Hasil Pencarian  ::  Simpan CSV :: Kembali

"Sayap bagian atas pesawat dan tailcone merupakan komponen yang banyak menerima tension stress yang tinggi saat beroperasi. Dibutuhkan paduan material yang memiliki kekuatan tarik yang tinggi untuk mencegah terjadinya kegagalan pada komponen tersebut. Paduan titanium dipilih untuk menjadi solusi dari permasalahan tersebut karena memenuhi spesifikasi yang diinginkan serta memiliki beberapa aspek kelebihan lain yang dibutuhkan untuk industri kedirgantaraan. Namun dalam pengembangannya masih menggunakan metode konvensional dengan proses eksperimen yang memerlukan biaya yang tinggi, akurasi penelitian yang sangat ditentukan oleh data dan pengalaman empiris, serta memakan banyak waktu dan rentan terhadap kesalahan manusia. Penelitian rekayasa material menggunakan pembelajaran mesin regresi memberikan solusi yang menjanjikan untuk masalah tersebut, karena menggunakan data eksperimen maupun data dari penelitian terdahulu sehingga dapat memangkas waktu, tenaga, dan biaya dalam proses pengembangan paduan titanium. Pada penelitian ini berhasil dikembangkan model pembelajaran mesin dengan menggunakan algoritma KNN. model menghasilkan performa yang cukup baik, dibuktikan dari perbandingan nilai aktual dan prediksi serta nilai metrik model sebesar 86,22%. Selain itu, dilakukan studi berbasis fitur atomik yang menunjukkan bahwa elektron valensi berpengaruh besar terhadap sifat kekuatan tarik paduan titanium. 

---

The upper wing of the aircraft and tail cone are components that receive high tension stress during operation. A material alloy with high tensile strength is required to prevent failure of these components. Titanium alloys are chosen as the solution to the problem because they meet the desired specifications and have several other advantages needed for the aerospace industry. However, its development still uses conventional methods with an experimental process that requires high costs, the accuracy of research is largely determined by empirical data and experience, and takes a lot of time and is prone to human error. Materials engineering research using regression machine learning provides a promising solution to the problem, because it uses experimental data as well as data from previous research so that it can cut time, energy, and costs in the process of developing titanium alloys. In this study, a machine learning model using the KNN algorithm was successfully developed. The model produces quite good performance, as evidenced by the comparison of actual and predicted values and the model metrik value of 86.22%. In addition, a study based on atomic features was carried out which showed that valence electrons have a major effect on the tensile strength properties of titanium alloys."

"Paduan super merupakan material yang memiliki performa baik dalam mempertahankan sifat mekanisnya pada temperatur tinggi. Paduan super berbasis nikel setidaknya memiliki kandungan nikel sebesar 38–76% dan paduan super berbasis besi-nikel memiliki kandungan 15–60% besi serta 25–45% nikel yang umum digunakan pada industri aviasi. Dalam kondisi operasinya, komponen tersebut terpapar temperatur yang sangat tinggi sehingga memengaruhi kekuatan tarik dan titik leburnya. Selain itu, perputaran kecepatan tinggi dan lingkungan yang abrasif menjadi alasan dibutuhkan nilai kekerasan yang tinggi. Oleh karena itu, modifikasi material tersebut diperlukan agar dapat menunjang kebutuhan sifat minimal pada aplikasi mesin turbin gas. Machine learning (ML) dan deep learning (DL) menjadi pilihan yang solutif dalam proses desain rekayasa sifat kekuatan tarik, kekerasan, dan titik lebur material tersebut karena tidak membutuhkan waktu yang panjang. Pada penelitian ini, dua model ML dan satu model DL digunakan untuk menentukan model yang dapat menghasilkan prediksi sifat material yang terbaik. Beberapa parameter divariasikan untuk mencari nilai akurasi prediksi yang paling optimal. Model ANN menjadi pilihan tepat untuk memprediksi sifat-sifat material paduan super. Model tersebut diaplikasikan untuk memodifikasi komposisi INCONEL-718 dan berhasil meningkatkan nilai kekuatan tarik menjadi 1592 MPa, kekerasan menjadi 152 HRB, dan titik lebur menjadi 1665ºC.

