10 herman saputro_ sunaryo prediksi kekasaran permukaan baja st 40 berbasis model analisis regresi...

7/23/2019 10 Herman Saputro_ Sunaryo Prediksi Kekasaran Permukaan Baja St 40 Berbasis Model Analisis Regresi Ganda Pa

1/18

POLITEKNOSAINS VOL. X NO. 1 Maret 2011

Prediksi Kekasaran. . . 121

PREDIKSI KEKASARAN PERMUKAAN BAJA ST 40 BERBASIS

MODEL ANALISIS REGRESI GANDA PADA PERMESINAN CNC

FRAIS

Herman SaputroPendidikan Teknik Mesin, FKIP, Universitas Sebelas Maret Surakarta

Kampus UNS Pabelan Jl.Ahmad Yani 200 Pabelan, SKH, Tlp/Fax 0271

718419

SunaryoPoliteknik Pratama Mulia, Surakarta

Jl. Haryo Panular No 18a Surakarta 57149, Tlp 0271712637

The advancement in automation and accuracy of machine tool

made it possible to produce high quality industrial products. One of the

main perceptions of quality in mechanical products is its physical

appearance. One of the most important factors in physical appearance is

the surface roughness. Number of research publications addressed this

issue of surface roughness measurement and analyses. This research

focuses on study and analyses of surface quality improvement in milling

operation of low carbon steel (St 40). These metals are selected as they

are most widely used in education as well as in industry. This researchpaper develops an empirical model for surface roughness (Ra) prediction

in milling using St 40. The impact of cutting speed, feed, depth of cut, and

dry cutting condition are studied on surface roughness.

The result produced using Regression Analyses (RA) give a good

prediction of surface roughness when compare with actual surface

roughness. The equation to prediction of surface roughness in dry

condition is Y = 3.0581 - 0.00007 n - 9.4333 Vf - 0.4956 a. By using

Multiple Regression Method equation, the average percentage deviation

of the testing set was 5.955% for training data set.

Keywords: surface roughness (SR), regression analyses (RA), speed, feed,

depth of cut, dry and material St 40.


2/18



PENDAHULUANUpaya penelitian dibidang

operasi mesin perkakas telahdimulai pada awal abad 19 oleh

F.W. Taylor yang melakukan

eksperimen selama 26 tahun

dengan lebih dari 30.000

eksperimen dan menghasilkan 400

ton geram (Benardos, P.G., dan G-

C. Vosniakos: 2003). Tujuan utama

Taylor adalah menghasilkan solusi

sederhana atas permasalahan

intrisik dalam menentukan kondisi

pemotongan yang aman dan

efisien. Taylor percaya bahwa

solusi tersebut secara empiris dapat

diselesaikan kurang dari setengah

menit oleh mekanik yang handal

lewat pengalaman mereka.

Masalahnya adalah bahwa para

mekanik tersebut meskipun

sanggup bekerja denganmemuaskan namun kesulitan

menularkan pengetahuannya secara

sistematis dan kuantitatif kepada

orang lain.

Dasar dari setiap pekerjaan

mesin mempunyai persyaratan

kualitas permukaan dan kekasaran

permukaan yang berbeda-beda,

tergantung dari fungsinya. Kualitas

permukaan hasil penyekrapan ratadapat dilihat dari kekasaran

permukaannya. Makin halus

permukaannya, makin baik pula

kualitasnya, sehingga cukup

beralasan juga apabila kekasaran

permukaan hasil frais diperhatikan

dan dicari solusi untuk

mendapatkan yang sehalusmungkin. Ada beberapa faktor

yang mempengaruhi kekasaran

permukaan pada pengerjaan logam

dengan pemakanan, kondisi mesin,

bahan benda kerja, bentuk ujung

pahat mata potong, pendinginan

dan operator.

Pada mesin CNC frais untuk

mendapatkan tingkat kekasaran

yang sesuai permintaan gambar

kerja tidak dapat dilakukan dengan

jalan mencoba-coba dengan cara

memperbesar dan memperkecil

kecepatan spindel mesin,

kecepatan makan ( feed rate ) dan

kedalaman pemakanan (dept of cut

) karena besar dan kecilnya

kecepatan spindel mesin dan

kedalaman pemakanan harus diinputkan dalam bentuk program.

