten Inert Gas) dan gas Argon sebagai pelindung proses pengelasan (shield gas) serta menggunakan material stainless steel SS 304 sebagai benda kerja. Studi ini mengembangkan sistem pengaturan lebar manik las dengan cara mengatur kecepatan proses sesuai dengan informasi lebar kolam las yang didapat melalui mesin vision selama proses pengelasan berlangsung. Informasi lebar kolam yang didapat dikalkulasikan oleh sistem dan digunakan sebagai input pada jaringan syaraf tiruan (JST) untuk mendapatkan kecepatan proses pengelasan yang tepat. Sistem yang dibangun pada studi berhasil mengatur kecepatan pengelasan yang tepat sesuai dengan target lebar manik yang diinginkan dengan berbagai variasi parameter pengelasan.

---

ABSTRACT

Weld-bead produced in the process of connecting two or more substances that are based on the principles of diffusion processes (fusion welding). Width of weld bead is the main indicator that determines the success of welding as it related to the design of the welding that has been set by the welding engineer before. In this study using TIG welding machine (Tungten Inert Gas) and argon as a protective gas welding process (shield gas) as well as the use of stainless-steel material SS 304 as the workpiece. This study developed a system to control weld-bead by adjusting the speed of the process according to the weld-pool width information obtained through machine vision during the welding process takes place. The informations of weld-pool width will be calculated by the system as inputs to the neural network (ANN) to produce the right speed of the welding process. The system that built in this study had succesfully produced weld bead width similar to the desired target width with some variations of welding parameters."

"ABSTRAKPengelasan merupakan proses penyambungan dua bahan atau lebih yang didasarkan pada prinsip-prinsip proses difusi, sehingga terjadi penyatuan pada bagian bahan yang disambung. Kekuatan sambungan las ditentukan dari beberapa parameter, diantaranya adalah lebar manik las dan penetrasi. Lebar manik las terutama bagian atas dapat ditentukan dengan melihat secara langsung melalui kamera CCD (Charge-Coupled Device). Akan tetapi sulit untuk mengamati lebar hasil lasan bagian bawah secara langsung karena pada praktiknya tidak memungkinkan untuk memasang kamera CCD di bagian bawah. Oleh karena itu, pada penelitian ini digunakan Las TIG (Tungsten Inert Gas) arus DC dengan proses pergerakan yang kecepatannya diatur oleh mikrokontroler dengan tujuan untuk mengatur lebar hasil lasan bagian bawah yang diinginkan dimana hasil lasan bagian bawah tersebut diestimasi berdasarkan data lebar manik las yang didapat dari machine vision, kecepatan pengelasan, dan arus yang digunakan. Untuk memperoleh serangkaian data-data tersebut maka dilakukan percobaan awal untuk melatih sistem neural network yang akan dibangun. Sistem yang dibangun pada studi ini berhasil mengatur lebar hasil lasan bagian bawah sesuai dengan nilai target yang diinginkan yaitu 3 mm pada arus 55 A, 60 A, dan 65 A dengan rata-rata error masing-masing arus sebesar 0.11 mm, 0.09 mm, dan 0.12 mm.

---

ABSTRACTWelding is a process of joining two or more substances that are based on the principles of diffusion processes, resulting in unification on the materials to be joined. The strength of the weld joint is determined by several parameters, including the weld bead width and the penetration. The width of the weld bead especially the upper part can be determined by looking directly through the CCD (Charge-Coupled Device) camera. But it is difficult to observe the back bead width directly since in practice it is not possible to install the CCD camera at the bottom. Therefore, in this study used Las TIG (Tungsten Inert Gas) DC current with the movement speed is regulated by the microcontroller for the purpose of adjusting the desirable back bead width where the back bead width is estimated based on data of weld bead width obtained from machine vision, welding speed, and current used. To obtain a series of data are then conducted initial experiments to train the neural network system to be built. The system was built in the study managed to set the back bead width with the value of the desired target is 3 mm on the current 55 A, 60 A, and 65 A with an average error of each current of 0.11 mm, 0:09 mm, and 0:12 mm."