---

Superalloys are materials that preserve their mechanical properties well at high temperatures. Nickel-based superalloys have at least 38-76% nickel, whereas iron-nickel-based superalloys contain 15-60% iron and 25-45% nickel and are widely utilized in the aviation industry. These components are subjected to extremely high temperatures during operation, which affects their tensile strength and melting point. Furthermore, high rotating speeds and an abrasive environment demand high hardness values. As a result, material modification is required to meet the minimum requirements for gas turbine engine applications. Machine learning (ML) and deep learning (DL) are acceptable alternatives in the engineering design process for predicting the tensile strength, hardness, and melting point properties of these materials because they do not require a long time. Two ML models and one DL model are utilized in this research to discover which model can generate the best predictions of material properties. Several parameters are adjusted to achieve the best prediction accuracy. The ANN model is the best option for predicting superalloy material properties. This model is implemented to INCONEL-718 and successfully increasing the tensile strength to 1592 MPa, hardness to 152 HRB, and melting point to 1665ºC."

"Leadframe merupakan salah satu komponen penting dalam pembuatan sirkuit terpadu. Aplikasi ini membutuhkan spesifikasi kompleks seperti kekuatan tarik dan konduktivitas listrik yang tinggi serta koefisien ekspansi termal yang rendah untuk memastikan performa yang baik. Hal tersebut menjadikan kandidat material yang layak digunakan untuk aplikasi ini menjadi sangat terbatas. Salah satu material yang umum digunakan dalam pembuatan leadframe adalah paduan tembaga. Namun, pengembangan material tersebut untuk memenuhi spesifikasi yang dibutuhkan bukanlah hal yang mudah. Penemuan kandidat paduan tembaga ini membutuhkan banyak uji coba hingga ditemukan kombinasi unsur paduan dan jenis pemrosesan yang optimal. Oleh karena itu, dibutuhkan sebuah pendekatan baru yang dapat mempercepat proses penemuan paduan tembaga baru dengan kombinasi sifat mekanis, elektrik, dan termal yang optimal. Salah satu solusi yang ditawarkan untuk mengatasi permasalahan ini adalah menggunakan metode ML. Pada penelitian ini enam buah model yang terdiri atas lima model ML klasik dan satu model DL dibangun untuk melakukan prediksi struktur material (model P2S) dan prediksi properti material (model S2P). Berdasarkan nilai koefisien determinasi (R2 ) ditemukan dua model P2S dan S2P terbaik adalah BPNN dan XGB. Kemudian, masing-masing model tersebut diintegrasikan untuk membentuk MLDS. Hasil MLDS menunjukkan bahwa program yang dibangun menggunakan model XGB memiliki fluktuasi (standar deviasi) yang lebih rendah dan dapat digunakan untuk memberikan rekomendasi paduan tembaga baru untuk aplikasi leadframe yang sejalan dengan literatur.

---

The leadframe is one of the crucial components in the manufacturing of Integrated Circuits (ICs). This application requires complex specifications such as high tensile strength and electrical conductivity, as well as low thermal expansion coefficients to ensure optimal performance. These requirements significantly limit the potential materials suitable for this application. One of the materials commonly used in the production of leadframes is copper alloys. However, developing this material to meet the necessary specifications is not easy. Discovering a suitable copper alloy candidate involves a lot of trial and error to find the optimal combination of alloying elements and processing methods. Therefore, a new approach is needed to accelerate the discovery process of new copper alloys with an optimal combination of mechanical, electrical, and thermal properties. One proposed solution to address this issue is the use of machine learning methods. In this study, six models consisting of five classical machine learning models and one deep learning model were developed to predict material structure (P2S model) and material properties (S2P model). Based on the coefficient of determination (R²) values, the best P2S and S2P models were found to be BPNN and XGB, respectively. These models were then integrated to form a Machine Learning Design System (MLDS). The results of the MLDS showed that the program built using the XGB model has lower fluctuation (standard deviation) and could be used to recommend new copper alloys for leadframe applications in line with the literature."