Tingkat kekasaran

permukaan hasil proses CNC frais

dan keausan pahat dapat

dipengaruhi oleh dua faktor atau

variabel yaitu: 1) Variabel yang

masuk dalam program seperti:

kecepatan makan (vf), kecepatan

spindel (n) dan kedalaman

pemotongan (a), dan 2) Variabelyang tidak masuk dalam program

seperti: geometri pahat, jumlah

mata sayat pahat, bahan pahat dan

bahan benda kerja. Untuk

mendapatkan kekasaran yang


3/18



dikehendaki sampai saat ini belum

ada pedoman parameter

pemotongan yang dapat digunakan

sebagai acuan.Bertolak dari permasalahan

diatas maka, diperlukan penelitian

yang dapat menghasilkan suatu

model matematik yang mampu

memprediksi tingkat kekasaran

permukaan benda hasil proses CNC

frais dan pemodelan laju keausan

pahat. Sehingga mempermudah

programmer dan operator mesin

CNC dalam menentukan

parameter-parameter yang

diperlukan untuk memproduksi

benda kerja yang sesuai dengan

spesifikasi yang dibutuhkan

gambar kerja dan juga untuk

mempermudah dalam perencanaan

biaya produksi dengan mesin CNC

frais.

LANDASAN TEORI

Kekasaran PermukaanPermukaan adalah batas

yang memisahkan antara benda

padat dengan sekelilingnya. Jika

ditinjau dengan skala kecil pada

dasarnya konfigurasi permukaan

merupakan suatu karakteristik

geometri golongan mikrogeometri.Sementara itu yang tergolong

makrogeometri adalah permukaan

secara keseluruhan yang membuat

bentuk atau rupa yang spesifik

misalnya permukaan poros, lubang,

sisi dan lain-lain yang tercakup

pada elemen geometri ukuran,

bentuk, dan posisi (Chang Xue:

2002).Kekasaran permukaan (surface

roughness) dibedakan menjadi dua,

yaitu:

1.Ideal surface roughnessIdeal surface roughness adalah

kekasaran ideal (terbaik) yang

bisa dicapai dalam suatu proses

permesinan dengan kondisi

ideal.

2.Natural surface roughnessNatural surface roughness

adalah kekasaran alamiah yang

terbentuk dalam proses

permesinan karena adanya

berbagai faktor yang

mempengaruhi proses

permesinan tersebut.

Faktor-faktor yang

mempengaruhi kekasaran idealdiantaranya:

a. Getaran yang terjadi pada mesin.b. Ketidaktepatan gerakan bagian-

bagian mesin.

c. Ketidakteraturanfeedmechanism.

d. Adanya cacat pada materiale. Gesekan antara chip dan

material.


4/18



Gambar 1 Posisi profil referensi,

profil tengah dan profil alas

terhadap profil terukur untuk satu

panjang sampel.

Berdasarkan profil-profil

yang diterangkan diatas, dapat

didefinisikan beberapa parameter

permukaan, yaitu yang

berhubungan dengan dimensi pada

arah tegak dan arah memanjang.

Untuk dimensi arah tegak dikenal

beberapa parameter yaitu:

1. Kekasaran total (peak to valleyheight/total height), Rt (m)adalah jarak antara profil

referensi dengan profil alas.

2. Kekasaran perataan (depth ofsurface smoothness/peak to

mean line),Rp (m) adalah jarak

rata-rata antara profil referensi

dengan profil terukur.

3. Kekasaran rata-rata aritmetik(mean roughness index/center

line average ,CLA), Ra (m)adalah harga rata-rata aritmetik

dibagi harga absolutnya jarak

antara profil terukur dengan

profil tengah.

4.Kekasaran rata-rata kuadratik(root mean square height), Rq(m) adalah akar bagi jarak

kuadrat rata-rata antara profil

terukur dengan profil tengah.

5. Kekasaran total rata-rata, Rz(m) merupakan jarak rata-rata

profil alas ke profil terukur padalima puncak tertinggi dikurangi

jarak rata-rata profil alas ke

profil terukur pada lima lembah

terendah.

Dari bermacam-macam

parameter permukaan yang ada,parameter Ra relatif lebih banyak

digunakan untuk

mengidentifikasikan permukaan.

Parameter Ra cocok apabila

digunakan untuk memeriksa

kualitas permukaan komponen

mesin yang telah dilakukan proses

pemesinan dalam jumlah yang

banyak dengan suatu proses

permesinan tertentu [4].Dibandingkan dengan parameter

lain, harga Ra lebih sensitif

terhadap perubahan atau

penyimpangan yang terjadi pada

proses permesinan. Dengan


5/18



demikian pencegahan dapat dengan

cepat dilakukan jika ada tanda-

tanda bahwa ada kenaikan

kekasarannya (misalnya denganmengganti perkakas potong atau

cara yang lain).