"Sistem perpipaan merupakan salah satu yang sering digunakan diindustri seperti industri petrokimia untuk mentransmisikan bahan dasar berupa minyak, air maupun gas. Jenis pengelasan yang cocok untuk sistem perpipaan adalah pengelasan pipa orbital. Dalam penelitian ini dilakukan pengelasan pipa orbital dengan pengelasan Gas Tungsten Arc Welding (GTAW) tanpa logam pengisi (autogenous) pada pipa baja tahan karat tipe SS316L. Dimensi dari material uji adalah diameter luar 114 mm dan ketebalan 3 mm. Empat metode pengelasan diterapkan untuk mencari metode yang terbaik untuk menghasilkan kualitas lasan. Metode pengelasan diantaranya metode konvensional, arus pulsa, urutan pengelasan dan kontrol artificial neural network (ANN). Keempat metode ini dilakukan dengan alat pengelasan pipa orbital secara fully mechanized yang dijalankan oleh operator las. Kualitas hasil lasan meliputi geometri las (lebar manik dan kedalaman penetrasi), distorsi pada pipa, struktur makro, struktur mikro dan sifat mekanik (kekuatan tarik dan kekerasan mikro). Tahap pertama membandingkan pengelasan dengan metode konvensional dan kontrol ANN terhadap kualitas hasil lasan. Kemudian tahap kedua adalah membandingkan pengelasan dengan metode arus pulsa, urutan pengelasan dan kontrol ANN. Terakhir adalah mencari metode pengelasan serta parameter pengelasan yang optimal untuk menghasilkan kualitas lasan yang optimal.Hasil penelitian ini menunjukkan bahwa pengelasan dengan metode kontrol ANN lebih baik daripada metode konvensional. Dilihat dari segi lebar manik lebih stabil dengan metode kontrol ANN yaitu 10±0,6 mm. Tetapi untuk kedalaman penetrasi lebih baik menggunakan metode konvensional. Kemudian untuk distorsi yang terjadi lebih kecil menggunakan metode kontrol ANN yang kurang dari 200 µm. Struktur mikro yang terbentuk untuk kedua metode ini hampir sama untuk daerah tengah lasan. Kekuatan tarik maksimal untuk setiap posisi pipa lebih stabil menggunakan metode kontrol ANN. Sedangkan kekerasan mikro lebih kecil jika menggunakan metode kontrol ANN.Perbandingan kualitas hasil lasan dengan metode arus pulsa, urutan pengelasan dan kontrol ANN menunjukkan bahwa metode kontrol ANN lebih baik dalam beberapa aspek. Aspek lebar manik menunjukkan metode kontrol ANN menghasilkan lebar manik yang lebih seragam yaitu 10±0,6 mm. Namun untuk kedalaman penetrasi lebih baik dengan metode arus pulsa. Distorsi pipa dengan metode kontrol ANN juah lebih kecil dibandingkan dengan kedua metode lainnya. Selanjutnya untuk struktur mikro yang teramati tidak jauh berbeda antara ketiga metode pengelasan. Kekuatan tarik maksimal untuk metode kontrol ANN lebih stabil untuk setiap posisi pipa dan kekerasan mikro terendah terjadi di daerah lasan dengan metode kontrol ANN.Metode optimasi yang diterapkan adalah response surface method (RSM) dan Taguchi method. Selain itu digunakan juga analysis of variance (ANOVA) untuk mengetahui tingkat signifikasi parameter pengelasan. Respon dari optimasi adalah kekuatan tarik yang maksimum, distorsi pipa yang minimum dan lebar manik yang ditargetkan 10 mm. Hasil metode optimasi menunjukkan bahwa metode kontrol ANN menghasilkan kualitas lasan yang paling baik diantara metode pengelasan lainnya. Metode kontrol ANN dengan parameter arus pengelasan 106 A dan kecepatan awal pengelasan 1,5 mm/d dapat menghasilkan kekuatan tarik maksimum sebesar 670 MPa, distorsi melintang, distorsi aksial, keovalan dan tapers masing-masing adalah 126 µm, 252 µm, 94 µm dan 168 µm serta lebar manik sebesar 9,97 mm.