"Paduan super berbasis besi-nikel biasanya mengandung lebih dari delapan elemen paduan dan umum digunakan dalam aplikasi aerospace seperti pada komponen cakram turbin menjadikan perubahan komposisi dapat menyebabkan perubahan sifat mekanis yang signifikan. Paduan super ini mengandung 15–60% besi dan 25–45% nikel dan digunakan dalam bilah dan cakram mesin yang memerlukan sifat ekspansi termal rendah. Paduan super berbasis besi ini menarik untuk dipelajari karena karakteristik temperatur tinggi dan koefisien ekspansi termal yang rendah tetapi di sisi lain menawarkan harga yang lebih ekonomis. Dalam aplikasi temperatur tinggi kekuatan tarik akan berubah sesuai dengan temperaturnya sehingga rentan terjadi kegagalan. Sementara dalam aplikasi seperti turbin yang dalam penggunaannya sering ditemukan kegagalan karena bekerja pada putaran yang tinggi dan lingkungan abrasif dibutuhkan nilai kekerasan yang sesuai. Sehingga dibutuhkan sebuah solusi yang kompetitif dan efisien dalam proses desain dan rekayasa paduan super berbasis besi-nikel. Metode pembelajaran mesin deep learning regresi dapat menjadi solusi dalam memberikan prediksi kekuatan tarik, kekerasan dan titik lebur yang presisi untuk aplikasi tertentu sehingga tidak dibutuhkan eksperimen yang memakan waktu. Dalam penelitian ini dilakukan variasi parameter berupa arsitektur model, learning rate, test size, random state, batch size, dan epoch dalam rangka mencari parameter optimum bagi model C2P besi-nikel. Nilai akurasi optimum yang dihasilkan dengan matriks R2 sebesar 98,2% dan matriks RRMSE 4,12%. Nilai ini didapat menggunakan parameter yaitu 4 hidden layers dengan noda (128,128,128,128), learning rate sebesar 10-3, test size sebesar 0,2, random state sebesar 25, batch size sebesar 64, dan epoch sebesar 250.

---

Iron-nickel-based superalloys typically contain more than eight alloying elements and are commonly used in aerospace applications such as in turbine disc components where compositional changes can lead to significant changes in mechanical properties. This superalloy contains 15–60% iron and 25–45% nickel and is used in engine blades and discs where low thermal expansion properties are required. This iron-based super alloy is interesting to study because of its high temperature characteristics and low coefficient of thermal expansion, but on the other hand offers a more economical price. In high temperature applications the tensile strength will change according to the temperature so that it is susceptible to failure. Meanwhile, in applications such as turbines where failure is often found due to working at high rotations and an abrasive environment, an appropriate hardness value is required. So that a competitive and efficient solution is needed in the design and engineering process of iron-nickel-based super alloys. The deep learning regression machine learning method can be a solution in providing precise predictions of tensile strength, hardness and melting point for certain applications, eliminating the need for time-consuming experiments. In this study, various parameters were carried out in the form of model architecture, learning rate, test size, random state, batch size, and epoch in order to find the optimum parameters for the iron-nickel C2P model. The optimum accuracy value generated by the R2 matrix is 98.2% and the RRMSE matrix is 4.12%. This value is obtained using parameters, namely 4 hidden layers with dense (128,128,128,128), learning rate of 10-3, test size of 0.2, random state of 25, batch size of 64, and epoch of 250."

"Rasio kekuatan dan densitas aluminium yang tinggi serta ketahanan aluminium yang tinggi terhadap korosi membuat aluminium menjadi material yang populer digunakan oleh industri aviasi. Sebagai salah satu aplikasinya, aluminium kerap digunaakn sebagai komponen pada helikopter. Menurut Rashid, dkk rotor adalah komponen yang paling rentan pada helikopter. Lalu Weber, dkk mengatakan bahwa 65% pilot pernah menerbangkan helikopter dengan kondisi rotor yang rusak. Banyaknya faktor yang dapat menyebabkan kerusakan pada rotor mempersulit penemuan solusi untuk kegagalan komponen. Ketangguhan patah adalah ketahanan suatu material akan perambatan retak. Penambahan laju retak dapat terjadi karena beberapa mekanisme seperti fatigue, creep, kesalahan pemilihan material, SCC, dan lainnya. Karena itu, rekayasa material mengenai ketangguhan patah menarik sangat menarik untuk dipelajari. Metode eksperimental trial and error untuk rekayasa material memerlukan banyak waktu panjang, biaya tinggi, dan akurasi penelitian yang sangat ditentukan oleh kemampuan peneliti. Metode pembelajaran mesin regresi menggunakan data dokumentasi terdahulu sehingga dapat memangkas waktu dan biaya untuk rekayasa material. Pada penelitian ini berhasil dikembangkan model pembelajaran mesin dengan menggunakan algoritma XGBoost. Kemampuan prediksi cukup baik, dibuktikan dari perbandingan nilai aktual dan prediksi serta nilai metrik model sebesar 0,906.