Angka kekasaran ini telah

diklasifikasikan menjadi 12 angka

kelas kekasaran seperti terlihat

pada Tabel 1 Angka kekasaran

(ISO number) ini dimaksudkan

untuk menghindari kemungkinan

terjadinya kesalahan interpretasi

atas satuan harga kekasaran. Jadi

spesifikasi mengenai kekasaran

dapat dituliskan langsung dengan

menyatakan harga Ra-nya ataupun

dengan menggunakan angka kelas

kekasaran ISO.

Tabel 1 Angka Kekasaran (ISO

Roughness Number)

Harga

kekasaran,

Ra (m)

Angka

kelas

kekasaran

Panjang

sampel

(mm)

5025

N12N11

8

12,5

6,3

N10

N92,5

3,2

1,6

0,8

0,4

N8

N7

N6

N5

0,8

0,2

0,1

0,005

N4

N3

N2

0,25

0,025 N1 0,08

Beberapa penelitian tentang

kekasaran yang pernah dilakukan

telah disarikan (Feng, C-X., Wang,

J., and Wang, J-S.: 2001) pada

table 2 berikut ini:

Tabel 2. Faktor-faktor yang berpengaruh terhadap kekasaran permukaan

dari beberapa penelitian-penelitian.

No Peneliti Material Faktor yang berpengaruh

1 Kamakar (1970) Steel C-45 Cuting speed, feed rate, dept of cut

2 Bhattacharya(1971 Plain carbon

steel

Cuting speed, feed rate, nose radius, work piece

hardenesss3 Rasch Rolstadas(1971) Carbon steel Cuting speed, feed rate

4 Selvam and

Radhakrishnan (1973)

Steel Cuting speed, built up edge, work piece strain

hardeness

5 Lumbert and Taraman

(1974)

Steel SAE

1018

Cuting speed, feed rate, dept of cut

6 Boothroyd and Knight Mild steel Cuting speed, feed rate


6/18



Dari Table 2. diatas secara

global berdasarkan hasil penelitian

dapat dikelompokan menjadi dua

kelompok yaitu 1). Penelitian yang

menghasilkan kesimpulan bahwacutting speed merupakan factor

yang tidak berpengaruh signifikan

terhadap kekasaran permukaan,

yaitu penelitian yang dilakukan

oleh: Bhattacharya et al. (1970),

Sudarman dan lambert (1979),

Grieve et. al. (1968), Dickinson

(1986), dan Fischer dan Elrod

(1971). 2). Penelitian yang

menghasilkan kesimpulan bahwacutting speed merupakan factor

yang berpengaruh signifikan

terhadap kekasaran permukaan,

yaitu penelitian yang dilakukan

oleh: Chandiramani dan Cook

(1964), Shaw (1966), Boothroy dan

Knight (1989), Miller et al. (1983),

Feng dan Wang (2001) dan Feng

(2001).

M. Brezocnik, M. Kovacic

dan M. Fisko, melakukan studi

tentang prediksi dari kekasaran

permukaan dengan menggunkan

genetic programming. Hasil dari

penelitian ini menyatakan: 1).

Prediksi kekasaran permukaan

dengan genetic programming

mempunyai keakuratan yang tinggi.

2). Feed mempunyai pengaruh

yang besar terhadap kakasaranpermukaan.

Strategi untuk memprediksi

kekasaran permukaan terutama

pada proses surface finish dapat

dibangun atas 4 metode yaitu: 1)

multiple regretion, 2) mathematical

modeling based on the physics of

the process, 3) Fuzzy set based

technique dan 4) neural network

modeling (Fischer, H. L. and Elrod,J. T.: 1971).

Analisis Regresi GandaAnalisa statistik dengan

menggunakan model Multiple

regression linier digunakan untuk

memprediksikan faktor-faktor yang

mempengaruhi tingkat kekasaran

permukaan. Model regresi linier

berasumsi bahwa ada hubungan

linier antara variabel dependen,

yaitu tingkat kekasaran permukaan

dan tiap prediktor, yaitu faktor

kecepatan pemakanan, kecepatan

putaran dan kedalaman pemakanan.

(1989)

7 Sundarman and

Lambert (1981)

Steel Cuting speed, feed rate, nose radius, dept of cut

8 Miller et al. (1983) Alloy, castiron

Cuting speed, feed rate, tool condition, cuttingfluid

9 Lambert (1983) Steel D6AC Cuting speed, feed rate, nose radius

10 Selvan(1975) Steel Vibration, chatter

11 Petrpoulos91974) Steel Tool wear, surface rougness distribution


7/18



Hubungan tersebut digambarkan

dengan persamaan Walpole

berikut:

exbxbbykk++++= ...