---

The piping system is one that is often used in industries such as the petrochemical industry to transmit basic materials in the form of oil, water and gas. The type of welding suitable for piping systems is orbital pipe welding. In this study, welding of orbital pipes with Gas Tungsten Arc Welding (GTAW) welding without filler metal (autogenous) was carried out on stainless steel pipes of type SS316L. The dimensions of the test material are 114 mm outside diameter and 3 mm thickness. Four welding methods were applied to find the best method to produce quality welds. Welding methods include conventional methods, pulse current, welding sequences and artificial neural network (ANN) control. These four methods are carried out with an fully mechanized orbital pipe welding device operated by a welding operator. The quality of the welds includes weld geometry (bead width and penetration depth), pipe distortion, macrostructure, microstructure and mechanical properties (tensile strength and microhardness). In the first stage, comparing welding with conventional methods and ANN control on the quality of the welds. Then the second stage is to compare welding with pulse current method, welding sequence and ANN control. The last is to find the optimal welding method and welding parameters to produce optimal weld quality.

The results of this study indicate that the welding with the ANN control method is better than the conventional method. In terms of bead width, it is more stable with the ANN control method, which is 10±0.6 mm. But for the depth of penetration it is better to use conventional methods. Then for smaller distortion, use the ANN control method which is less than 200 m. The microstructure formed for both methods is almost the same for the center of the weld. The maximum tensile strength for each pipe position is more stable using the ANN control method. While the micro hardness is smaller when using the ANN control method.

Comparison of weld quality with pulse current, welding sequence and ANN control method shows that the ANN control method is better in several aspects. The bead width aspect shows that the ANN control method produces a more uniform bead width of 10±0.6 mm. However, the penetration depth is better with the pulse current method. The pipe distortion with the ANN control method is much smaller than the other two methods. Furthermore, the observed microstructure is not much different between the three welding methods. The maximum tensile strength for the ANN control method is more stable for each pipe position and the lowest microhardness occurs in the weld area with the ANN control method.

The optimization methods applied are the response surface method (RSM) and the Taguchi method. In addition, analysis of variance (ANOVA) is also used to determine the level of significance of welding parameters. The response of the optimization is maximum tensile strength, minimum pipe distortion and a targeted bead width of 10 mm. The results of the optimization method show that the ANN control method produces the best weld quality among other welding methods. The ANN control method with a welding current parameter of 106 A and an initial welding speed of 1.5 mm/s can produce a maximum tensile strength of 670 MPa, transverse distortion, axial distortion, ovality and tapers respectively 126 m, 252 m, 94 m and 168 m and a bead width of 9.97 mm.

"

"Weld bead atau menik las adalah hasil yang diperoleh dari proses penyambungan pengelasan dua bahan atau lebih yang didasarkan pada prinsip-prinsip proses difusi fusion welding , sehingga terjadi penyatuan bagian bahan yang disambung. Pada pengelasan aluminum berbeda dengan pengelasan steel dimana aluminum lebih mudah meleleh dan mudah menghantarkan panas, sehingga aluminum lebih sulit untuk dilas. Selain sulit dilas, lelehan aluminum juga sulit terdeteksi kamera vision karena tidak membara seperti steel, namun lelehan pada manik las aluminum lebih mudah memantulkan cahaya karena permukaannya yang mengkilap dan halus. Pada penelitian ini menggunakan mesin TIG dan gas Argon sebgai pelindung proses pengelasan serta menggunakan material Aluminum 6063 sebagai spesimen. Penilitian ini fokus pada pengembangan sistem jaringan saraf tiruan untuk pengegelasan aluminum 6063 dimana sebagai target penelitian adalah menjaga lebar manik tetap konstan. Pada penelitian ini variabel yang dikontrol adalah kecepatan pengelasan pada satu sumbu. Sistem yang dibangun pada penelitian ini berhasil mengatur kecepatan pengelasan dan menjaga lebar manik las tetap konstan.

---

Weld beads are the results obtained from the process of welding two or more materials based on the principles of the diffusion process fusion welding , resulting in the unification of the connected material parts. In different aluminum welding with steel welding where aluminum is easier to melt and easily dissipate heat, so aluminum is more difficult to weld. In addition to difficult welded, aluminum melt is also difficult to detect vision cameras because it does not burn like a steel, but melt in aluminum weld beads more easily reflect light because the surface is shiny and smooth.