---

The high strength-to-density ratio and corrosion resistance of aluminum have made it a popular material in the aviation industry. One of its applications is in helicopter components. According to Rashid et al., the rotor is the most vulnerable component in a helicopter. Furthermore, Weber et al. stated that 65% of pilots have flown helicopters with damaged rotors. The numerous factors that can cause rotor damage make finding solutions to component failures challenging. Fracture toughness is the resistance of a material to crack propagation. Increased crack propagation can occur due to various mechanisms such as fatigue, creep, material selection errors, SCC (Stress Corrosion Cracking), and others. Therefore, studying fracture toughness in materials engineering is highly interesting. Traditional trial-and-error experimental methods for materials engineering require extensive time, high costs, and research accuracy heavily dependent on the abilities of the researchers. Regression machine learning methods using past documentation data can help reduce time and costs in materials engineering. In this study, a machine learning model using the XGBoost algorithm was successfully developed. The predictive capability was quite good, as evidenced by the comparison between actual and predicted values, as well as a model metric value of 0.906. "

"Penggunaan polimer biodegradable sebagai matriks pada material komposit mulai dipertimbangkan untuk digunakan pada berbagai macam aplikasi karena memiliki sifat yang ramah lingkungan karena memiliki kemampuan yang dapat terdegradasi dengan baik dan cepat. Namun, polimer biodegradable memiliki beberapa kekurangan seperti sifat mekanisnya yang buruk. Metode yang dapat dilakukan untuk memperbaiki sifat mekanis dari polimer biodegradable ini adalah dengan menambahkan serat alami yang bertujuan sebagai penguat ke dalam matriks polimer sehingga membentuk material komposit. Untuk memperoleh produk dengan sifat mekanis yang sesuai dengan melakukan eksperimen secara langsung dibutuhkan proses yang panjang dan memakan biaya yang besar. Oleh karena itu, pembelajaran mesin hadir sebagai solusi dalam menciptakan proses pemilihan material yang efektif, akurat, singkat, dan hemat. Dalam penelitian ini, prediksi kekuatan tarik material polimer biodegradable berpenguat serat alami melibatkan empat model pembelajaran mesin dengan Extreme Gradient Boosting (XGB) sebagai model terpilih karena performanya yang stabil dan baik dengan metrik evaluasi skor R^2 sebesar 0,866, RMSE sebesar 7,26, dan MAE sebesar 4,84. Dilakukan proses validasi dengan melakukan perbandingan nilai yang model hasilkan dengan nilai aktual berdasarkan penelitian yang telah dilakukan terdahulu dan memperoleh performa yang baik dan optimum dengan selisih akurasi, yaitu rentang 1,02% sampai 27,19%.

---

The use of biodegradable polymers as matrices in composite materials is starting to be considered for use in a wide variety of applications due to their environmentally friendly properties as they have the ability to degrade well and quickly. However, biodegradable polymers have some drawbacks such as poor mechanical properties. A possible method to improve the mechanical properties of these biodegradable polymers is to add natural fibers that act as reinforcement into the polymer matrix to form a composite material. Obtaining a product with suitable mechanical properties by conducting direct experiments is a lengthy and costly process. Therefore, machine learning comes as a solution in creating an effective, accurate, short, and economical material selection process. In this study, the tensile strength prediction of natural fiber-reinforced biodegradable polymer materials involves four machine learning models with Extreme Gradient Boosting (XGB) as the selected model due to its stable and good performance with the evaluation metrics of R^2 score of 0.866, RMSE of 7.26, and MAE of 4.84. The validation process was carried out by comparing the values generated by the model with the actual values based on previous research and obtained good and optimum performance with a difference in accuracy, which ranges from 1.02% to 27.19%."