110

di mana:

y adalah nilai variabel

dependen

k menunjukkan jumlah

prediktor

ib adalah nilai koefisien ke-i,

i = 0,kix adalah nilai prediktor ke-i

e adalah nilai kesalahan

model regresi

Regresi linier menunjukkan

model yang representatif

berdasarkan nilai koefisien korelasi

(R). Nilai R mengindikasikan

adanya hubungan linier yang kuat

antara tiap faktor dengan tingkat

kekasaran permukaan. Penentuan

faktor yang signifikan sebagai

prediktor variabel dependen

didasarkan pada nilai significance

level yang kurang dari 0,05 dan

tingkat kontribusi faktor tersebut

ditentukan berdasarkan nilai

standardized coefficient. Semakin

besar nilai standardized coefficient

absolut suatu faktor, semakin besar

pula kontribusinya terhadap model

METODE PENELITIAN1. Eksperimen

Pada penelitian ini

menggunakan material baja ST 40

dengan nilai kekerasan 44,70 HRA

(142,50 BHN). Bahan ini

digunakan karena bahan ini banyak

digunakan pada bengkel-bengkel

CNC di kota solo. Sedangkan

peralatan dan perlengkapan

pengujian yang digunakan seperti

yang terlihat pada Tabel 1berikut

ini:

Tabel 3 Perlengkapan pengujian

ALAT TIPE/MEREK

Pahat TAEGUTEC

XOMT 060204

TT9030

Mesin Frais

CNC

CNC Mill Master

ZK 7040 dengan

sistem kontrol

SIEMENS 802S

Alat Uji

Kekasaran

Mitutoyo Surftest SJ-

201P Roughness

Tester


8/18



Tabel 4 Variabel penelitian

Parameter

LevelHasil

Penelitian1(Rendah)

2(Sedang)

3(Tinggi)

Kecepatan spindel (rpm) 500 1500 2500 Kekasaran

permukaanKecepatan pemakanan

(mm/rev)0,07 0,12 0,17

Kedalaman pemakanan

(mm)0,5 1 1,5

Kondisi Pemotongan Dry / kering

HASIL DAN PEMBAHASAN

Tabel 5 Nilai kekasaran permukaan hasil penelitian acak sempurna padapermesinan CNC frais tanpa pendingin (kering)

Percobaan

Kecepatan

pemotongan

(Rpm)

Kecepatan

pemakanan

(mm/rev)

Kedalaman

pemakanan

(mm)

Kondisi

pemotongan

pemakanan

Kekasaran

Rata-Rata

(m)

1 500 0.07 0.5 kering 2.33

2 500 0.07 1 kering 1.82

3 500 0.07 1.5 kering 1.60

4 500 0.12 0.5 kering 1.62

5 500 0.12 1 kering 1.366 500 0.12 1.5 kering 1.18

7 500 0.17 0.5 kering 1.15

8 500 0.17 1 kering 0.93

9 500 0.17 1.5 kering 0.75

10 1500 0.07 0.5 kering 2.08

11 1500 0.07 1 kering 1.78

12 1500 0.07 1.5 kering 1.56

13 1500 0.12 0.5 kering 1.53

14 1500 0.12 1 kering 1.30

15 1500 0.12 1.5 kering 0.7316 1500 0.17 0.5 kering 0.99

17 1500 0.17 1 kering 0.88

18 1500 0.17 1.5 kering 0.70

19 2500 0.07 0.5 kering 1.92

20 2500 0.07 1 kering 1.76

21 2500 0.07 1.5 kering 1.54


9/18



22 2500 0.12 0.5 kering 1.48

23 2500 0.12 1 kering 1.27

24 2500 0.12 1.5 kering 0.99

25 2500 0.17 0.5 kering 1.1026 2500 0.17 1 kering 0.75

27 2500 0.17 1.5 kering 0.67

Hasil uji regresi linier ganda pada kondisi pemotongan keringTabel 6 Output analisis regresi ganda permesinan frais tanpa pendingin

dengan SPSS 12Model Summary

Model R R Square

Adjusted

R Square

Std. Error of

the Estimate

1 .978(a) .956 .950 .10175a Predictors: (Constant), Kedalaman pemakanan, Kedalaman pemakanan,

Rpm

ANOVA(b)

Model

Sum of

Squares df Mean Square F Sig.

