Hasil Pencarian  ::  Simpan CSV :: Kembali

"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."

"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."

"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."

"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.

"

"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."

"Pada era digital ini kebutuhan manusia dalam teknologi semakin berkembang pesat. Teknologi selalu dituntut untuk berkembang untuk memudahkan manusia dalam memenuhi segala aktivitas dan kebutuhannya. Teknologi proses manufaktur adalah salah satunya. Proses manufaktur yang paling banyak digunakan dalam industri saat ini adalah pengelasan. Salah satu contoh teknologi yang berkembang adalah pengelasan otomatis TIG (Tungsten Inert Gas). Pada penelitian ini, dilakukan pengelasan aluminium paduan AA1100 dengan menggunakan pengelasan Tungsten Inert Gas (TIG) otomatis untuk mendapatkan data training neural network sebagai bahan pengklasifikasian hasil pengelasan. Dimensi spesimen yang digunakan dalam penelitian ini yaitu panjang 14 cm, lebar 7 cm serta ketebalan 3,8 mm. Penelitian ini bertujuan untuk membuat sistem pengklasifikasian hasil las yang baik dan buruk (ada cacat) menggunakan machine vision dan neural network sebagai tahap awal dalam penerapan CNN dalam automatic TIG welding serta untuk mengetahui akurasi, presisi dan loss dari sistem vision tersebut dari pre-trained model ResNet-50 dan YOLOv5n. Penelitian ini dimulai dengan mempelajari segala sesuatu tentang metode pengelasan TIG, mempelajari pengaruh-pengaruh apa saja yang dapat menyebabkan pengelasan gagal serta mempelajari metode machine learning untuk mengklasifikasikan hasil pengelasan yang baik maupun hasil pengelasan yang gagal pada material Aluminium AA1100. Selanjutnya dilakukan pengelasan untuk mengambil data acuan sebagai bahan dasar klasifikasi hasil pengelasan, lalu dataset tersebut dilakukan labelling dan di training menggunakan pre-trained model ResNet-50 dan YOLOv5n. Dua model yang terbuat dari hasil training tersebut kemudian di uji coba menggunakan 70 data test. Hasil dari tes tersebut yaitu: Pada tes dengan model YOLOv5s (epoch 50, batch 16 dan learning rate 0.001) menghasilkan nilai akurasi sebesar 88,57% dengan nilai item yang benar 45/50 dan 17/20. Model ini juga menghasilkan loss sebesar 11,42% dan precision sebesar 90%. Pada tes dengan model YOLOv5s dengan hyperparameter (epoch 100, batch 32 dan learning rate 0.001) menghasilkan nilai akurasi sebesar 97,14% dengan nilai item yang benar 49/50 dan 19/20, model ini juga menghasilkan loss sebesar 2,8% dan nilai precision sebesar 98%. Pada tes dengan model yang menggunakan architecture ResNet-50 dengan (epoch 50, batch 16 dan learning rate 0.001) menghasilkan nilai benar 43/50 dan 16/20 dengan nilai accuracy sebesar 84,28%, nilai loss 15,7% dan precision 86%. Untuk model ResNet-50 dengan hyperparameter (epoch 100, batch 32 dan learning rate 0.001) menghasilkan nilai akurasi sebesar 94,28% dengan nilai item yang benar 47/50 dan 19/20, model ini juga menghasilkan loss sebesar 5,71% dan nilai precision sebesar 94%.