"Rancang campur beton merupakan proses bertahap dan kompleks untuk mencoba menemukan komposisi bahan terbaik guna menghasilkan beton dengan performa terbaik. Kuat tekan beton merupakan sifat terpenting dalam kualitas beton dibandingkan sifat-sifat lain. Dalam proses pembuatannya, banyak variabel terutama jumlah komposisi material penyusun yang dapat memengaruhi kuat tekan beton. Terdapat beberapa metode konvensional dalam memprediksi beton yang terkadang memberikan hasil prediksi lebih atau kurang dari kuat tekan yang ditargetkan. Diperlukan metode yang akurat dalam memprediksi kuat tekan beton agar dapat memberikan keuntungan secara signifikan terhadap penggunaan bahan. Oleh karena itu, penelitian ini menggunakan Deep Neural Network (DNN) sebagai subbidang dari Machine Learning (ML) dan Artificial Intelligence (AI), untuk memprediksi kuat tekan beton berdasarkan komposisi campuran dan properti materialnya. Penelitian ini menghasilkan formula matematika berupa persamaan yang dihasilkan dari model DNN terbaik dengan melihat aspek error model dan grafik model loss. Terdapat total 2048 model yang dianalisis dengan variasi jumlah variabel input (feature) yang berbeda-beda. Model 280 pada kasus 1 dan model 23 pada kasus 5 merupakan model terbaik yang dihasilkan penelitian ini, dengan masing-masing nilai error model 43,8028 dan 5778,5850 untuk Mean Squared Error (MSE) serta 5,0073 dan 59,8225 Maen Absolute Error (MAE).

---

Concrete mix design is a gradual and complex process of trying to find the best ingredient composition to produce the best performing concrete. The compressive strength of concrete is the most important property in concrete quality compared to other properties. In the manufacturing process, many variables, especially the amount of material composition, can affect the compressive strength of concrete. There are several conventional methods of predicting concrete that sometimes give predictive results more or less than the targeted compressive strength. An accurate method of predicting the compressive strength of concrete is needed in order to significantly benefit the use of materials. Therefore, this research utilizes Deep Neural Network (DNN), a subfield of Machine Learning (ML) and Artificial Intelligence (AI), to predict the compressive strength of concrete based on its mix composition and material properties. This research produces mathematical formulas in the form of equations generated from the best DNN model by looking at the aspects of model error and model loss graphs. There are a total of 2048 models analyzed with different variations in the number of input variables (features). Model 280 in case 1 and model 23 in case 5 are the best models produced by this study, with model error values of 43.8028 and 5778.5850 for Mean Squared Error (MSE) and 5.0073 and 59.8225 Maen Absolute Error (MAE), respectively."

"Paduan super merupakan jenis paduan yang dapat mempertahankan kekuatan mekanis dan kestabilan permukaannya pada temperatur yang sangat tinggi sehingga cocok diaplikasikan pada bidang kedirgantaraan, khususnya turbin gas. Jenis paduan super yang paling banyak digunakan adalah paduan super berbasis nikel karena memiliki struktur kristal FCC yang stabil di segala temperatur. Agar dapat digunakan dalam jangka waktu yang lama, kegagalan pada paduan super berbasis nikel dapat dicegah dengan mengetahui kekuatan tarik dari paduannya. Selain itu untuk mencegah terjadinya keausan pada komponen mesin, kekerasan pada paduan super berbasis nikel juga harus diketahui. Adapun titik leleh dari paduan super berbasis nikel juga harus dapat diketahui untuk mencegah terjadinya pelunakan paduan super pada temperatur yang sangat tinggi. Biaya produksi paduan super berbasis nikel tergolong mahal, karena dibuat berdasarkan pendekatan trial and error yang memakan waktu. Pada penelitian ini, dilakukan pembuatan sebuah program yang dapat memprediksi sifat mekanis paduan super berbasis nikel menggunakan pembelajaran mesin dengan metode deep learning. Melalui pembelajaran mesin, biaya produksi paduan super berbasis nikel dapat ditekan serta mempersingkat siklus perkembangan material. Penelitian ini menghasilkan suatu program deep learning dengan jenis model regresi yang dapat memprediksi kekuatan tarik, kekerasan, dan titik leleh paduan super berbasis nikel dengan keakurasian model menurut metrik R2 sebesar 98,77% berdasarkan variasi hyperparameter yang ditetapkan sebanyak tiga hidden layer dengan dense 256, 128, 64, test size sebesar 25%, random state dengan nilai 75, batch size sebesar 32, epoch sebanyak 300, dan learning rate sebesar 0,001.