1 Regression 5.198 3 1.733 167.344 .000(a)

Residual .238 23 .010

Total 5.436 26

a Predictors: (Constant), Kedalaman pemakanan, Kedalaman pemakanan,Rpm

b Dependent Variable: Kekasaran (Ra)

Coefficients(a)

Model Unstandardized

Coefficients

Standardized

Coefficients t Sig.

B Std. Error Beta B Std. Error

1 (Constant) 3.058 .085 35.813 .000

Rpm .000 .000 -.127 -2.919 .008

Kedalaman pemakanan -9.433 .480 -.858 -19.667 .000Kedalaman pemakanan -.496 .048 -.451 -10.331 .000

Persamaan garis regresi ini

merupakan inti dari penelitian ini,

yang kemudian akan digunakan

sebagai model matematik yang

dapat digunakan untuk

memprediksi kekasaran permukaan


10/18



yang dihasilkan oleh variasi rpm,

kecepatan pemakanan dan

kedalaman pemakanan pada

permesinan CNC frais tanpapendingin. Berdasarkan output

SPSS tabel 6 coeficients B, yang

digunakan untuk membuat

persamaan garis regresi adalah

besaran koefisien beta. Dengan

demikian persamaan garis regresi

ganda dapat dinyatakan sebagai

berikut:

Ra = 3.058 0.000 n - 9.433

Vf 0.496 aDimana Y = kekasaran permukaan

(m)

n = kecepatan spindel (rpm)

Vf= kecepatan pemakanan

(mm/rev)

a = Kedalaman

pemotongan (mm)

Pada persamaan diatas

masih terdapat kelemahan yaitu

karena keterbatasan software SPSS

maka seolah-olah rpm tidak

mempunyai pengaruh terhadap

kekasaran permukaan sehingga

untuk mengetahui pengaruh rpmterhadap kekasaran dilakukan

perhitungan manual sebagai

pembanding perhitungan dengan

SPSS. Dari perhitungan manual

diperoleh persamaan garis regresi

ganda sebagai berikut:

Y = 3.0581 - 0.00007 n - 9.4333 Vf

- 0.4956 aPersamaan garis regresi

tersebut selanjutnya divalidasi

dengan hasil Percobaan untuk

mengetahui berapa rata-rata

persentase deviasi yang terjadi. Jika

persentase deviasi kecil maka

persamaan garis regresi dapat

digunakan sebagai model

matematik untuk memprediksi

kekasaran hasil permesinan CNCfrais tanpa pendingin. Adapun hasil

validasi dapat dilihat pada tabel 7

Tabel 7 Hasil validasi antara harga kekasaran permukaan hasil Percobaan

dengan hasil prediksi berdasar persamaan garis regresi pada pemesian

CNC frais tanpa pendingin.


11/18



Percobaan

Y = 3.05811115 - 0.000070X1 -9.4333X2 -

0.4956X3 Prediksi Percobaan

Rata-rata

PresentaseDeviasi

(%)

3.0581 -0.00007(X1) -9.433(X2) -0.4956 (X3)

1 3.0581 -0.0350 -0.6603 -0.2478 2.12 2.33 9.227

2 3.0581 -0.0350 -0.6603 -0.4956 1.87 1.82 2.595

3 3.0581 -0.0350 -0.6603 -0.7433 1.62 1.6 1.215

4 3.0581 -0.0350 -1.1320 -0.2478 1.64 1.62 1.440

5 3.0581 -0.0350 -1.1320 -0.4956 1.40 1.36 2.614

6 3.0581 -0.0350 -1.1320 -0.7433 1.15 1.18 2.731

7 3.0581 -0.0350 -1.6037 -0.2478 1.17 1.15 1.884

8 3.0581 -0.0350 -1.6037 -0.4956 0.92 0.93 0.657

9 3.0581 -0.0350 -1.6037 -0.7433 0.68 0.75 9.852

10 3.0581 -0.1050 -0.6603 -0.2478 2.05 2.08 1.683

11 3.0581 -0.1050 -0.6603 -0.4956 1.80 1.78 0.968

12 3.0581 -0.1050 -0.6603 -0.7433 1.55 1.58 1.934

13 3.0581 -0.1050 -1.1320 -0.2478 1.57 1.53 2.832

14 3.0581 -0.1050 -1.1320 -0.4956 1.33 1.3 1.966

15 3.0581 -0.1050 -1.1320 -0.7433 1.08 0.73 47.641

16 3.0581 -0.1050 -1.6037 -0.2478 1.10 0.99 11.279


12/18



Percobaan

Y = 3.05811115 - 0.000070X1 -9.4333X2 -

0.4956X3 Prediksi Percobaan

Rata-rata

PresentaseDeviasi

(%)