In this study used TIG and Argon gas as protective welding process and using Aluminum 6063 material as specimen. This research focuses on the development of artificial neural network system for aluminum 6063 whereas the research target is to keep the bead width constant. In this study the controlled variable is the speed of welding on one axis. The system built in this study managed to regulate the welding speed and keep the weld bead width constant. Keyword Weld beads TIG Aluminum Machine vision neural network."

"Sistem perpipaan merupakan salah satu yang sering digunakan diindustri seperti industri petrokimia untuk mentransmisikan bahan dasar berupa minyak, air maupun gas. Jenis pengelasan yang cocok untuk sistem perpipaan adalah pengelasan pipa orbital. Dalam penelitian ini dilakukan pengelasan pipa orbital dengan pengelasan Gas Tungsten Arc Welding (GTAW) tanpa logam pengisi (autogenous) pada pipa baja tahan karat tipe SS316L. Dimensi dari material uji adalah diameter luar 114 mm dan ketebalan 3 mm. Empat metode pengelasan diterapkan untuk mencari metode yang terbaik untuk menghasilkan kualitas lasan. Metode pengelasan diantaranya metode konvensional, arus pulsa, urutan pengelasan dan kontrol artificial neural network (ANN). Keempat metode ini dilakukan dengan alat pengelasan pipa orbital secara fully mechanized yang dijalankan oleh operator las. Kualitas hasil lasan meliputi geometri las (lebar manik dan kedalaman penetrasi), distorsi pada pipa, struktur makro, struktur mikro dan sifat mekanik (kekuatan tarik dan kekerasan mikro). Tahap pertama membandingkan pengelasan dengan metode konvensional dan kontrol ANN terhadap kualitas hasil lasan. Kemudian tahap kedua adalah membandingkan pengelasan dengan metode arus pulsa, urutan pengelasan dan kontrol ANN. Terakhir adalah mencari metode pengelasan serta parameter pengelasan yang optimal untuk menghasilkan kualitas lasan yang optimal.Hasil penelitian ini menunjukkan bahwa pengelasan dengan metode kontrol ANN lebih baik daripada metode konvensional. Dilihat dari segi lebar manik lebih stabil dengan metode kontrol ANN yaitu 10±0,6 mm. Tetapi untuk kedalaman penetrasi lebih baik menggunakan metode konvensional. Kemudian untuk distorsi yang terjadi lebih kecil menggunakan metode kontrol ANN yang kurang dari 200 µm. Struktur mikro yang terbentuk untuk kedua metode ini hampir sama untuk daerah tengah lasan. Kekuatan tarik maksimal untuk setiap posisi pipa lebih stabil menggunakan metode kontrol ANN. Sedangkan kekerasan mikro lebih kecil jika menggunakan metode kontrol ANN.Perbandingan kualitas hasil lasan dengan metode arus pulsa, urutan pengelasan dan kontrol ANN menunjukkan bahwa metode kontrol ANN lebih baik dalam beberapa aspek. Aspek lebar manik menunjukkan metode kontrol ANN menghasilkan lebar manik yang lebih seragam yaitu 10±0,6 mm. Namun untuk kedalaman penetrasi lebih baik dengan metode arus pulsa. Distorsi pipa dengan metode kontrol ANN juah lebih kecil dibandingkan dengan kedua metode lainnya. Selanjutnya untuk struktur mikro yang teramati tidak jauh berbeda antara ketiga metode pengelasan. Kekuatan tarik maksimal untuk metode kontrol ANN lebih stabil untuk setiap posisi pipa dan kekerasan mikro terendah terjadi di daerah lasan dengan metode kontrol ANN.Metode optimasi yang diterapkan adalah response surface method (RSM) dan Taguchi method. Selain itu digunakan juga analysis of variance (ANOVA) untuk mengetahui tingkat signifikasi parameter pengelasan. Respon dari optimasi adalah kekuatan tarik yang maksimum, distorsi pipa yang minimum dan lebar manik yang ditargetkan 10 mm. Hasil metode optimasi menunjukkan bahwa metode kontrol ANN menghasilkan kualitas lasan yang paling baik diantara metode pengelasan lainnya. Metode kontrol ANN dengan parameter arus pengelasan 106 A dan kecepatan awal pengelasan 1,5 mm/d dapat menghasilkan kekuatan tarik maksimum sebesar 670 MPa, distorsi melintang, distorsi aksial, keovalan dan tapers masing-masing adalah 126 µm, 252 µm, 94 µm dan 168 µm serta lebar manik sebesar 9,97 mm.