---

In this digital era, human needs in technology are growing rapidly. Technology is always required to develop to make it easier for humans to fulfill all their activities and needs. Manufacturing process technology is one of them. The most widely used manufacturing process in industry today is welding. One example of a developing technology is TIG (Tungsten Inert Gas) automatic welding. In this study, welding of aluminum alloy AA1100 was carried out using automatic Tungsten Inert Gas (TIG) welding to obtain neural network training data as a material for classifying welding results. The dimensions of the specimens used in this study were 14 cm long, 7 cm wide and 3.8 mm thick. Welding is carried out with a fixed current, namely 120A and using filler ER5356. This study aims to create a classification system for good and bad (defective) welds using machine vision and neural networks as an initial step in applying CNN in automatic TIG welding and to determine the accuracy, precision and loss of the vision system from pre-trained models ResNet-50 and YOLOv5n. This research began by learning everything about the TIG welding method, learning what influences can cause welding to fail and studying the machine learning method to classify good welding results and failed welding results on Aluminum AA1100 material. Next, welding is carried out to retrieve reference data as the basis for the classification of welding results, then the dataset is labeled and trained using the pre-trained ResNet-50 and YOLOv5n models. The two models made from the results of the training were then tested using 70 test data. The results of the test are: The test with the YOLOv5s model (epoch 50, batch 16 and learning rate 0.001) produces an accuracy value of 88.57% with correct item values 45/50 and 17/20. This model also produces a loss of 11.42% and a precision of 90%. In tests with the YOLOv5s model with hyperparameters (epoch 100, batch 32 and learning rate 0.001) it produces an accuracy value of 97.14% with correct item values 49/50 and 19/20, this model also produces a loss of 2.8% and precision value of 98%. In the test with a model that uses architecture ResNet-50 with (epoch 50, batch 16 and learning rate 0.001) it produces a correct score of 43/50 and 16/20 with an accuracy value of 84.28%, a loss value of 15.7% and a precision of 86 %. For the ResNet-50 model with hyperparameters (epoch 100, batch 32 and learning rate 0.001) it produces an accuracy value of 94.28% with correct item values 47/50 and 19/20, this model also produces a loss of 5.71% and precision value of 94%."

"Tungsten Inert Gas (TIG) adalah proses pengelasan dimana busur nyala listrik ditimbulkan oleh elektroda tungsten dengan benda kerja dan daerah pengelasannya dilindungi oleh gas pelindung. Bentuk busur api dapat dipengaruhi oleh gaya elektromagnetik. Pada penelitian sebelumnya, penggunaan beberapa medan elektromagnetik yang diatur letaknya sedemikian rupa memberikan hasil pengelasan yang berbeda. Dalam studi ini busur las di berikan medan elektromagnetik yang bersumber dari solenoid. Pengelasan dilakukan pada stainless steel. Medan elektromagnetik yang dihasilkan menyebabkan busur api terdefleksi. Defleksi ini dikontrol dengan solenoid yang diaktifkan secara bergantian mengelilingi busur las dengan menggunakan mikrokontroler. Hasil penelitian menunjukkan dengan menggunakan solenoid sebagai sumber medan magnet untuk mempengaruhi busur las dapat mempangaruhi hasil pengelasan. Penetrasi yang dihasilkan dengan menggunakan solenoid lebih dalam dibandingkan pengelasan tanpa menggunakan solenoid. Kenaikan efisiensi daya pengelasan mencapai 10,9 %. Berdasarkan grafik perbandingan perubahan kecepatan terdapat kesamaan hasil antara pengelasan dengan kecepatan tinggi menggunakan solenoid dengan pengelasan kecepatan rendah tanpa solenoid.

---

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. Arc shape can be affected by electromagnetic force. In previous study, the use of some electromagnetic field around the arc has influenced the welding results. In this study electromagnetic fields generated from the solenoids was given to the welding arc. Welding process was conducted on Stainless Steel. The electromagnetic field made the arc becomes deflected. This deflection was controlled by the solenoid by activating it using a microcontroller.

The results showed that the use of solenoid as a source of electromagnetic field has influenced the welding arc. Penetration produced by using a solenoid has deeper penetration than welding process without using solenoid. The increase of the welding power efficiency was 10.9%. Furthermore, there are similarities between the results of the welding at high speeds using a solenoid compared with a low speed welding without solenoid."