3.0581 -0.00007(X1) -9.433(X2) -0.4956 (X3)

17 3.0581 -0.1050 -1.6037 -0.4956 0.85 0.88 2.967

18 3.0581 -0.1050 -1.6037 -0.7433 0.61 0.7 13.413

19 3.0581 -0.1750 -0.6603 -0.2478 1.98 1.92 2.865

20 3.0581 -0.1750 -0.6603 -0.4956 1.73 1.76 1.862

21 3.0581 -0.1750 -0.6603 -0.7433 1.48 1.54 3.932

22 3.0581 -0.1750 -1.1320 -0.2478 1.50 1.48 1.577

23 3.0581 -0.1750 -1.1320 -0.4956 1.26 1.27 1.137

24 3.0581 -0.1750 -1.1320 -0.7433 1.01 0.99 1.796

25 3.0581 -0.1750 -1.6037 -0.2478 1.03 1.1 6.212

26 3.0581 -0.1750 -1.6037 -0.4956 0.78 0.75 4.519

27 3.0581 -0.1750 -1.6037 -0.7433 0.54 0.67 19.983

Rata-rata Presentase Deviasi (%) 5.955

Dari tabel 7 dapatdigambarkan grafik hubungan

antara kekasaran permukaan (Ra)

prediksi dengan kekasaran

permukaan (Ra) eksperimen

permesinan CNC frais tanpapendingin (gambar 2 dan 3).


13/18



Gambar 2 Grafik hubungan Ra

prediksi dan Ra eksperimen

disetiap percobaan pada

permesinan CNC frais dengankondisi pemotongan kering

Gambar 3 Grafik hubungan

antara Ra prediksi dengan Ra

eksperimen pada permesinan CNC

frais dengan kondisi pemotongan

keringPembahasan hasil analisis data

pada permesinan CNC frais pada

kondisi pemotongan kering

Dari hasil analisis data

didapatkan bahwa data hasil

pengukuran kekasaran permukaan

pada permesinan CNC frais tanpa

pendingin memenuhi prasyarat

untuk dilakukan analisis datadengan menggunakan metode

regresi linier ganda. Dari uji

linearitas dapat disimpulkan bahwa

data permesinan frais tanpa

pendingin memiliki model regresi

berbentuk linear, sehingga analisis

regresi linear ganda dapat

digunakan dalam menganalisis data

tersebut.

Dari hasil analisis regresi

linier ganda dihasilkan persamaan

garis regresi yang merupakan inti

dari penelitian ini, yang kemudian

akan digunakan sebagai model

matematik untuk memprediksi

kekasaran permukaan yang

dihasilkan oleh variasi rpm,

kecepatan pemakanan dan

kedalaman pemakanan padapermesinan CNC frais tanpa

pendingin. Persamaan garis regresi

yang sekaligus model matematik

yang digunakan untuk memprediksi

kekasaran permukaan adalah : Y =

3.0581 - 0.00007 n - 9.4333 Vf -

0.4956 aHasil validitasi model

persamaan matematik yang

dihasilkan dari analisis regresilinier ganda dangan hasil

Percobaan diperoleh rata-rata

persentase deviasi sebesar 5.955%.

Rata-rata persentase deviasi sebesar

5.955 % tersebut masih bisa


14/18



diterima, karena dari beberapa

penelitian sejenis yang pernah

dilakukan bahwa angka rata-rata

persentase deviasi sebesar 9.71 %[3] dan 26 % [28] masih bisa di

terima.

Dari gambar 1 dan 2 grafik

hubungan antara Ra prediksi

dengan Ra Percobaan pada

permesinan CNC frais tanpa

pendingin juga memperlihatkan

bahwa penyimpangan antara

prediksi dan Percobaan sangat kecil

sekali. Sehingga model matematik

Y = 3.0581 - 0.00007 n - 9.4333 Vf

- 0.4956 a dapat digunakan untukmemprediksi kekasaran permukaan

pada permesinan CNC frais tanpa

pendingin.

Dari data kekasaran

permukaan pada proses permesinan

CNC frais tanpa pendingin dapat

dideskripsikan seperti pada gambar

3 dibawah ini:

Gambar 3 Hubungan antara kecepatan spindel, kecepatan pemakanan dan

kedalaman pemotongan terhadap kekasaran permukaan pada

kondisi pemotongan kering.