---

The piping system is one that is often used in industries such as the petrochemical industry to transmit basic materials in the form of oil, water and gas. The type of welding suitable for piping systems is orbital pipe welding. In this study, welding of orbital pipes with Gas Tungsten Arc Welding (GTAW) welding without filler metal (autogenous) was carried out on stainless steel pipes of type SS316L. The dimensions of the test material are 114 mm outside diameter and 3 mm thickness. Four welding methods were applied to find the best method to produce quality welds. Welding methods include conventional methods, pulse current, welding sequences and artificial neural network (ANN) control. These four methods are carried out with an fully mechanized orbital pipe welding device operated by a welding operator. The quality of the welds includes weld geometry (bead width and penetration depth), pipe distortion, macrostructure, microstructure and mechanical properties (tensile strength and microhardness). In the first stage, comparing welding with conventional methods and ANN control on the quality of the welds. Then the second stage is to compare welding with pulse current method, welding sequence and ANN control. The last is to find the optimal welding method and welding parameters to produce optimal weld quality.

The results of this study indicate that the welding with the ANN control method is better than the conventional method. In terms of bead width, it is more stable with the ANN control method, which is 10±0.6 mm. But for the depth of penetration it is better to use conventional methods. Then for smaller distortion, use the ANN control method which is less than 200 m. The microstructure formed for both methods is almost the same for the center of the weld. The maximum tensile strength for each pipe position is more stable using the ANN control method. While the micro hardness is smaller when using the ANN control method.

Comparison of weld quality with pulse current, welding sequence and ANN control method shows that the ANN control method is better in several aspects. The bead width aspect shows that the ANN control method produces a more uniform bead width of 10±0.6 mm. However, the penetration depth is better with the pulse current method. The pipe distortion with the ANN control method is much smaller than the other two methods. Furthermore, the observed microstructure is not much different between the three welding methods. The maximum tensile strength for the ANN control method is more stable for each pipe position and the lowest microhardness occurs in the weld area with the ANN control method.

The optimization methods applied are the response surface method (RSM) and the Taguchi method. In addition, analysis of variance (ANOVA) is also used to determine the level of significance of welding parameters. The response of the optimization is maximum tensile strength, minimum pipe distortion and a targeted bead width of 10 mm. The results of the optimization method show that the ANN control method produces the best weld quality among other welding methods. The ANN control method with a welding current parameter of 106 A and an initial welding speed of 1.5 mm/s can produce a maximum tensile strength of 670 MPa, transverse distortion, axial distortion, ovality and tapers respectively 126 m, 252 m, 94 m and 168 m and a bead width of 9.97 mm."

"Tungsten Inert Gas (TIG) adalah proses pengelasan dimana busur listrik ditimbulkan oleh elektroda tungsten dengan benda kerja dan daerah pengelasannya dilindungi oleh gas pelindung. Sejak pertama kali ditemukan, TIG sudah menjadi bagian penting dalam industri manufaktur. Pengelasan ini banyak diaplikasikan pada baja stainless steel, alumunium, logam reaktif seperti magnesium dan titanium. Karena banyaknya aplikasi pengelasan TIG, pada studi kali ini dilakukan sebuah simulasi pengelasan pada plat stainless steel untuk memprediksi lebarnya manik las yang terbentuk dan kedalaman penetrasi pengelasan dengan memvariasikan besarnya arus yaitu 80, 90, dan 100 A dan besarnya kecepatan pengelasan yaitu 2, 3, dan 4 mm/s. Simulasi pengelasan menunjukan hasil yang hampir sama dengan pengelasan secara eksperimen, dimana untuk lebar manik atas pada variasi arus dan kecepatan didapatkan error rata-rata berturut-turut 8.3% dan 6.7%, dan untuk lebar manik bawah pada variasi arus dan kecepatan didapatkan error rata-rata bertururt-turut 4.9% dan 3.0%. Sementara, untuk penetrasi pengelasan error rata-ratanya 0%.

