Hasil Pencarian  ::  Simpan CSV :: Kembali

Abstrak :
Pada perencanaan pembangunan Kawasan Industri Maritim di Tanggamus terdapat 4 jenis golongan industri yang saling berkaitan mendukung industri inti yaitu industri perkapalan. Salah satunya adalah industri pendukung. Industri pendukung menyediakan material yang kemudian diolah lagi oleh galangan untuk membangun kapal. Material plat sebagai bahan pembuat utama bangunan baru seringkali mengalami keterlambatan dalam pengadaannya karena berbagai faktor. Untuk pembangunan tahap 1 selama 5 tahun ke depan, kebutuhan aliran material plat per tahun untuk 1 galangan besar, menengah dan kecil adalah 46.000 ton/tahun. Untuk memenuhi kebutuhan tersebut, dibutuhkan 1 industri fabrikasi dengan luas 1.81 Ha. Dengan dibangunnya industri pendukung di KIM, aliran rantai pasok material dapat dipersingkat, jarak pengiriman menjadi 1/23 dibandingkan dengan tanpa pembangunan industri fabrikasi dan mengurangi kemungkinan hambatan yang ada. Mutu dari kualitas material juga lebih terjaga karena industri lebih fokus dan proses produksi dapat berlangsung terus menerus. ......In the development of Maritime Industrial Cluster in Tanggamus there are 4 types of industries that are connected each other to support shipyards as the core industry. One of them is the supporting industry. Supporting industries provide the materials that will be processed by shipyards to build ships. Due to several factors, delays often occur in shipping plates as the main material to build ships. For the first stage development in 5 years, the material needs for one large capacity shipyards, medium capacity shipyards and small capacity shipyards is approximately 46.000 tons per year. To fulfil the needs, one fabrication industry with area of 1.81 Ha is needed to be build. With the existence of fabrication industry in Maritime Industrial Cluster, the supply chain flow of materials can be shorten, the shipping distance become 1/23 of the conventional one. It also decreases the chances of obstacles that can be happen. The industry also become more focus in preserving the quality of material and the production process can be occured continuously.

Abstrak :
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%.

Abstrak :
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.

Abstrak :
Micro Friction Stir Spot Welding (m-FSSW) merupakan salah satu jenis solid state welding dengan menggunakan non-consumable tool ber-skala micro dengan ketebalan material <1 mm serta memanfaatkan gesekan dan axial force dalam prosesnya. Hasil dair pengelasan yaitu lap-joint pada satu titik. Pada penelitian ini dilakukan pengujian Geometri tool terhadap hasil pengelasan, sehingga didapatkan korelasi antara geometri tool, temperature, perubahan kecepatan putar, axial force, hasil uji tarik geser, dan uji micro dan macro. Pada eksperimen ini menggunakan 4 jenis tool yaitu, tool 1 (One stage shoulder 450), tool 2 (one stage shoulder 650), tool 3 (small taper), tool 4 (medium taper). Standar pengujian yang digunakan adalah ISO 14273 (Uji Tarik Geser) , ASTM E340 (Makrostruktur) , ASTM E407 (Mikrostruktur).  Pada eksperimen ini hasil uji tarik geser tertinggi yaitu 600,480 N dengan dwell time 4 detik dengan temperatur sekitar 321.5 ˚C terdapat pada tool 4 (Medium Taper). Pada hasil uji struktur makro dan mikro (crossection) terdapat daerah Stir Zone (SZ), Thermo-Mechanically Affected Zone (TMAZ), Heat Affected Zone (HAZ), Parent Metal (PM), Hook dan EXTD zone (pada tool 3 dan tool 4). Pada daerah SZ, terjadi rekristalisasi secara penuh (>220°C) sedangkan daerah TMAZ yang mengalami rekristalisasi sebagian akibat adanya panas dan mengalami perubahan sifat mekanik (120°C-250°C). dan untuk daerah HAZ atau daerah yang terpengaruhi panas namun tidak mengalami rekristalisasi (<220°C).  Pada pengujian Microstructure (crossection) menunjukkan Intermetallic Compound serta cacat yang ada dalam skala mikro dari sambungan pelat tipis AA1100 dan pelat tipis CuZn. Pada ekperimen ini terdapat pengaruh pada variasi dwell time terhadap geometry tool sehingga mempengaruhi distribusi temperatur, kecepatan putar, dan axial force yang mengakibatkan hasil kekuatan uji tarik geser meningkat dari dwell time 2s ke 4s, sedangkan mengalami penurunan pada dwell time 6s. ......Micro Friction Stir Spot Welding (m-FSSW) is a type of solid state welding using non-consumable micro-scale tools with a material thickness of <1 mm and utilizing friction and axial force in the process. The result of welding is a lap-joint at one point. In this research, tool geometry was tested on welding results, so that a correlation was obtained between tool geometry, temperature, changes in rotational speed, axial force, shear tensile test results, and micro and macro tests. In this experiment, 4 types of tools were used, namely, tool 1 (One stage shoulder 450), tool 2 (one stage shoulder 650), tool 3 (small taper), tool 4 (medium taper). The test standards used are ISO 14273 (Tensile Shear Test), ASTM E340 (Macrostructure), ASTM E407 (Microstructure). In this experiment, the highest shear tensile test result is 600,480 N with a dwell time of 4 seconds with a temperature of around 321.5 ˚C, was found on tool 4 (Medium Taper). In the macro and micro structure test results (crossection) there are Stir Zone (SZ), Thermo-Mechanically Affected Zone (TMAZ), Heat Affected Zone (HAZ), Parent Metal (PM), Hook and EXTD zones (on tool 3 and tool 4). In the SZ area, full recrystallization occurs (>220°C) while the TMAZ area experiences partial recrystallization due to heat and experiences changes in mechanical properties (120°C-250°C). and for HAZ areas or areas that are affected by heat but do not experience recrystallization (<220°C). The Microstructure (crossection) test shows the Intermetallic Compound and defects that exist on a micro scale from the joints of the AA1100 plate and the CuZn plate. In this experiment, there was an influence on variations in dwell time on the tool geometry, thus affecting the temperature distribution, rotational speed and axial force, which resulted in the shear tensile test strength results increasing from a dwell time of 2s to 4s, whereas it decreased at a dwell time of 6s.