Pada gambar 3 nilaikekasaran permukaan terkecil pada

permesinan frais tanpa pendingin

adalah 0.67 m terjadi pada

parameter pemotongan: rpm =

2500, kecepatan pemakanan = 0.17

mm/rev dan kedalaman pemakanant = 1.5 mm. Sedangkan kekasaran

terbesar pada permesinan frais

tanpa pendingin adalah 2.33 m

terjadi pada parameter

pemotongan: rpm = 500, kecepatan

a. Pada Kecepatan c. Pada Kecepatanb. Pada Kecepatan pemakanan


15/18



pemakanan = 0.07 mm/rev dan

kedalaman pemakanan = 0.5 mm.

Dari grafik pada gambar 4.7

dapat dijelaskan bahwa padapermesinan CNC frais tanpa

pendingin didapatkan hasil:

1. Seiring bertambahnya kecepatanspindel (rpm semakin besar)

kekasaran hasil permesinan

miling semakain turun atau

halus, hal ini karena dengan

semakin besar kecepatan spindel

maka gesekan yang terjadi

antara permukaan benda kerja

dan pahat akan lebih cepat

sehingga permukaannya akan

menjadi lebih halus dan sesuai

dengan hipotesis.

2. Seiring dengan bertambanyakecepatan pemakanankekasaran

permukaan hasil proses

permesinan CNC frais semakin

turun atau halus. Fenomena iniberlawanan dengan teori dan

hipotesis, karena pada proses

permesinan apabila kedalaman

pemakanan naik maka harga

kekasarannya juga ikut naik. Hal

ini dikarenakan pada proses

permesinan dengan kedalaman

pemakanan tinggi akan

menyebabkan kenaikan

temperatur yang pada akhirnyaakan menyebabkan pelunakan

pada pahat maupun benda kerja

(Gandjar Kiswanto: 2005) .

Kenaikan temperatur ini

disebabkan oleh bertambanya

luasan penampang bidang geser

dan proses permesinan yang

tanpa pendingin. Pada meterial

St 40 seiring bertambahnyakedalaman pemakanan,

kekerasan material justru

menurun (Rusnaldy dan Budi

Setiyana: 2006). Dengan

melunaknya material akibat

temperatur tersebut maka,

seiring dengan naiknya

kedalaman pemakanan akan

dihasilkan kekasaran permukaan

yang semakin menurun.

3. Seiring dengan bertambahkedalaman penyayatan

kekasaran permukaan juga

semakin menurun atau halus.

Fenomena ini juga bertentangan

dengan hipotesis dan teori. Hal

ini dikarenakan semakin dalam

penyayatan maka semakin besar

gaya gesek antara pahat denganbenda kerja yang mengakibatkan

naiknya temperatur. Naikanya

temperatur tersebut

menyebabkan pelunakan pada

material St 40 sehingga

menyebabkan pada kedalaman

1.5 mm kekasaran permukaan

paling halus.

KESIMPULAN DAN SARANKesimpulan1. Persamaan garis regresi yang

sekaligus model matematik

yang digunakan untuk

memprediksi kekasaran


16/18



permukaan adalah : Y =

3.0581 - 0.00007 n - 9.4333 Vf

- 0.4956 a

2. kekasaran permukaan terkecilpada permesinan frais tanpa

pendingin adalah 0.67 m


pemotongan: rpm = 2500,

kecepatan pemakanan = 0.17

mm/rev dan kedalaman

pemakanan t = 1.5 mm.

Sedangkan kekasaran terbesar

pada permesinan frais tanpa

pendingin adalah 2.33 m


pemotongan: rpm = 500,

kecepatan pemakanan = 0.07

mm/rev dan kedalaman

pemakanan = 0.5 mm.

Saran1. Penelitian tentang proses

pemesinan, merupakan topikyang sangat luas, sehingga

masih banyak diperlukan

penelitian-penelitian lanjutan

untuk mendalami parameter-

parameter permesinan yang

lain.

2. Pada penelitian ini hanyaterbatas 3 level disetiap faktor,

sehingga hasil pemodelan

matematik yang didapatkanmemiliki keterbatasan hanya

cocok untuk mesin, material,

pahat serta level-level yang ada

pada penelitian ini.

DAFTAR PUSTAKABenardos, P.G., dan G-C.

Vosniakos. (2003), Predicting

Surface Roughness InMachining: A Review,

International Journal Of

Machine Tools And

Manufacture 43. 833-844.