---

A superalloy is a type of alloy that can maintain its mechanical strength and surface stability at very high temperatures so that it is suitable for application in the aerospace field, especially in gas turbines. The most widely used type of superalloy is Ni-based superalloy because it has a stable FCC crystal structure at all temperatures. The failure of Ni-based superalloys can be prevented by knowing the tensile strength of the alloy for a longer-term used. In addition, to prevent wear on the engine components, the hardness of Ni-based superalloys must also be known. The melting point of Ni-based superalloys must also be known to prevent softening of the superalloy at very high temperatures. The production cost of Ni-based superalloys is quite expensive because they are made based on a time-consuming trial and error approach. In this research, a program is developed that can predict the mechanical properties of Ni-based superalloys using machine learning with deep learning methods. Through machine learning, the production cost of Ni-based superalloys can be reduced, and the material development cycle can be shortened. The result of this research is a deep learning program with a regression model which can predict the tensile strength, hardness, and melting point of Ni-based superalloys with a model accuracy of 98.77% according to the R2 metric based on the hyperparameter variations set as three hidden layers wi"

"Disertasi ini membahas mengenai pengembangan paduan titanium berbasis Ti-Mo-Nb untuk mendukung kebutuhan akan material implan medis. Perekonomian yang meningkat dan meningkatnya populasi merupakan kombinasi yang menarik di mana terdapat potensi kebutuhan material implan medis. Peningkatan populasi ini berdampak pada peningkatan penduduk usia lanjut dan penyakit degeneratif seperti osteoporosis. Saat ini penggunaan paduan Ti6Al4V telah banyak digunakan sebagai material implan medis, namun permasalahannya adalah kandungan logam Al dan V yang berpotensi berbahaya bagi tubuh manusia serta nilai modulus elastisitas yang jauh lebih tinggi dibandingkan dengan tulang sehingga mendorong peneliti untuk mengembangkan paduan titanium baru untuk menggantikan Ti6Al4V. Paduan titanium β (beta) berbasis Ti-Mo-Nb dengan penambahan Sn dan Mn ini merupakan paduan yang aman digunakan dan memiliki modulus elastisitas yang lebih rendah dibandingkan Ti6Al4V.Paduan Ti-Mo-Nb-Sn-Mn dibuat melalui peleburan menggunakan electric arc vaccuum furnace pada lingkungan inert gas argon. Ingot hasil peleburan dihomogenisasi pada temperatur 1100 oC kondisi inert selama 7 jam dilanjutkan dengan pendinginan air. Selanjutnya dilakukan karakterisasi struktur mikro, sifat mekanis, sifat korosi dan in-vitro untuk mengetahui sifat–sifat yang dihasilkan sesuai aplikasi. Desain paduan Ti-6Mo-6Nb-8Sn-4Mn merupakan komposisi optimum yang dicapai. Paduan ini memiliki modulus elastisitas 92,4 GPa, laju korosi 0,00160 mmpy dan visibilitas sel mencapai 100%. Jadi dapat disimpulkan bahwa sifat mekanik, perilaku korosi dan hasil uji sel in-vitro menunjukkan bahwa paduan ini lebih baik daripada paduan komersial Ti6Al4V dan merupakan kandidat yang menarik untuk aplikasi material implant medis.