---

Tungsten Inert Gas (TIG) welding is a process which an electric arc generated by the tungsten electrode to the workpiece and the welding area protected by a protective gas. First, since TIG had been discover, it become an important part in manufacturing industry. TIG is widely applied to stainless steel, aluminum, reactive metals such as magnesium and titanium. Therefore, this study carried out a simulation of welding in stainless steel plate to predict the bead width and the depth of penetration were formed by varying the welding current as 80, 90, and 100 A and varying the welding speed as 2, 3, and 4 mm/s. Welding simulation showed almost the same results with the experimental welding, where for the top bead width over the current and velocity variations obtained an average error of 8.3 % and 6.7 % respectively. And for the back bead width over the current and velocity variations obtained average error of 4.9 % and 3.0 % respectively. While, for the depth of penetration obtained an average error of 0 %."

"

Pada penelitian ini, dilakukan penyambungan aluminium AA 6063 menggunakan pengelasan Tungsten Inert Gas (TIG) dengan sambungan tumpul (butt joint). Digunakan metode pengumpanan logam pengisi (filler) secara berselang (intermittent) untuk mencari pengaruhnya terhadap lebar dan tinggi manik, serta kekuatan tarik hasil pengelasan. Dimensi spesimen yang digunakan dalam penelitian ini yaitu panjang 12 mm, lebar 5 mm, dan tebal 3 mm. Pengelasan dilakukan dengan kecepatan dan arus yang tetap, yaitu 1,5 mm/s dan 115 A. Rasio yang digunakan yaitu konfigurasi dari waktu pengumpanan dan waktu diam. Rasio yang divariasikan yaitu rasio 4 hingga 6. Pada masing-masing rasio, terdapat 3 kecepatan filler. Dari hasil penelitian didapatkan, lebar manik berbanding terbalik dengan rasio kecepatan pengumpanan logam pengisi, sedangkan tinggi manik berbanding lurus dengan rasio kecepatan pengumpanan logam pengisi. Dan untuk kekuatan tarik, secara umum nilainya berbanding lurus dengan rasio namun perbedaanya tidak signifikan.

---

In this research, aluminium 6063 were welded by using Tungsten Inert Gas (TIG) weld on square butt joint. The intermittent filler feed method was proposed to find the corelations between the bead width and tensile strength of weld product. The  dimension of specimen was 12 mm x 5 mm x 3 mm. The welding process was performed with fixed speed of weld and current, 1.5 mm/s and 160 A respectively. The used of ratio is the configuration of the filler time and delay time and was varied from the ratio 4 to ratio 6. In each ratio, there are 3 speed of filler. From the results obtained, the bead width is directly proportional to the ratio of feeding metal filler speed, whereas the bead height is inversely proportional to the ratio of feeding metal filler speed. And for tensile strength, its directly proportional to the ratio however the different is not significant.

"

"Dengan memperhatikan serta menyusun pola makan, kesehatan tubuh dapat meningkat dikarenakan nutrisi yang didapatkan oleh tubuh. Pemanfaatan machine learning, melalui model deteksi multiobjek, dapat membantu pendeteksian berbagai jenis makanan hanya dengan input sebuah gambar. Dengan terdeteksinya jenis makanan digabungkan dengan output berupa nutrisi yang terkandung dalam makanan dapat membantu dalam mengatur pola makan. Pengaturan pola makan dengan memanfaatkan deteksi objek dapat dilakukan dengan pelatihan sebuah dataset dengan menggunakan algoritma YOLO. Pendeteksian makanan yang dilakukan dengan menggunakan algoritma YOLO memerlukan acuan evaluasi dengan tujuan meningkatkan akurasi dari deteksi yang dilakukan, yang mana merupakan alasan dari pengukuran mAP. Penggunaan arsitektur YOLOv7 terlihat dapat menghasilkan model yang lebih baik dibandingkan YOLOv5 dengan mAP 0,947. Penggabungan YOLOv7 dengan dataset yang berisikan multiclass single image juga berhasil dalam melakukan deteksi multi-object makanan sesuai dengan kategori yang telah ditentukan. Dengan tujuan penggunaan model oleh masyarakat luas, model deteksi jenis makanan diimplementasikan dalam bentuk aplikasi mobile dengan basis Java. Implementasi dalam bentuk aplikasi membuat masyarakat luas dapat memanfaatkan model deteksi objek sebagai salah satu acuan pemilihan pola makan yang lebih sehat.

