10 herman saputro_ sunaryo prediksi kekasaran permukaan baja st 40 berbasis model analisis regresi...
Post on 11-Feb-2018
217 Views
Preview:
TRANSCRIPT
-
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.
-
7/23/2019 10 Herman Saputro_ Sunaryo Prediksi Kekasaran Permukaan Baja St 40 Berbasis Model Analisis Regresi Ganda Pa
2/18
POLITEKNOSAINS VOL. X NO. 1 Maret 2011
Prediksi Kekasaran. . . 122
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
-
7/23/2019 10 Herman Saputro_ Sunaryo Prediksi Kekasaran Permukaan Baja St 40 Berbasis Model Analisis Regresi Ganda Pa
3/18
POLITEKNOSAINS VOL. X NO. 1 Maret 2011
Prediksi Kekasaran. . . 123
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.
-
7/23/2019 10 Herman Saputro_ Sunaryo Prediksi Kekasaran Permukaan Baja St 40 Berbasis Model Analisis Regresi Ganda Pa
4/18
POLITEKNOSAINS VOL. X NO. 1 Maret 2011
Prediksi Kekasaran. . . 124
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
-
7/23/2019 10 Herman Saputro_ Sunaryo Prediksi Kekasaran Permukaan Baja St 40 Berbasis Model Analisis Regresi Ganda Pa
5/18
POLITEKNOSAINS VOL. X NO. 1 Maret 2011
Prediksi Kekasaran. . . 125
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
-
7/23/2019 10 Herman Saputro_ Sunaryo Prediksi Kekasaran Permukaan Baja St 40 Berbasis Model Analisis Regresi Ganda Pa
6/18
POLITEKNOSAINS VOL. X NO. 1 Maret 2011
Prediksi Kekasaran. . . 126
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
-
7/23/2019 10 Herman Saputro_ Sunaryo Prediksi Kekasaran Permukaan Baja St 40 Berbasis Model Analisis Regresi Ganda Pa
7/18
POLITEKNOSAINS VOL. X NO. 1 Maret 2011
Prediksi Kekasaran. . . 127
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
-
7/23/2019 10 Herman Saputro_ Sunaryo Prediksi Kekasaran Permukaan Baja St 40 Berbasis Model Analisis Regresi Ganda Pa
8/18
POLITEKNOSAINS VOL. X NO. 1 Maret 2011
Prediksi Kekasaran. . . 128
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
-
7/23/2019 10 Herman Saputro_ Sunaryo Prediksi Kekasaran Permukaan Baja St 40 Berbasis Model Analisis Regresi Ganda Pa
9/18
POLITEKNOSAINS VOL. X NO. 1 Maret 2011
Prediksi Kekasaran. . . 129
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
-
7/23/2019 10 Herman Saputro_ Sunaryo Prediksi Kekasaran Permukaan Baja St 40 Berbasis Model Analisis Regresi Ganda Pa
10/18
POLITEKNOSAINS VOL. X NO. 1 Maret 2011
Prediksi Kekasaran. . . 130
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.
-
7/23/2019 10 Herman Saputro_ Sunaryo Prediksi Kekasaran Permukaan Baja St 40 Berbasis Model Analisis Regresi Ganda Pa
11/18
POLITEKNOSAINS VOL. X NO. 1 Maret 2011
Prediksi Kekasaran. . . 131
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
-
7/23/2019 10 Herman Saputro_ Sunaryo Prediksi Kekasaran Permukaan Baja St 40 Berbasis Model Analisis Regresi Ganda Pa
12/18
POLITEKNOSAINS VOL. X NO. 1 Maret 2011
Prediksi Kekasaran. . . 132
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).
-
7/23/2019 10 Herman Saputro_ Sunaryo Prediksi Kekasaran Permukaan Baja St 40 Berbasis Model Analisis Regresi Ganda Pa
13/18
POLITEKNOSAINS VOL. X NO. 1 Maret 2011
Prediksi Kekasaran. . . 133
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
-
7/23/2019 10 Herman Saputro_ Sunaryo Prediksi Kekasaran Permukaan Baja St 40 Berbasis Model Analisis Regresi Ganda Pa
14/18
POLITEKNOSAINS VOL. X NO. 1 Maret 2011
Prediksi Kekasaran. . . 134
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
-
7/23/2019 10 Herman Saputro_ Sunaryo Prediksi Kekasaran Permukaan Baja St 40 Berbasis Model Analisis Regresi Ganda Pa
15/18
POLITEKNOSAINS VOL. X NO. 1 Maret 2011
Prediksi Kekasaran. . . 135
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
-
7/23/2019 10 Herman Saputro_ Sunaryo Prediksi Kekasaran Permukaan Baja St 40 Berbasis Model Analisis Regresi Ganda Pa
16/18
POLITEKNOSAINS VOL. X NO. 1 Maret 2011
Prediksi Kekasaran. . . 136
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
terjadi pada parameter
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
terjadi pada parameter
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
-
7/23/2019 10 Herman Saputro_ Sunaryo Prediksi Kekasaran Permukaan Baja St 40 Berbasis Model Analisis Regresi Ganda Pa
17/18
POLITEKNOSAINS VOL. X NO. 1 Maret 2011
Prediksi Kekasaran. . . 137
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
-
7/23/2019 10 Herman Saputro_ Sunaryo Prediksi Kekasaran Permukaan Baja St 40 Berbasis Model Analisis Regresi Ganda Pa
18/18
POLITEKNOSAINS VOL. X NO. 1 Maret 2011
Prediksi Kekasaran. . . 138
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.
top related