Bhattacharya, A., Faria-Gonzalez,

R., and Ham, I. (1970),

Regression analysis for

predicting surface finish and its

application in the determination

of optimum machining

conditions. ASME Journal of

Engineering for Industry, 4, 711-

71

Boothroyd, G. and Knight, W. A.

(1989), Fundamentals of

Machining and Machine Tool.

Marcel Dekker, New York.

Chang Xue. (2002), Surface

Raoughness PredictiveModeling: Neural Networks

versus Regression. Departemen

of Industrial & Manufacturing

Engineering, College of

Engineering and Technology

Bradley University : Illinois

USA.

Chandiramani, K. L., and Cook, N.

H. (1964), Investigation on the

nature of surface finish and itsvariation with cutting speed.

Journal of Engineering for

Industry, Series B, 134-140.

Dickinson, G. R. (1968), A survey

of factors affecting surface


17/18



finish. Proceedings of

Conference on Properties and

Metrology of Surfaces, Part 3K,

135-147.Feng, C-X., Wang, J., and Wang, J-

S. (2001), An optimization

model for concurrent selection

of tolerances and suppliers.

Computers and Industrial

Engineering, 40, 15-33.

Fischer, H. L. and Elrod, J. T.

(1971), Surface finish as a

function of tool geometry and

feed: a theoretical approach.

Microtechnic, No. 25, 175-178.

Grieve, D. J., Kaliszer, H., and

Rowe, G. W. (1968), The effects

of cutting conditions on bearing

area parameters. Proceedings of

9th International Machine Tool

Design and Research

Conference, U.K., September,

Vol. 2, 989-1004.Jerard, R.B., et al., 2001, Online

Optimization of Cutting

Conditions for NC Machining,

2001 NSF Design,

Manufacturing and Industrial

Innovation Research

Conference, January 7-10 2001,

Tampa, Florida

Muin, Syamsir. 1986. Dasar-dasar

Perencanaan Perkakas. Jakarta :Rajawali Mas

M. Brezocnik, M. Kovacic dan M.

Ficko. (2004), Prediction of

Surface Roughness with Genetic

Programming. Journal of

Material Processing

Technology.

Mike. S. Lou (1998), Surface

Roughness for CNC End Bubut; Journal of Tecnology.

Kaohsiung Taiwan: Cheng Shiu

College of Tecnology

Nieman, G. 1992. Elemen Mesin I.

Jakarta : Pradya Paramita

Kalpakjian, S, Schmid. (1992),

Manufakturing Engineering and

Technology 2nd Edition,

Addison-Wesley Publishing,

USA.

Ming-Yung Wang dan Hung-Yen

Chang. (2003),. Experimental

Study of Surface Roughness in Slot

End Milling AL2014-T6.

International Journal of Machine

Tools & Manufacture 44 (2004),

51-57.

M. Mehrban, et al.. (2008),.

Modelling of Tool Life in

Turning Process Using

Experimental Method.

International Journal of material

forming. Springer Paris.

Ogo, Emmanuel et al. (2007),

Performance Evaluation of

Cutting Fluids Developed from

Fixed Oils. Leonardo Electronic

Journal of Practices andTechnologies. Issue 10, January-

June 2007

P N Rao (2000), CAD/CAM

principles and application. Iowa,

USA : Mc Graw Hill


18/18



Rachim, Taufiq.(2001), Spesifikasi,

Metrologi, dan Kontrol Kualitas

Geometrik. Institut Teknologi

BandungRachim, Taufiq.(1982), Teori dan

Teknologi Proses Permesinan.

Institut Teknologi Bandung

Sakir Tasdemir, Suleyman Neseli.

(2008), Prediction Of Surface

Roughness Using Artificial

Neural Network In Lathe,

International Conference On

Computer System An

Thecnology CompSys Tech

2008

Kalpakjian, S, Schmid. (1992),

Manufakturing Engineering and

Technology 2nd Edition,

Addison-Wesley Publishing,

USA.

Shaw, M. S., (1966), Study of

machined surface. Proceedings,

OECD Conference, September.

Sundaram, R. M. and Lambert, B.K. (1981), Mathematical models

to predict surface finish in fine

turning of steel, Parts I and II,

International Journal of

Production Research, 19, 547-

564.

Taegutec (2008),. Taegu Turn

Insert Master. Korea

Troy S. Vom Braucke. (2004),

Establishment of a Database for

Tool Life Performance. School

of engeering and science,

Swinburne university of

technology: Australia.

10 herman saputro_ sunaryo prediksi kekasaran permukaan baja st 40 berbasis model analisis regresi...

Documents