"Paduan Aluminum merupakan logam ringan yang banyak digunakan untuk keperluan industry otomotif dan penerbangan. Pengelasan Tungsten Inert Gas (TIG) sangat cocok untuk pengelasan paduan aluminum dengan mengkombinasikan menggunakan alat pengumpan otomatis wire feeder. Wire feeder adalah alat yang digunakan untuk mengumpankan kawat las dimana sistem kontrol terpisah dengan mesin las. Proses pengelasan square groove butt joint dilakukan pada specimen aluminum 6063 dengan dimensi panjang, lebar, dan tebal adalah 120 x 50 x 3 mm. Mesin las yang digunakan adalah Power TIG 2200 AC/DC Pulse Welding Machine Gekamac. Penelitian ini dilakukan pengujian pengaruh besar arus dan kecepatan pengelasan terhadap lebar manik yang dihasilkan. Variasi yang digunakan besar arus adalah 140 A, 145 A, 150 A dan kecepatan pengelasan adalah 1,8 mm/s, 1,9 mm/s, dan 2 mm/s. Pengukuran dilakukan dengan jangka sorong digital dengan ketelitian 0,01mm. Pada penelitian ini juga membandingkan pengumpanan kawat secara kontinu dengan delay/jeda terhadap permukaan lebar manik yang dihasilkan.

---

Aluminum alloy is light metal which is widely used for automotive and aerospace industry. Tungsten Inert Gas (TIG) welding is very suitable for aluminum alloy welding by combining using automatic wire feeder. Wire feeder is a machine used to feed wire where the control system is separated by welding machine. The butt joint welding process was carried out on a 6063 aluminum specimen with dimensions of length, width, and thickness of 120 x 50 x 3 mm. The welding machine used is the Power TIG 2200 AC/DC Pulse Welding Machine Gekamac.

This research is done to test the influence of the current and the speed of welding to the welding bead width. The variations used by the current are 140 A, 145 A, 150 A and the welding speed is 1,8 mm/s, 1,9 mm/s, and 2 mm/s. Measurements were carried out with a digital calliper with a precision of 0.01mm. In this study also compares the wire feed continuously with delay/pause to the surface of welding bead width with produced."

"Pengelasan Tungsten Inert Gas (TIG) merupakan salah satu metode pengelasan yang cukup popular dan sering digunakan dalam industri manufaktur. Dalam Upaya meningkatkan efisiensi dari pengelasan TIG ini, metode Wire Arc Additive Manufacturing (WAAM) pun telah diperkenalkan. Metode WAAM merupakan metode pengelasan yang menggunakan busur listrik (arc welding) dengan menggunakan pengumpan kawat tambahan atau biasa dikenal dengan wire feeder. Mesin TIG-WAAM terdiri dari komponen-komponen berupa sumber daya TIG, welding torch, kawat pengumpan atau wire feeder, dan sistem pengendali untuk mengontrol parameter pengelasan. Oleh karena itu, welding torch merupakan komponen yang penting dalam pengelasan penelitian ini dilakukan. Perancangan desain pada penelitian ini kemudian akan dilanjutkan pada perhitungan analitik dan simulasi menggunakan software Autodesk Inventor 2021 untuk memastikan apakah konstruksi mesin las TIG dapat menahan beban welding torch yang didesain. Penelitian ini akan lebih berfokus pada kekuatan mesin konstruksi mesin las TIG menahan beban sebelum dan setelah welding torch dirancang yang kemudian akan dibandingkan dengan hasil perhitungan simulasi menggunakan software Inventor. Hasil tegangan von miss yang didapatkan melalui perhitungan analitik pada konstruksi mesin sebelum welding torch sebesar 1,49 MPa dan pada simulasi sebesar 0,24 MPa, sedangkan perhitungan analitik setelah welding torch diberikan sebesar 0,167 MPa dan pada simulasi sebesar 0,27 MPa.

---

Tungsten Inert Gas (TIG) welding is a popular and widely used welding method in the manufacturing industry. To improve the efficiency of TIG welding, the Wire Arc Additive Manufacturing (WAAM) method has been introduced. WAAM is a welding method that utilizes an electric arc welding process with the use of an additional wire feeder. A TIG-WAAM machine consists of components such as a TIG power source, welding torch, wire feeder, and control system to regulate welding parameters. Therefore, the welding torch is an important component in this research on welding.