---

By paying attention to and compiling a diet, body health can improve due to the nutrients the body gets. Utilization of machine learning, through a multi-object detection model, can help detect various types of food only by inputting an image. Diet adjustment using object detection can be done by training a dataset using the YOLO algorithm. Food detection carried out using the YOLO algorithm requires an evaluation reference with the aim of increasing the accuracy of the detection carried out, which is the reason for using mAP.. The use of the YOLOv7 architecture seems to produce a better model than YOLOv5 with a mAP of 0.947. Merging YOLOv7 with a dataset containing multiclass single images was also successful in detecting multi-object food according to predetermined categories. With the aim of using the model by the wider community, a food type detection model is implemented in the form of a mobile application based on Java. Implementation in the form of an application allows the general public to utilize the object detection model as a reference for choosing a healthier diet."

"Penyakit stroke adalah penyebab kematian terbesar kedua di dunia. Pasien stroke harus menjalani perawatan berupa latihan rehabilitasi secara rutin untuk memulihkan fungsi motorik mereka. Sering kali pasien stroke kesulitan mendapatkan perawatan karena keterbatasan ekonomi dan mobilisasi. Selain itu, kondisi pandemi COVID-19 sekarang ini membuat pasien takut untuk pergi ke rumah sakit. Telehealth sebagai pelayanan kesehatan jarak jauh merupakan salah satu solusi untuk kondisi tersebut. Aplikasi telehealth untuk rehabilitasi stroke dapat dikembangkan dikombinasikan dengan teknologi human motion detection. Penelitian ini bertujuan untuk mengetahui model human motion detection yang dapat mendeteksi gerakan secara stabil serta untuk mengetahui model klasifikasi yang dapat mengklasifikasi gerakan stroke dan non stroke secara akurat. Penelitian dilakukan menggunakan data video gerakan pasien stroke dan orang sehat sebagai input model human motion detection. Keypoints hasil ekstraksi dari model human motion detection kemudian ditransformasi menjadi gambar RGB dan digunakan sebagai input model klasifikasi. Penelitian ini membandingkan tiga model human motion detection, yaitu PoseNet, BlazePose, dan MoveNet, serta dua model klasifikasi gambar, yaitu AlexNet dan SqueezeNet.Beberapa eksperimen dilakukan untuk mengklasifikasi gerakan stroke dan non stroke. Terdapat eksperimen dengan pembagian data tanpa 3-Fold Cross Validation, eksperimen dengan pembagian data 3-Fold Cross Validation, eksperimen menggunakan semua keypoints hasil ekstraksi model human motion detection, dan eksperimen menggunakan beberapa keypoints yang relevan. Model human motion detection dan model klasifikasi terbaik dari hasil penelitian ini diharapkan dapat berkontribusi kepada para pihak yang ingin mengembangkan aplikasi telehealth sebagai sarana rehabilitasi stroke. Berdasarkan hasil penelitian ini, didapatkan bahwa MoveNet adalah model human motion detection yang paling stabil dalam memantau pergerakan pasien dan AlexNet adalah model klasifikasi terbaik untuk mengklasifikasikan pasien stroke dan non stroke berdasarkan gerakan upper body dan gerakan lower body.