---

This dissertation discusses the development of Ti-Mo-Nb-based titanium alloys to support the need for medical implant materials. An increasing economy and a growing population is an attractive combination where there is a potential demand for medical implant materials. This population increase has an impact on the increase in the elderly population and degenerative diseases such as osteoporosis. Currently, the use of Ti6Al4V alloys has been widely used as medical implant materials. However, the problem is the content of Al and V metals which are potentially harmful to the human body, and the value of the modulus of elasticity is much higher than that of human bone, thus encouraging researchers to develop new titanium implant alloys to replace Ti6Al4V. Ti-Mo-Nb alloy with the addition of Sn and Mn is an element that is safe to use and has a lower modulus of elasticity than Ti6Al4V.

Ti-Mo-Nb-Sn-Mn alloys are made by electric arc vaccuum furnace in an inert argon gas atmosphere. The ingot resulting was homogenized at a temperature of 1100 °C for 7 hours in an inert atmosphere of argon gas, followed by water quenching. Microstructure characterization, mechanical and corrosion properties, and in-vitro were carried out to determine the suitability of the resulting properties for biomedical applications. Alloy Ti-6Mo-6Nb-8Sn-4Mn is the optimum composition achieved. This alloy has an elastic modulus of 92.4 GPa, a corrosion rate of 0.00160 mmpy and a visibility cell of 100%. So it can be concluded that the mechanical properties, corrosion behavior, and in vitro cell test results indicate that this alloy is better than the commercial alloy Ti6Al4V and is an attractive candidate for medical implant material applications.

"

"Permintaan akan produk berskala mikro meningkat secara cepat di berbagai bidang perusahaan seperti elektronik, bio-medis, dan sebagainya. Penelitian ini bertujuan untuk menginvestigasi pengaruh parameter pemesinan yang paling signifikan untuk menghasilkan produk mikro dengan tingkat kekasaran permukaan yg rendah pada material Titanium Ti-6Al-4V dengan menggunakan mesin micromilling Hadia 5X Micromill. Dilakukan eksperimen dengan melakukan proses micromilling dengan variasi parameter pemesinan spindle speed dan feed rate dengan depth of cut konstan 10 μm menggunakan pahat potong material karbida dengan diameter 1 mm. Parameter dibagi menjadi 2 yaitu parameter pemesinan low speed cutting dan high speed cutting. Hasil pemesinan berupa slot sepanjang 4 mm dengan kedalaman 10 μm yang kemudian diukur kekasaran permukaannya menggunakan alat ukur kekasaran permukaan.Dari hasil kekasaran permukaan yang didapat dari eksperimen pemesinan slot Ti-6Al-4V, diperoleh bahwa pada parameter pemesinan yang tepat, hasil kekasaran permukaan proses slot cutting Ti-6Al-4V low speed cutting dan high speed cutting tidak memiliki perbedaan yang signifikan. Dari segi produktivitas, high speed cutting memiliki keunggulan dalam menghasilkan produk dengan waktu pemesinan yang cepat dengan kekasaran permukaan yang rendah. Low cutting speed tetap dapat digunakan pada kondisi machine tool yang tidak mempunyai kapabilitas high speed machining dengan mendapatkan kekasaran permukaan yang rendah.

---

The demand for micro-scale products is increasing rapidly in various fields of industries such as electronics, bio-medical, optical industry, and so on. This study aims to investigate the influence of the most significant machining parameters to produce micro-products with a low level of surface roughness in Titanium Ti-6Al-4V material using the Micromill Hadia 5X micromilling machine. Experiments carried out by micromilling process with variations in machining parameters of spindle speed and feed rate with a constant depth of cut of 10 μm using a cutting tool of carbide material with a diameter of 1mm. The machining parameters of the micromilling process are divided into 2, namely machining parameters, low speed cutting and high speed cutting. The machining results in the form of a 4 mm long slot with a depth of 10 μm, which then measures its surface roughness using a surface roughness measuring instrument.

From the results of surface roughness obtained from the Ti-6Al-4V slot machining experiment, it was found that with the appropriate cutting parameter, the results of the surface roughness of the Ti-6Al-4V slot cutting process with low speed cutting and high speed cutting did not have a significant difference. In terms of productivity, high speed cutting has the advantage of producing products with fast machining times with low surface roughness. On the other hand, low speed cutting still can be useful for machine tools that does not have the capability of high speed cutting and still can produce the same surface roughness as high speed cutting does."