The designed which has been designed in this research, will then be analyzed through analytical calculations and simulations using Autodesk Inventor 2021 software to verify the construction of the TIG welding machine can withstand the load of the designed welding torch. This research will primarily focus on the strength of the TIG welding machine's construction to withstand the load after the welding torch is designed, and then compare the results with the simulation calculations using Inventor software. Analytical load calculations are essential to ensure the safety and strength of the equipment in performing its function. The results of the von mises stress through analytical and simulation before welding torch are 1,49 MPa and 0,24 MPa. Meanwhile the analytical and simulation after welding torch are 0,167 MPa and 0,27 MPa."

"Salah satu jenis baja tahan karat yang banyak digunakan dalam dunia industri adalah baja tahan karat austenitik SS304. Salah satu teknik penyambungan logam dengan cara pengelasan adalah TIG (Tungsten Inert gas) atau GTAW (Gas Tungsten Arc Welding) dan untuk material berbentuk pelat tipis dapat digunakan proses pengelasan tanpa menggunakan logam pengisi atau biasa disebut autogeneous welding. Penelitian ini dilakukan untuk mengetahui pengaruh masukan panas dengan variasi arus dan kecepatan pengelasan sambungan autogeneous TIG terhadap nilai uji tarik sambungan las, kekerasan sambungan las, pengukuran geometri lasan dan uji metalografi hasil sambungan pengelasan pelat SS304 tebal 2mm. Hasil penelitian memperlihatkan bahwa, semakin tinggi masukan panas yang diberikan maka jumlah delta ferit dalam logam las semakin menurun. Hal tersebut diakibatkan oleh turunnya laju pendinginan. Laju pendinginan yang lebih cepat mengakibatkan jumlah ferit yang terbentuk semakin banyak. Selain itu, dengan semakin tinggi masukan panas akan mempengaruhi bentuk geometri hasil lasan, yaitu meningkatkan penetrasi semakin dalam dan lebar sehingga rasio lebar banding kedalaman meningkat. Selanjutnya, daerah heat affected zone (HAZ) mengalami pertumbuhan butir seiring dengan meningkatnya masukan panas. Sampel dengan masukan panas tinggi terjadi penurunan nilai kekerasan dan nilai kekuatan tarik akibat dari perubahan struktur mikro. Dari hasil penelitian pengelasan baja tahan karat austenitik SS304 dengan tebal 2mm dengan menggunakan las autogenous dengan dipulsakan dan masukan panas terkontrol, tidak terlalu rendah dan juga tidak terlalu tinggi. Rekomendasinya adalah masukan panas sebesar 0,27 kJ/mm yang menghasilkan kekuatan tarik terbesar yaitu 452 MPa dan rasio L/D ~1-2.

---

One type of stainless steel that is widely used in the industrial world is SS304 austenitic stainless steel. One technique for joining metals by welding is TIG (Tungsten Inert gas) or GTAW (Gas Tungsten Arc Welding) and for thin plate-shaped materials a welding process without using filler metal or commonly called autogeneous welding can be used. This research was conducted to determine the effect of heat input with variations in current and welding speed of autogeneous TIG joints on tensile test values of welded joints, hardness of welded joints, measurement of weld geometry and metallographic tests of 2mm thick SS304 plate welding joints. The results showed that, the higher the heat input given, the amount of delta ferrite in the weld metal decreased. This is caused by a decrease in the cooling rate. The faster the cooling rate, the more ferrite is formed. In addition, the higher the heat input will affect the geometric shape of the weld, which increases the penetration deeper and wider so that the ratio of width to depth increases. Furthermore, the heat affected zone (HAZ) area experiences grain growth as heat input increases. Samples with high heat input decreased the value of hardness and tensile strength due to changes in the microstructure. The conclusion from the results of this study is that the welding of SS304 austenitic stainless steel with a thickness of 2mm was carried out using autogenous welding with pulse and controlled heat input, not too low and not too high. The recommendation is a heat input of 0.27 kJ/mm which produces the greatest tensile strength of 452 MPa and an L/D ratio of ~1-2."