---

Stroke is the second biggest cause of death in the world. Stroke patients must undergo rehabilitation on regular basis to exercise and restore their motor functions. Oftentimes, stroke patients find it difficult to get their treatment because of economic and mobility limitations. In addition, the current state of the COVID-19 pandemic makes patients afraid to go to the hospital. Telehealth as a long-distance health service is one of the solution for this condition. Telehealth applications for stroke rehabilitation can be developed in combination with human motion detection technology. This study aims to determine the human motion detection model that can detect movement steadily and determine the classification model that can classify stroke and non-stroke motions accurately. The study was conducted using video data of stroke patients and healthy people as input for the human motion detection model. Keypoints extracted from the human motion detection model are then transformed into RGB images and used as input for the classification model. This study compares three models of human motion detection, namely PoseNet, BlazePose, and MoveNet and two image classification models, namely AlexNet and SqueezeNet.

Several experiments were conducted to classify stroke and non-stroke motions. There are experiments without data splitting 3-Fold Cross Validation, experiments with data splitting 3-Fold Cross Validation, experiments using all keypoints extracted from the human motion detection model, and experiments using several relevant keypoints. The most steady human motion detection model and the best classification model from the results of this study are expected to contribute to those who want to develop telehealth applications as a means of stroke rehabilitation. Based on the results of this study, it was found that MoveNet is the most steady human motion detection model for monitoring the patients motions and AlexNet is the best classification model for classifying stroke and non stroke patients based on upper body and lower body movements."

"Pengelasan memiliki peran penting dalam industri konstruksi, manufaktur, serta oil and gas. Salah satu penerapan teknologi pengelasan dalam industri adalah pengelasan pada pipa. Dalam penelitian ini, pengelasan pipa orbital dilakukan dengan Gas Tungsten Arc Welding (GTAW) tanpa filler metal (autogenous) pada pipa baja tahan karat tipe SS316L. Dimensi material uji adalah diameter luar 114 mm dan ketebalan 3 mm. Pengujian pengelasan dilakukan untuk mengetahui kualitas pengelasan (lebar manik) dan kekuatan tarik. Parameter pengelasan yang digunakan adalah arus terpulsasi, kecepatan pengelasan sebesar 0,150 mm/s, 0,154 mm/s, dan 0,161 mm/s, serta 4 posisi sudut pipa saat pengelasan yaitu 0°, 90°, 180°, dan 270°. Tahapan pengujian yang dilakukan meliputi persiapan alat dan benda uji, pengelasan bahan uji, dan pengujian kekuatan tarik dan mikrokekerasan. Alat pengelasan yang digunakan adalah alat pengelasan pipa orbital prototipe dengan metode 5G. Selanjutnya, untuk material SS316L, setelah dilakukan pengelasan, dilakukan pembentukan benda uji kekuatan tarik dengan bentuk standar bahan uji menggunakan standar ASTM E-8M. Hasil pengukuran lebar manik paling lebar terjadi pada kecepatan pengelasan 0,154 mm/s dengan lebar manik 12,14 mm pada posisi 90°. Hasil pengujian kekuatan tarik tertinggi terjadi pada kecepatan pengelasan 0,150 mm/d dengan kekuatan tarik maksimum sebesar 571,07 MPa pada posisi 180° dengan arus sebesar 100A. 

---

Welding plays a significant role in the construction, manufacturing, and oil and gas industries. One application of welding technology in these industries is pipe welding. In this study, orbital pipe welding was conducted using Gas Tungsten Arc Welding (GTAW) without filler metal (autogenous) on SS316L stainless steel pipes. The test material had an outer diameter of 114 mm and a thickness of 3 mm. Welding testing was performed to assess the weld quality (bead width) and tensile strength. The welding parameters used were pulsed current, welding speed of 0.150 mm/s, 0.154 mm/s, and 0.161 mm/s, and four pipe corner positions during welding: 0°, 90°, 180°, and 270°. The testing stages included tool and sample preparation, welding of the test material, and tensile strength and microhardness testing. A prototype orbital pipe welding tool using the 5G method was employed. Additionally, for SS316L material, after welding, test specimens for tensile strength were formed using the standard shape of the test material following ASTM E-8M. The widest bead width measurement was obtained at a welding speed of 0.154 mm/s with a bead width of 12.14 mm at the 90° position. The highest tensile strength test results occurred at a welding speed of 0.150 mm/s with a maximum tensile strength of 571.07 MPa at the 180° position with a current of 100A."