Optimasi Multi-Objective dengan Menggunakan Backpropagation Neural Network, Differential Evolution, dan Teaching Learning Based Optimization untuk Proses Drilling pada Glass Fiber Reinforced Polymer

Glass Fiber Reinforced Polymer (GFRP) adalah sebuah material yang banyak digunakan pada industri aerospace, industri otomotif sebagai penguat seperti rivet, sehingga akan melalui proses drilling. Dalam proses drilling akan terjadi thrust force dan torsi yang dapat mempengaruhi akurasi ukuran dan kualitas permukaan lubang yang terbentuk. Agar dapat memperoleh akurasi ukuran dan kualitas permukaan lubang yang baik, perlu dilakukan upaya untuk menentukan nilai parameter (thrust force, torsi, kebulatan, dan kekasaran permukaan) yang minimum. Penelitian ini berfokus pada proses drilling komposit GFRP dengan data yang diperoleh dari percobaan yang dilakukan oleh Laboratorium Rekayasa Produksi Departemen Teknik Mesin Fakultas Teknologi Industri dan Rekayasa Sistem Institut Teknologi Sepuluh Nopember Surabaya pada tahun 2019. Penelitian dilakukan dengan menggunakan metode kecerdasan buatan yaitu Backpropagation Neural Network (BPNN) sebagai pendekatan untuk memprediksi respon (thrust force, torsi, kebulatan lubang, dan kekasaran permukaan lubang) dengan parameter input (drill point geometry, drill point angle, feed rate, dan spindle speed). Prediksi tersebut kemudian digunakan untuk memperoleh parameter input dengan hasil respon yang minimum dengan menggunakan metode metaheuristik yaitu Differential Evolution (DE) dan Teaching Learning Based Optimization (TLBO) yang berkorelasi dalam menentukan performansi yang paling minimum. Setelah itu dilakukan komparasi antara metode DE dan TLBO untuk menentukan metode yang memberikan hasil optimasi respon lebih baik. Hasil optimum yang diperoleh dari percobaan menggunakan BPNN-DE dan BPNN-TLBO untuk PG tipe S adalah dengan 5 hidden layers, 9 neurons, dan MSE 0,0184, dimana parameter input yang digunakan adalah PA 135°, f 150 mm/min, dan n 2000 rpm, dan untuk parameter respon diperoleh Fz 46,595 N, Mz 0,894 Nm, R 97,034 µm, serta SR 1,356 µm. Sedangkan untuk PG tipe S adalah dengan 3 hidden layers, 10 neurons, dan MSE 0,0114, dimana parameter input yang digunakan adalah PA 90°, f 100 mm/min, dan n 2841 rpm, dan untuk parameter respon diperoleh Fz 47,82 N, Mz 0,91 Nm, R 97,94 µm, serta SR 1,38 µm. Dari hasil percobaan diperoleh bahwa MSE PG tipe X lebih kecil dibandingkan dengan MSE PG tipe S, sehingga PG tipe X dapat dipilih untuk proses drilling GFRP dan baik metode DE maupun TLBO akan mencapai nilai yang lebih optimum apabila jumlah data yang digunakan lebih besar. ========================================================================================================= Glass Fiber Reinforced Polymer (GFRP) is a material widely used in the aerospace industry, automotive industry, etc. One of the manufacturing processes that is done to GFRP material is drilling. Drilling is a manufacturing process to make a cylindrical hole on the workpiece using a twist drill. Thrust force and torque will appear in the process therefore affecting the size accuracy and the quality of the hole surface. To get an accurate size and a good quality of the hole surface, minimizing the parameter value (thrust force, torque, roundness, surface roughness) needs to be done. This experiment is focused on the drilling process of GFRP composites where the data is obtained from an experiment carried out by Production Engineering Laboratory, Mechanical Engineering Department, Faculty of Industrial Technology and Systems Engineering, Institut Sepuluh Nopember Surabaya in 2019. The experiment is done with artificial intelligence method called Backpropagation Neural Network (BPNN) as an approach to predict the response parameters (thrust force, torque, hole roundness, and hole surface roughness) with the input parameters (drill point geometry, drill point angle, feed rate, and spindle speed). Hence the prediction will be used to gain the minimum input parameters by applying metaheuristic methods called Differential Evolution (DE) and Teaching Learning Based Optimization (TLBO). Then the result from both methods is compared to determine which method gains the better optimization values. The optimum results gained from this experiment applying BPNN-DE and BPNN-TLBO for type S PG with 5 hidden layers, 9 neurons, and MSE 0,0114 are PG S type, PA 135°, f 150 mm/min, and n 2000 rpm for the input parameters, whilst the gained predictions of response parameters are Fz 46,595 N, Mz 0,894 Nm, R 97,034 µm, and SR 1,356 µm. Then the results for type X PG with 3 hidden layers, 10 neurons, and MSE 0,0114 are PA 90°, f 100 mm/min, and n 2841 rpm for the input parameters, whilst the gained predictions of response parameters are Fz 47,82 N, Mz 0,91 Nm, R 97,94 µm, and SR 1,38 µm. Since the performance of BPNN-DE and BPNN-TLBO with type X PG is considerably better than type S PG, hence type X PG can be used to optimize the drilling process of GFRP